Pandas绘图

简介: Pandas绘图Pandas的绘图方法封装了Matplotlib的pyplot方法,可以提供简单的绘图功能,对于DataFrame来说,.

Pandas绘图

Pandas的绘图方法封装了Matplotlib的pyplot方法,可以提供简单的绘图功能,对于DataFrame来说,.plot是一种将所有列及其标签进行绘制的简便方法

不常用,实际应用中,一般仍使用Matplotlib绘图

Jupyter notebook中如不显示Pandas绘制图像,解决方法:

  • 载入import Matplotlib.pyplot as plt,Pandas绘图代码最后加 plt.show()
  • 或者直接载入IPython魔术命令 %matplotlib inline,或%pylab inline(不推荐)(非IPython的py文档载入 from pylab import *
import numpy as np
import pandas as pd
%matplotlib inline

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))
ts.head()
2000-01-01    1.005784
2000-01-02    1.643257
2000-01-03   -1.071704
2000-01-04    0.242069
2000-01-05   -0.136696
Freq: D, dtype: float64
ts.plot()

ts

ts_cumsum01 = ts.cumsum() # cumsum 累加
ts_cumsum01.plot()
<matplotlib.axes._subplots.AxesSubplot at 0x220c8281390>

这里写图片描述
png

在DataFrame中,plot()可以绘制所有带有标签的列

df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index,columns=['A', 'B', 'C', 'D'])
df.head()
A B C D
2000-01-01 1.126518 0.543304 0.275398 0.484449
2000-01-02 0.338547 -0.585352 -0.910767 -1.470676
2000-01-03 -1.738527 1.137119 -0.886466 0.913649
2000-01-04 -0.335878 -1.697271 1.406224 -0.101550
2000-01-05 0.609466 1.164434 -0.452121 0.690371
df.plot()

df.plot()

df_cumsum = df.cumsum()
df_cumsum.head()
A B C D
2000-01-01 1.126518 0.543304 0.275398 0.484449
2000-01-02 1.465065 -0.042048 -0.635369 -0.986227
2000-01-03 -0.273462 1.095071 -1.521835 -0.072578
2000-01-04 -0.609340 -0.602201 -0.115611 -0.174128
2000-01-05 0.000126 0.562233 -0.567733 0.516243
df_cumsum.plot()
<matplotlib.axes._subplots.AxesSubplot at 0x220c945b7b8>

df_cumsum

目录
相关文章
|
8月前
|
数据可视化 数据挖掘 索引
pandas数据分析之数据绘图
一图胜千言,将信息可视化(绘图)是数据分析中最重要的工作之一。它除了让人们对数据更加直观以外,还可以帮助我们找出异常值、必要的数据转换、得出有关模型的想法等等。pandas 在数据分析、数据可视化方面有着较为广泛的应用。本文将通过实例介绍pandas的数据绘图。
128 0
|
数据可视化 开发者 索引
pandas 绘图操作|学习笔记
快速学习 pandas 绘图操作
173 0
pandas 绘图操作|学习笔记
|
18天前
|
数据挖掘 数据处理 索引
python常用pandas函数nlargest / nsmallest及其手动实现
python常用pandas函数nlargest / nsmallest及其手动实现
35 0
|
18天前
|
Python
如何使用Python的Pandas库进行数据透视图(melt/cast)操作?
Pandas的`melt()`和`pivot()`函数用于数据透视。基本步骤:导入pandas,创建DataFrame,然后使用这两个函数变换数据。示例代码:导入pandas,定义一个包含&#39;Name&#39;和&#39;Age&#39;列的DataFrame,使用`melt()`转为长格式,再用`pivot()`恢复为宽格式。
26 1
|
19天前
|
数据处理 Python
如何使用Python的Pandas库进行数据排序和排名
【4月更文挑战第22天】Pandas Python库提供数据排序和排名功能。使用`sort_values()`按列进行升序或降序排序,如`df.sort_values(by=&#39;A&#39;, ascending=False)`。`rank()`函数用于计算排名,如`df[&#39;A&#39;].rank(ascending=False)`。多列操作可传入列名列表,如`df.sort_values(by=[&#39;A&#39;, &#39;B&#39;], ascending=[True, False])`和分别对&#39;A&#39;、&#39;B&#39;列排名。
24 2
|
20天前
|
索引 Python
如何使用Python的Pandas库进行数据合并和拼接?
Pandas的`merge()`函数用于数据合并,如示例所示,根据&#39;key&#39;列对两个DataFrame执行内连接。`concat()`函数用于数据拼接,沿轴0(行)拼接两个DataFrame,并忽略原索引。
36 2
|
20天前
|
数据挖掘 索引 Python
如何在Python中,Pandas库实现对数据的时间序列分析?
【4月更文挑战第21天】Pandas在Python中提供了丰富的时间序列分析功能,如创建时间序列`pd.date_range()`,转换为DataFrame,设置时间索引`set_index()`,重采样`resample()`(示例:按月`&#39;M&#39;`和季度`&#39;Q&#39;`),移动窗口计算`rolling()`(如3个月移动平均)以及季节性调整`seasonal_decompose()`。这些工具适用于各种时间序列数据分析任务。
20 2
|
20天前
|
索引 Python
如何在Python中使用Pandas库进行季节性调整?
在Python中使用Pandas和Statsmodels进行季节性调整的步骤包括:导入pandas和seasonal_decompose模块,准备时间序列DataFrame,调用`seasonal_decompose()`函数分解数据为趋势、季节性和残差,可选地绘制图表分析,以及根据需求去除季节性影响(如将原始数据减去季节性成分)。这是对时间序列数据进行季节性分析的基础流程。
29 2
|
22小时前
|
数据采集 数据可视化 数据挖掘
如何利用Python中的Pandas库进行数据分析和可视化
Python的Pandas库是一种功能强大的工具,可以用于数据分析和处理。本文将介绍如何使用Pandas库进行数据分析和可视化,包括数据导入、清洗、转换以及基本的统计分析和图表绘制。通过学习本文,读者将能够掌握利用Python中的Pandas库进行高效数据处理和可视化的技能。
|
4天前
|
存储 JavaScript 前端开发
Python网络数据抓取(5):Pandas
Python网络数据抓取(5):Pandas
28 8