plot() 函数，Pandas DataFrame.plot()语法、参数和相应的示例详解（11）-慕源网

Pandas DataFrame.plot() 介绍

以下文章提供了 Pandas DataFrame.plot() 的概要。除了广泛的数据处理之外，对数据报告的需求也是推动数据世界发展的主要因素之一。为了从Pandas 的角度实现数据报告过程，使用了Pandas 中的 plot() 方法。plot() 方法用于生成数据的图形表示，以便于理解和优化处理。这在数据报告领域充当了Pandas 的内置功能。

本系列是Python Pandas教程的一部分，您可以点击Python Pandas使用教程查看所有。

语法：

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, sharex=None, sharey=False, layout=None, figsize=None, use_index=True, title=None, grid=None, legend=True, style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, secondary_y=False, sort_columns=False, **kwds)

参数：

参数	描述
X	columns 参数提到了在绘图过程中被视为 x 轴的一组列。参数的默认值为 None。
y	columns 参数提到了在绘图过程中被视为 y 轴的一组列。参数的默认值为 None。
kind	kind 参数用于提及要用作此绘图过程的过程的图形类型。 ‘line’：线图（这是默认的绘图类型值）。 ‘bar’：垂直条形图。 ‘barh’：水平条形图。 ‘hist’：直方图。 ‘box’：箱线图。 ‘kde’：核密度估计图。 “density”：与“kde”相同。 ‘area’：面积图。 ‘pie’：饼图。 ‘scatter’：散点图。 ‘hexbin’： hexbin 图。
ax	Index 参数提到了轴对象，该参数的默认值为 none。
subplots	这是另一个布尔参数，用于为每一列应用单独的子图。
sharex	当 subplots=True 时，这是另一个布尔参数，x 轴标签中的一些设置为不可见并且 x 轴是共享的，如果 ax 为 None 则默认为 True，否则在传入 ax 时为 False。
sharey	当 subplots=True 时，这是另一个布尔参数，y 轴标签中的一些设置为不可见并且 y 轴是共享的，如果 ay 为 None 则默认为 True，否则在传入 ay 时为 False。
layout	这是一种基于其放置子图的元组类型。
figsize	这提到了以英寸为单位的尺寸值。
use_index	这使用索引作为 x 轴的刻度。
title	这用于设置图表的标题值。标题中提到的值将位于图表的顶部。
grid	默认值为 None 的布尔参数，用于维护轴网格线。
legend	将图例放在轴的子图上。
style	style 参数在列表或字典中保存值。此参数用于表示每列的线条样式。
logx	X 轴级别日志缩放，这是一个布尔参数，默认值为 false。
logy	Y 轴级日志缩放，这是一个布尔参数，默认值为 false。
loglog	loglog 用于维护 x 轴和 y 轴级别的日志缩放。这是一个布尔参数，默认值为 false。
xticks	Xticks 与使用此 xticks 参数的值相关联。该参数以序列的形式接受输入。
yticks	yticks 与使用此 yticks 参数的值相关联。该参数以序列的形式接受输入。
xlim	2 元组/列表。
ylim	2 元组/列表。
rot	默认值为 None 并且此参数以整数格式保存值。这提到了刻度的旋转值。
fontsize	xticks 和 yticks 使用此参数与字体大小相关联。默认值为 None 并且此参数以整数格式保存值。
colormap	颜色图用于从中选择颜色。这个参数是字符串类型的。
colorbar	这是布尔类型，当设置为 true 时，它有助于绘制颜色条。
position	条形图和绘图布局特定的对齐方式。
table	当设置为 true 时，它使用与数据框关联的数据映射表。所以会使用matplotlib的默认布局来满足这个数据。如果传入了 Series 或 DataFrame，则使用传入的数据绘制表格。
yerr	误差线将显示更多细节，对应于 y 轴。
xerr	将显示误差线以获得更多详细信息。对应于 x 轴。
stacked	条形图。
sort_columns	绘图顺序是根据使用的列名确定的。
secondary_y	确定要绘制的列。
mark_right	在使用 secondary_y 轴时，标记会自动放置在列标签上。
*kwds	关键词。

Pandas DataFrame.plot() 示例

下面给出了提到的例子：

示例#1

代码：

import pandas as pd
import matplotlib.pyplot as plt
Core_Dataframe = pd.DataFrame( {
'name': ['Alan Xavier', 'Annabella', 'Janawong', 'Yistien', 'Robin sheperd', 'Amalapaul', 'Nori'],
'city': ['california', 'Toronto', 'Osaka', 'Shanghai',
'Manchester', 'california', 'Osaka'],
'age': [51, 38, 23, 63, 18, 51, 63],
'py-score': [82.0, 73.0, 81.0, 30.0, 48.0, 61.0, 84.0] })
print("   THE CORE DATAFRAME ")
print(Core_Dataframe)
print("")
Core_Dataframe.plot(x ='age', y='py-score', kind = 'bar')
plt.show()

输出：

解释：

在这个例子中，首先制定了核心数据帧。pd.dataframe() 用于制定数据帧。
数据框的每一行都连同它们的列名一起插入。一旦数据框被完全公式化，它就会被打印到控制台上。
我们可以注意到，在这种情况下，数据帧包含随机人员信息和这些人的 py_score 值。此数据框中使用的关键列是名称、年龄、城市和 py-score 值。生成的绘图条形图会打印到控制台上。

示例#2

代码：

import pandas as pd
import matplotlib.pyplot as plt
Core_Dataframe = pd.DataFrame({'A' :  [ 3.67, 6.66, 14.5, 13.4, 21.44, 10.344],
'B' :  [ 2.345, 745.5, 12.4, 13.4, 22.35, 10.344  ]})
print("   THE CORE DATAFRAME ")
print(Core_Dataframe)
print("")
Core_Dataframe.plot(x ='A', y='B', kind = 'scatter')
plt.show()

输出：