數據可視化是數據分析的一個重要方面，它提供了一種理解數據并從中得出有意義見解的方法。Pandas 是最常見的于數據分析的 Python 庫，它基于Matplotlib擴展了一些常用的可視化圖表，可以方便的調用，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 進行數據可視化的基礎知識，包括創(chuàng)建簡單圖、自定義圖以及使用多個DF進行繪圖。

我們將導入必要的庫并加載示例數據集。

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據集，包含有乘客的信息，包括他們的船艙等、年齡、票價和生存狀態(tài)等信息。

創(chuàng)建簡單的圖

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

線圖

線圖用于表示連續(xù)間隔或時間段內的數據趨勢。要創(chuàng)建線圖，調用plot 方法時需要將 kind 參數指定為 line。

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

看著很亂對吧，這是因為我們展示的數據無法用線圖進行表示，下面我們用更好的圖表表示年齡這個字段

直方圖

我們可以在字段后直接使用hist方法來生成數據的直方圖

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據，其中每個條代表一個特定類別。要創(chuàng)建條形圖，可以 pandas DataFrame 上使用 plot 方法并將 kind 參數指定為 bar。

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

餅圖

餅圖與條形圖類似，但是它主要來查看數據的占比

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

散點圖

散點圖用于表示兩個連續(xù)變量之間的關系。要創(chuàng)建散點圖使用 plot 方法將 kind 參數指定為 scatter。

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

Plot方法

Pandas的可視化主要使用.plot()方法，它有幾個可選參數。其中最重要的是kind 參數，它可以接受 11 個不同的字符串值，并根據這些值創(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”內核密度估計圖表
8. “density”是“kde”的別名
9. “l(fā)ine”折線圖
10. “pie”餅圖
11. “scatter”散點圖

如果你不指定kind 參數，它的默認值為“l(fā)ine”。也就是折線圖。如果不向 .plot() 提供任何參數，那么它會創(chuàng)建一個線圖，其中索引位于 x 軸上，所有數字列位于 y 軸上。雖然這對于只有幾列的數據集來說是一個有用的默認值，但對于大型數據集及其多個數字列來說，它看起就不好了。

還有就是：作為將字符串傳遞給 .plot() 的 kind 參數的替代方法，DataFrame 對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()

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

定制圖表樣式顏色

我們還可以通過使用不同的參數來自定義圖表的外觀，例如標記的顏色、大小和形狀、標簽和標題。

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，所以這些參數都是與Matplotlib一致的，我們可以隨意進行調整。

多個DataFrame繪圖

Pandas還沒有提供多個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

作為最常用的數據分析庫 Pandas 提供了一種創(chuàng)建圖表的簡單方法，這種方法可以幫我們快速對數據集進行簡單的分析，快速的了解數據集的情況。如果需要對數據進行更高級的可視化，可以使用Seaborn、Plotly等更高級的庫。