共计 2375 个字符，预计需要花费 6 分钟才能阅读完成。
数据可视化是数据分析的一个重要方面，它提供了一种了解数据并从中得出有意义见解的办法。Pandas 是最常见的于数据分析的 Python 库，它基于 Matplotlib 扩大了一些罕用的可视化图表，能够不便的调用，本篇文章就让咱们看看有哪些图表能够间接应用。
在本文中，咱们介绍应用 Pandas 进行数据可视化的基础知识，包含创立简略图、自定义图以及应用多个 DF 进行绘图。
咱们将导入必要的库并加载示例数据集。
importpandasaspd
importmatplotlib.pyplotasplt
df=pd.read_csv("https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv")咱们应用泰坦尼克的示例数据集，蕴含有乘客的信息，包含他们的船舱等、年龄、票价和生存状态等信息。
创立简略的图
Pandas 的 plot 办法提供了创立根本图（例如线图、条形图和散点图）的简略办法。让咱们看几个例子。
线图
线图用于示意间断距离或时间段内的数据趋势。要创立线图，调用 plot 办法时须要将 kind 参数指定为 line。
df.plot(kind="line", x="age", y="fare")看着很乱对吧，这是因为咱们展现的数据无奈用线图进行示意，上面咱们用更好的图表示意年龄这个字段
直方图
咱们能够在字段后间接应用 hist 办法来生成数据的直方图
df.age.hist(figsize=(7.3,4), grid=False)这样是不是就高深莫测了，可能分明地看到年龄的散布状况
条形图
条形图用于示意分类数据，其中每个条代表一个特定类别。要创立条形图，能够 pandas DataFrame 上应用 plot 办法并将 kind 参数指定为 bar。
df["class"].value_counts().plot(kind="bar")饼图
饼图与条形图相似，然而它次要来查看数据的占比
df["embark_town"].value_counts().plot(kind="pie", rot=0)散点图
散点图用于示意两个连续变量之间的关系。要创立散点图应用 plot 办法将 kind 参数指定为 scatter。
df.plot(kind="scatter", x="age", y="fare")Plot 办法
Pandas 的可视化次要应用.plot() 办法，它有几个可选参数。其中最重要的是 kind 参数，它能够承受 11 个不同的字符串值，并依据这些值创立不同的图表：
- “area”面积图
- “bar”垂直条形图
- “barh”程度条形图
- “box”箱线图
- “hexbin”hexbin 图
- “hist”直方图。
- “kde”内核密度估计图表
- “density”是“kde”的别名
- “line”折线图
- “pie”饼图
- “scatter”散点图
如果你不指定 kind 参数，它的默认值为“line”。也就是折线图。如果不向 .plot() 提供任何参数，那么它会创立一个线图，其中索引位于 x 轴上，所有数字列位于 y 轴上。尽管这对于只有几列的数据集来说是一个有用的默认值，但对于大型数据集及其多个数字列来说，它看起就不好了。
还有就是：作为将字符串传递给 .plot() 的 kind 参数的代替办法，DataFrame 对象有几种办法可用于创立上述各种类型的图：
.area()
.bar()
.barh()
.box()
.hexbin()
.hist()
.kde()
.density()
.line()
.pie()
.scatter()还记得咱们第一个直方图的.hist 办法吗，他就是 kind=‘hist’的一个代替。
定制图表款式色彩
咱们还能够通过应用不同的参数来自定义图表的外观，例如标记的色彩、大小和形态、标签和题目。
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()就像咱们最后介绍的那样，pandas 绘图的底层是应用 Matplotlib，所以这些参数都是与 Matplotlib 统一的，咱们能够随便进行调整。
多个 DataFrame 绘图
Pandas 还没有提供多个 DataFrame 的办法，所以咱们只能应用 Matplotlib，就像上面这样：
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()总结
作为最罕用的数据分析库 Pandas 提供了一种创立图表的简略办法，这种办法能够帮咱们疾速对数据集进行简略的剖析，疾速的理解数据集的状况。如果须要对数据进行更高级的可视化，能够应用 Seaborn、Plotly 等更高级的库。
Panda 的可视化文档在这里，有趣味的能够具体查看：
https://avoid.overfit.cn/post/1c48aa67ac3045d490bba284f625d8b0
心愿本文对你有所帮忙。
