1、线形图

Series和DataFrame都有一个用于生成各类图表的plot方法。默认情况下，它们所生成的是线型图（如下图所示）：

In [1]: from pandas import Series,DataFrame

In [2]: import numpy as np

In [3]: s=Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))

In [4]: s.plot()

该Series对象的索引会被传给matplotlib，并用以绘制X轴。可以通过use_index=False禁用该功能。X轴的刻度和界限可以通过xticks和xlim选项进行调节，Y轴就用yticks和ylim。plot参数的完整列表请参见表一。

pandas的大部分绘图方法都有一个可选的ax参数，它可以是一个matplotlib的subplot对象。这使我们能够在网格布局中更为灵活地处理subplot的位置。

DataFrame的plot方法会在一个subplot中为各列绘制一条线，并自动创建图例，如下图所示：

In [21]: from pandas import Series,DataFrame

In [22]: df=DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D']                    ,index=np.arange(0,100,10))

In [23]: df.plot()
 

表一：Series.plot方法的参数

参数                     说明

label            用于图例的标签

ax             要在其上进行绘制的matplotlib subplot对象。如果没有设置，则使用当前matplotlib subplot

sytle          将要传给matplotlib的风格字符串（如‘ko--’）

alpha         图表的填充不透明度（0到1之间）

kind           可以是'line'、'bar'、'barh'、'kde'

logy           在Y轴上使用对数标尺

use_index  将对象的索引用作刻度标签

rot             旋转刻度标签（0到360）

xticks        用作X轴刻度的值

yticks        用作Y轴刻度的值

xlim           X轴的界限（例如[0,10]）

ylim          Y轴的界限

grid           显示轴网格线（默认打开）

 DataFrame还有一些用于列进行灵活处理的选项，例如，是要将所有列都绘制到一个subplot中还是创建各自的subplot。详细信息参见表二

表二：专用于DataFrame的plot的参数

参数               说明

subplot         将各个DataFrame列绘制到单独的subplot中

sharex         如果subplots=True，则共用同一个X轴，包括刻度和界限

sharey         如果subplots=True,则共用同一个Y轴

figsize           表示图像大小的元组

title               表示图像标题的字符串

legend         添加一个subplot图例（默认为True）

sort_columns  以字母表顺序绘制各列，默认使用当前列顺序

2、柱状图

在生成线形图的代码中加上kind='bar'（垂直柱状图）或kind='barh'（水平柱状图）即可生成柱状图。这时，Series和DataFrame的索引将会被用作X（bar）或Y（barh）刻度（如下图所示）：

data = pd.Series(np.random.rand(10),index=pd.date_range('20210101',
    periods=10,freq='d'))
fig,axes=plt.subplots(2,1)
data.plot(kind='bar',ax=axes[0],color='k',alpha=0.7)
data.plot(kind='barh',ax=axes[1],color='k',alpha=0.7)

对于DataFrame，柱状图会将每一行的值分为一组，如下图所示：

data = pd.DataFrame(np.random.rand(6,4),index=['one','two','three','four',
       'five','six'],columns=list('ABCD'))
data.plot(kind='bar',alpha=0.7)

注意，DataFrame各列的值被用作了图例的标题。设置stacked=True即可为DataFrame生成堆积柱状图，这样每行的值就会被堆积在一起（如下图所示）：

 data = pd.DataFrame(np.random.rand(6,4),index=['one','two','three','four',
       'five','six'],columns=list('ABCD'))
data.plot(kind='bar',stacked=True,alpha=0.7)

  

3、直方图和密度图

直方图（histogram）是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中，绘制的是各面元中数据点的数量。与此相关的一种图表类型是密度图，它是通过计算“可能会产生观测数据的连续概率分布的估计”而产生的。一般的过程是将该分布近似为一组核（即诸如正态（高斯）分布之类的较为简单的分布）。因此，密度图也被称作KDE（Kernel Density Estimate,核密度估计）图。调用plot时加上kind='kde'即可生成一张密度图（标准混合正态分布KDE）

这两种图表常常会被画在一起。直方图以规格化形式给出（以便给出面元化密度），然后再在其上绘制核密度估计。接下来来看一个由两个不同的标准正态分布组成的双峰分布：

import numpy as np
import scipy
comp1 = np.random.normal(0,1,size=200)
comp2 =np.random.normal(10,2,size=200)
values=pd.Series(np.concatenate([comp1,comp2]))
values.hist(bins=100,alpha=0.3,color='k',density=True)
values.plot(kind='kde',style='k--')

4、散点图

import numpy as np
import matplotlib.pyplot as plt
N=50
x=np.random.rand(N)
y=np.random.rand(N)
colors=np.random.rand(N)
area = (30*np.random.rand(N))**2
plt.scatter(x,y,s=area,c=colors,alpha=0.5)