matplotlib Series.plot()---柱状图、直方图、密度图、线形图

pandas.Series.plot

Series.plot(kind='line', ax=None, figsize=None, use_index=True, title=None, grid=None, legend=False, 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, label=None, secondary_y=False, **kwds)¶

功能：画柱状图、直方图、密度图、线形图

参数：

 

1.柱状图(kind='bar')

优点：人眼对高度较敏感，直观各组数据差异性，强调个体与个体之间的比较
缺点：不适合大量的数据集数据（项数较多）
适用场景：一个维度数据比较、数据单纯性展示、排序数据展示
适用数据：数据集不大， 二维数据

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 雅黑字体
mpl.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt
fig = plt.figure()
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei']   # 雅黑字体
mpl.rcParams['axes.unicode_minus'] = False
fig.set(alpha=0.5)  # 设定图表颜色alpha参数
data_train.Survived.value_counts().plot(kind='bar')#柱状图 plots a bar graph of those who surived vs those who did not. 
plt.title(u"获救情况 (1为获救)") # puts a title on our graph
plt.ylabel(u"人数")  

2.柱状图(kind='bar')

sns.countplot(x='SibSp',hue='Survived',data=df)

 

多分类累积柱状图

3.直方图(kind='hist')

　　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。

4.密度图(kind='kde')

data_train.Age[data_train.Pclass == 1].plot(kind = 'kde')
data_train.Age[data_train.Pclass == 2].plot(kind = 'kde')
data_train.Age[data_train.Pclass == 3].plot(kind = 'kde')
plt.xlabel('年龄')
plt.ylabel('密度')
plt.title('各等级的乘客年龄分布')
plt.legend(('头等舱','二等舱','三等舱'),loc = 'best')

　　

4.线性图(kind='line')

折线图分为 直线折线图和曲线折线图，直线折线图一般适用于离散变量，曲线折线图一般适用于连续变量。
优点：直观反映数据变化趋势
缺点：数据集太小时显示不直观
适用场景：需要反映变化趋势，关联性。
适用数据：时间序列类数据、关联类数据（如电流跟随电压变化而变化）

　　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。这是你能够在网络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

df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), columns=list('ABCD'), index=np.arange(0, 100, 10))
df.plot()
plt.show()

举例：画验证集的学习曲线

5.饼图（kind='pie'）

优点： 直观显示各项占总体的占比，分布情况，强调整个与个体间的比较。
缺点：数据不精细，不适合分类较多的情况
适用场景：一个维度各项指标（一般不超过5个项目）占总体的占比情况，分布情况。（例如：不同状态下的车辆分布，公司内各个团队营收收入）
适用数据：具有整体意义的各项相同数据