數(shù)據(jù)可視化是數(shù)據(jù)分析的一個(gè)重要方面，它提供了一種理解數(shù)據(jù)并從中得出有意義見(jiàn)解的方法。Pandas 是最常見(jiàn)的于數(shù)據(jù)分析的 Python 庫(kù)，它基于Matplotlib擴(kuò)展了一些常用的可視化圖表，可以方便的調(diào)用，本篇文章就讓我們看看有哪些圖表可以直接使用。

在本文中，我們介紹使用 Pandas 進(jìn)行數(shù)據(jù)可視化的基礎(chǔ)知識(shí)，包括創(chuàng)建簡(jiǎn)單圖、自定義圖以及使用多個(gè)DF進(jìn)行繪圖。

我們將導(dǎo)入必要的庫(kù)并加載示例數(shù)據(jù)集。

import pandas as pd
 import matplotlib.pyplot as plt
 df = pd.read_csv("https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv")

我們使用泰坦尼克的示例數(shù)據(jù)集，包含有乘客的信息，包括他們的船艙等、年齡、票價(jià)和生存狀態(tài)等信息。

創(chuàng)建簡(jiǎn)單的圖

Pandas的 plot 方法提供了創(chuàng)建基本圖（例如線圖、條形圖和散點(diǎn)圖）的簡(jiǎn)單方法。讓我們看幾個(gè)例子。

線圖

線圖用于表示連續(xù)間隔或時(shí)間段內(nèi)的數(shù)據(jù)趨勢(shì)。要?jiǎng)?chuàng)建線圖，調(diào)用plot 方法時(shí)需要將 kind 參數(shù)指定為 line。

df.plot(kind="line", x="age", y="fare")

看著很亂對(duì)吧，這是因?yàn)槲覀冋故镜臄?shù)據(jù)無(wú)法用線圖進(jìn)行表示，下面我們用更好的圖表表示年齡這個(gè)字段

直方圖

我們可以在字段后直接使用hist方法來(lái)生成數(shù)據(jù)的直方圖

df.age.hist(figsize=(7.3,4), grid=False)

這樣是不是就一目了然了，能夠清楚地看到年齡的分布情況

條形圖

條形圖用于表示分類數(shù)據(jù)，其中每個(gè)條代表一個(gè)特定類別。要?jiǎng)?chuàng)建條形圖，可以 pandas DataFrame 上使用 plot 方法并將 kind 參數(shù)指定為 bar。

df["class"].value_counts().plot(kind="bar")

餅圖

餅圖與條形圖類似，但是它主要來(lái)查看數(shù)據(jù)的占比

df["embark_town"].value_counts().plot(kind="pie", rot=0)

散點(diǎn)圖

散點(diǎn)圖用于表示兩個(gè)連續(xù)變量之間的關(guān)系。要?jiǎng)?chuàng)建散點(diǎn)圖使用 plot 方法將 kind 參數(shù)指定為 scatter。

df.plot(kind="scatter", x="age", y="fare")

Plot方法

Pandas的可視化主要使用.plot()方法，它有幾個(gè)可選參數(shù)。其中最重要的是kind 參數(shù)，它可以接受 11 個(gè)不同的字符串值，并根據(jù)這些值創(chuàng)建不同的圖表：

1. “area”面積圖
2. “bar”垂直條形圖
3. “barh”水平條形圖
4. “box”箱線圖
5. “hexbin” hexbin 圖
6. “hist”直方圖。
7. “kde”內(nèi)核密度估計(jì)圖表
8. “density”是“kde”的別名
9. “line”折線圖
10. “pie”餅圖
11. “scatter”散點(diǎn)圖

如果你不指定kind 參數(shù)，它的默認(rèn)值為“line”。也就是折線圖。如果不向 .plot() 提供任何參數(shù)，那么它會(huì)創(chuàng)建一個(gè)線圖，其中索引位于 x 軸上，所有數(shù)字列位于 y 軸上。雖然這對(duì)于只有幾列的數(shù)據(jù)集來(lái)說(shuō)是一個(gè)有用的默認(rèn)值，但對(duì)于大型數(shù)據(jù)集及其多個(gè)數(shù)字列來(lái)說(shuō)，它看起就不好了。

還有就是：作為將字符串傳遞給 .plot() 的 kind 參數(shù)的替代方法，DataFrame 對(duì)象有幾種方法可用于創(chuàng)建上述各種類型的圖：

.area()
    .bar()
    .barh()
    .box()
    .hexbin()
    .hist()
    .kde()
    .density()
    .line()
    .pie()
    .scatter()

還記得我們第一個(gè)直方圖的.hist方法嗎，他就是kind=‘hist’的一個(gè)替代。

定制圖表樣式顏色

我們還可以通過(guò)使用不同的參數(shù)來(lái)自定義圖表的外觀，例如標(biāo)記的顏色、大小和形狀、標(biāo)簽和標(biāo)題。

df.plot(kind="scatter", x="age", y="fare", color="red", alpha=0.5)
 plt.xlabel("Age")
 plt.ylabel("Fare")
 plt.title("Relationship between Age and Fare")
 plt.show()

就像我們最初介紹的那樣，pandas繪圖的底層是使用Matplotlib，所以這些參數(shù)都是與Matplotlib一致的，我們可以隨意進(jìn)行調(diào)整。

多個(gè)DataFrame繪圖

Pandas還沒(méi)有提供多個(gè)DataFrame的方法，所以我們只能使用Matplotlib，就像下面這樣：

df_survived = df[df["survived"] == 1]
 df_not_survived = df[df["survived"] == 0]
 
 plt.scatter(df_survived["age"], df_survived["fare"], color="green", label="Survived")
 plt.scatter(df_not_survived["age"], df_not_survived["fare"], color="red", label="Not Survived")
 plt.xlabel("Age")
 plt.ylabel("Fare")
 plt.title("Relationship between Age and Fare")
 plt.legend()
 plt.show()

總結(jié)

作為最常用的數(shù)據(jù)分析庫(kù) Pandas 提供了一種創(chuàng)建圖表的簡(jiǎn)單方法，這種方法可以幫我們快速對(duì)數(shù)據(jù)集進(jìn)行簡(jiǎn)單的分析，快速的了解數(shù)據(jù)集的情況。如果需要對(duì)數(shù)據(jù)進(jìn)行更高級(jí)的可視化，可以使用Seaborn、Plotly等更高級(jí)的庫(kù)。