Pandas 2.2 中文官方教程和指南（十八）（1）https://developer.aliyun.com/article/1509791
关键字 c 可以作为列的名称，为每个点提供颜色：
In [75]: df.plot.scatter(x="a", y="b", c="c", s=50);
如果传递给 c 的是一个分类列，则会生成一个离散的颜色条：
新版本 1.3.0 中添加。
In [76]: df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50);
你可以传递 matplotlib 支持的其他关键字给 scatter。下面的示例展示了使用 DataFrame 列作为气泡大小的气泡图。
In [77]: df.plot.scatter(x="a", y="b", s=df["c"] * 200);
查看 scatter 方法和 matplotlib scatter 文档 了解更多。### 六边形 bin 图
你可以使用 DataFrame.plot.hexbin() 创建六边形 bin 图。如果你的数据过于密集而无法单独绘制每个点，则六边形 bin 图可以作为散点图的有用替代品。
In [78]: df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"]) In [79]: df["b"] = df["b"] + np.arange(1000) In [80]: df.plot.hexbin(x="a", y="b", gridsize=25);
一个有用的关键字参数是 gridsize；它控制 x 方向上的六边形数量，默认为 100。更大的 gridsize 意味着更多、更小的 bins。
默认情况下，计算每个 (x, y) 点周围的计数直方图。你可以通过将值传递给 C 和 reduce_C_function 参数来指定替代聚合。C 指定每个 (x, y) 点的值，而 reduce_C_function 是一个函数，接受一个参数，将一个 bin 中的所有值减少到一个单一的数字（例如 mean、max、sum、std）。在这个示例中，位置由列 a 和 b 给出，而值由列 z 给出。使用 NumPy 的 max 函数对 bins 进行聚合。
In [81]: df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"]) In [82]: df["b"] = df["b"] + np.arange(1000) In [83]: df["z"] = np.random.uniform(0, 3, 1000) In [84]: df.plot.hexbin(x="a", y="b", C="z", reduce_C_function=np.max, gridsize=25);
查看 hexbin 方法和 matplotlib hexbin 文档 了解更多。### 饼图
您可以使用DataFrame.plot.pie()或Series.plot.pie()创建饼图。如果您的数据包含任何NaN，它们将自动填充为 0。如果数据中有任何负值，将引发ValueError。
In [85]: series = pd.Series(3 * np.random.rand(4), index=["a", "b", "c", "d"], name="series") In [86]: series.plot.pie(figsize=(6, 6));
对于饼图，最好使用正方形图形，即图形纵横比为 1。您可以创建宽度和高度相等的图形，或者在绘图后通过调用ax.set_aspect('equal')来强制纵横比相等。
请注意，使用DataFrame创建饼图需要通过y参数指定目标列或subplots=True。当指定y时，将绘制所选列的饼图。如果指定了subplots=True，将为每列绘制饼图子图。默认情况下，每个饼图中都会绘制图例；指定legend=False以隐藏图例。
In [87]: df = pd.DataFrame( ....: 3 * np.random.rand(4, 2), index=["a", "b", "c", "d"], columns=["x", "y"] ....: ) ....: In [88]: df.plot.pie(subplots=True, figsize=(8, 4));
您可以使用labels和colors关键字来指定每个楔形的标签和颜色。
警告
大多数 pandas 绘图使用label和color参数（请注意这两个参数上没有“s”）。为了与matplotlib.pyplot.pie()保持一致，您必须使用labels和colors。
如果要隐藏楔形标签，请指定labels=None。如果指定了fontsize，则该值将应用于楔形标签。此外，matplotlib.pyplot.pie()支持的其他关键字也可以使用。
In [89]: series.plot.pie( ....: labels=["AA", "BB", "CC", "DD"], ....: colors=["r", "g", "b", "c"], ....: autopct="%.2f", ....: fontsize=20, ....: figsize=(6, 6), ....: ); ....:
如果传递的值总和小于 1.0，则它们将被重新缩放，使其总和为 1。
In [90]: series = pd.Series([0.1] * 4, index=["a", "b", "c", "d"], name="series2") In [91]: series.plot.pie(figsize=(6, 6));
查看更多内容，请参阅matplotlib 饼图文档。 ## 使用缺失数据绘图
pandas 在绘制包含缺失数据的DataFrame或Series时会尝试实用。根据绘图类型，缺失值将被删除、省略或填充。
| 绘图类型 | NaN 处理 |
| 折线图 | 在 NaN 处留空 |
| 折线图（堆叠） | 填充 0 |
| 条形图 | 填充 0 |
| 散点图 | 删除 NaN |
| 直方图 | 删除 NaN（列） |
| 箱线图 | 删除 NaN（列） |
| 面积图 | 填充 0 |
| KDE | 删除 NaN（列） |
| 六边形图 | 删除 NaN |
| 饼图 | 填充 0 |
如果默认设置不符合您的要求，或者您想明确指定如何处理缺失值，请考虑在绘图之前使用fillna()或dropna()。## 绘图工具
这些函数可以从pandas.plotting中导入，并将Series或DataFrame作为参数。
散点矩阵图
你可以使用pandas.plotting中的scatter_matrix方法创建散点图矩阵：
In [92]: from pandas.plotting import scatter_matrix In [93]: df = pd.DataFrame(np.random.randn(1000, 4), columns=["a", "b", "c", "d"]) In [94]: scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal="kde");
### 密度图
你可以使用Series.plot.kde()和DataFrame.plot.kde()方法创建密度图。
In [95]: ser = pd.Series(np.random.randn(1000)) In [96]: ser.plot.kde();
### 安德鲁斯曲线
安德鲁斯曲线允许我们将多变量数据绘制为大量曲线，这些曲线是使用样本属性作为傅立叶级数的系数创建的，详见维基百科条目。通过为每个类别的曲线着不同颜色，可以可视化数据聚类。属于同一类别样本的曲线通常会更接近并形成更大的结构。
注意：可在此处获取“Iris”数据集。
In [97]: from pandas.plotting import andrews_curves In [98]: data = pd.read_csv("data/iris.data") In [99]: plt.figure(); In [100]: andrews_curves(data, "Name");
### 平行坐标
平行坐标是一种用于绘制多变量数据的绘图技术，详见维基百科条目。平行坐标允许我们看到数据中的聚类，并通过视觉估计其他统计数据。使用平行坐标，点被表示为连接的线段。每条垂直线代表一个属性。一组连接的线段代表一个数据点。倾向于聚类的点会更接近。
In [101]: from pandas.plotting import parallel_coordinates In [102]: data = pd.read_csv("data/iris.data") In [103]: plt.figure(); In [104]: parallel_coordinates(data, "Name");
### 滞后图
滞后图用于检查数据集或时间序列是否是随机的。随机数据不应在滞后图中显示任何结构。非随机结构意味着底层数据不是随机的。可以传递lag参数，当lag=1时，图形基本上是data[:-1] vs. data[1:]。
In [105]: from pandas.plotting import lag_plot In [106]: plt.figure(); In [107]: spacing = np.linspace(-99 * np.pi, 99 * np.pi, num=1000) In [108]: data = pd.Series(0.1 * np.random.rand(1000) + 0.9 * np.sin(spacing)) In [109]: lag_plot(data);
### 自相关图
自相关图通常用于检查时间序列中的随机性。这是通过计算不同时间滞后处的数据值的自相关来实现的。如果时间序列是随机的，这些自相关应该在任何时间滞后分离处接近零。如果时间序列是非随机的，那么一个或多个自相关将显着非零。图中显示的水平线对应于 95%和 99%的置信区间。虚线是 99%的置信区间。有关自相关图的更多信息，请参阅Wikipedia 条目。
In [110]: from pandas.plotting import autocorrelation_plot In [111]: plt.figure(); In [112]: spacing = np.linspace(-9 * np.pi, 9 * np.pi, num=1000) In [113]: data = pd.Series(0.7 * np.random.rand(1000) + 0.3 * np.sin(spacing)) In [114]: autocorrelation_plot(data);
### Bootstrap 图
Bootstrap 图用于直观评估统计量（如均值、中位数、中程等）的不确定性。从数据集中选择指定大小的随机子集，计算该子集的统计量，然后重复该过程指定次数。生成的图和直方图构成了 Bootstrap 图。
In [115]: from pandas.plotting import bootstrap_plot In [116]: data = pd.Series(np.random.rand(1000)) In [117]: bootstrap_plot(data, size=50, samples=500, color="grey");
### RadViz
RadViz 是一种可视化多变量数据的方法。它基于简单的弹簧张力最小化算法。基本上，您在平面上设置一堆点。在我们的情况下，它们在单位圆上等距分布。每个点代表一个单独的属性。然后，您假装数据集中的每个样本都通过弹簧连接到这些点，弹簧的刚度与该属性的数值成比例（它们被归一化为单位间隔）。我们的样本定居到的平面上的点（在我们的样本上作用的力处于平衡状态的地方）是我们的样本将被绘制的点。根据该样本属于哪个类别，它将以不同的颜色着色。有关更多信息，请参阅 R 包Radviz。
注意: “鸢尾花”数据集可在此处获取。
In [118]: from pandas.plotting import radviz In [119]: data = pd.read_csv("data/iris.data") In [120]: plt.figure(); In [121]: radviz(data, "Name");
## 绘图格式
设置绘图样式
从 1.5 版本开始，matplotlib 提供了一系列预配置的绘图样式。设置样式可用于轻松地给出所需的绘图外观。在创建绘图之前调用matplotlib.style.use(my_plot_style)即可设置样式。例如，您可以写matplotlib.style.use('ggplot')以获得 ggplot 风格的绘图。
您可以在matplotlib.style.available中看到各种可用的样式名称，并且很容易尝试它们。
一般绘图样式参数
大多数绘图方法都有一组关键字参数，用于控制返回绘图的布局和格式：
In [122]: plt.figure(); In [123]: ts.plot(style="k--", label="Series");
对于每种类型的图（例如 line、bar、scatter），将任何附加的参数关键字传递给相应的 matplotlib 函数（ax.plot()、ax.bar()、ax.scatter()）。 这些可以用来控制额外的样式，超出了 pandas 提供的范围。
控制图例
您可以将 legend 参数设置为 False 以隐藏默认显示的图例。
In [124]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD")) In [125]: df = df.cumsum() In [126]: df.plot(legend=False);
控制标签
您可以设置 xlabel 和 ylabel 参数以为绘图设置自定义标签，用于 x 和 y 轴。 默认情况下，pandas 将采用索引名称作为 xlabel，同时将其留空作为 ylabel。
In [127]: df.plot(); In [128]: df.plot(xlabel="new x", ylabel="new y");
比例
你可以传递logy以获得对数刻度 Y 轴。
In [129]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000)) In [130]: ts = np.exp(ts.cumsum()) In [131]: ts.plot(logy=True);
还请参阅 logx 和 loglog 关键字参数。
在次要 y 轴上绘图
要在次要 y 轴上绘制数据，请使用 secondary_y 关键字：
In [132]: df["A"].plot(); In [133]: df["B"].plot(secondary_y=True, style="g");
要在 DataFrame 中绘制某些列，请将列名传递给 secondary_y 关键字：
In [134]: plt.figure(); In [135]: ax = df.plot(secondary_y=["A", "B"]) In [136]: ax.set_ylabel("CD scale"); In [137]: ax.right_ax.set_ylabel("AB scale");
请注意，在图例中，自动标记在次要 y 轴上绘制的列为“(right)” 。 要关闭自动标记，请使用 mark_right=False 关键字：
In [138]: plt.figure(); In [139]: df.plot(secondary_y=["A", "B"], mark_right=False);
### 时间序列图的自定义格式化程序
pandas 为时间序列图提供了自定义格式化程序。 这些更改日期和时间的轴标签的格式。 默认情况下，自定义格式化程序仅应用于由 pandas 使用 DataFrame.plot() 或 Series.plot() 创建的图。 要使它们应用于所有图，包括由 matplotlib 制作的图，请设置选项 pd.options.plotting.matplotlib.register_converters = True 或使用 pandas.plotting.register_matplotlib_converters()。
抑制刻度分辨率调整
pandas 包括用于常规频率时间序列数据的自动刻度分辨率调整。对于 pandas 无法推断频率信息的有限情况（例如，在外部创建的twinx中），您可以选择抑制此行为以进行对齐。
这是默认行为，请注意 x 轴刻度标签的执行方式：
In [140]: plt.figure(); In [141]: df["A"].plot();
使用x_compat参数，您可以抑制此行为：
In [142]: plt.figure(); In [143]: df["A"].plot(x_compat=True);
如果有多个需要抑制的图，可以在with语句中使用pandas.plotting.plot_params中的use方法：
In [144]: plt.figure(); In [145]: with pd.plotting.plot_params.use("x_compat", True): .....: df["A"].plot(color="r") .....: df["B"].plot(color="g") .....: df["C"].plot(color="b") .....:
自动日期刻度调整
TimedeltaIndex现在使用本机 matplotlib 刻度定位器方法，对于刻度标签重叠的图形，调用 matplotlib 的自动日期刻度调整非常有用。
有关更多信息，请参阅autofmt_xdate方法和matplotlib 文档。
子图
DataFrame中的每个Series可以使用subplots关键字在不同的轴上绘制：
In [146]: df.plot(subplots=True, figsize=(6, 6));
使用布局并针对多个轴
子图的布局可以通过layout关键字指定。它可以接受(行数，列数)。layout关键字也可以在hist和boxplot中使用。如果输入无效，将引发ValueError。
由layout指定的行 x 列包含的轴数必须大于所需子图的数量。如果layout可以容纳更多轴，那么空白轴将不会被绘制。类似于 NumPy 数组的reshape方法，您可以在一个维度上使用-1来自动计算所需的行数或列数，给定另一个维度。
In [147]: df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False);
上面的示例与使用以下内容相同：
In [148]: df.plot(subplots=True, layout=(2, -1), figsize=(6, 6), sharex=False);
所需的列数（3）是从要绘制的系列数和给定的行数（2）推断出来的。
您可以通过ax关键字以类似列表的方式传递预先创建的多个轴。这允许更复杂的布局。传递的轴必须与正在绘制的子图数量相同。
当通过ax关键字传递多个轴时，layout、sharex和sharey关键字不会影响输出。您应该明确传递sharex=False和sharey=False，否则将会看到警告。
In [149]: fig, axes = plt.subplots(4, 4, figsize=(9, 9)) In [150]: plt.subplots_adjust(wspace=0.5, hspace=0.5) In [151]: target1 = [axes[0][0], axes[1][1], axes[2][2], axes[3][3]] In [152]: target2 = [axes[3][0], axes[2][1], axes[1][2], axes[0][3]] In [153]: df.plot(subplots=True, ax=target1, legend=False, sharex=False, sharey=False); In [154]: (-df).plot(subplots=True, ax=target2, legend=False, sharex=False, sharey=False);
另一个选项是通过在Series.plot()中传递一个ax参数来在特定轴上绘制：
In [155]: np.random.seed(123456) In [156]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000)) In [157]: ts = ts.cumsum() In [158]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD")) In [159]: df = df.cumsum()
In [160]: fig, axes = plt.subplots(nrows=2, ncols=2) In [161]: plt.subplots_adjust(wspace=0.2, hspace=0.5) In [162]: df["A"].plot(ax=axes[0, 0]); In [163]: axes[0, 0].set_title("A"); In [164]: df["B"].plot(ax=axes[0, 1]); In [165]: axes[0, 1].set_title("B"); In [166]: df["C"].plot(ax=axes[1, 0]); In [167]: axes[1, 0].set_title("C"); In [168]: df["D"].plot(ax=axes[1, 1]); In [169]: axes[1, 1].set_title("D");
### 带有误差条的绘图
在DataFrame.plot() 和 Series.plot() 中支持使用误差条绘图。
水平和垂直误差条可以分别通过 xerr 和 yerr 关键字参数传递给 plot()。误差值可以使用多种格式指定：
- 作为与绘图的
DataFrame的列名匹配的误差的DataFrame或字典，或与Series的name属性匹配的误差。 - 作为一个字符串，指示绘图的
DataFrame中哪些列包含误差值。 - 作为原始值（
list、tuple或np.ndarray）。必须与绘图的DataFrame/Series的长度相同。
下面是从原始数据轻松绘制组均值和标准差的一个示例。
# Generate the data In [170]: ix3 = pd.MultiIndex.from_arrays( .....: [ .....: ["a", "a", "a", "a", "a", "b", "b", "b", "b", "b"], .....: ["foo", "foo", "foo", "bar", "bar", "foo", "foo", "bar", "bar", "bar"], .....: ], .....: names=["letter", "word"], .....: ) .....: In [171]: df3 = pd.DataFrame( .....: { .....: "data1": [9, 3, 2, 4, 3, 2, 4, 6, 3, 2], .....: "data2": [9, 6, 5, 7, 5, 4, 5, 6, 5, 1], .....: }, .....: index=ix3, .....: ) .....: # Group by index labels and take the means and standard deviations # for each group In [172]: gp3 = df3.groupby(level=("letter", "word")) In [173]: means = gp3.mean() In [174]: errors = gp3.std() In [175]: means Out[175]: data1 data2 letter word a bar 3.500000 6.000000 foo 4.666667 6.666667 b bar 3.666667 4.000000 foo 3.000000 4.500000 In [176]: errors Out[176]: data1 data2 letter word a bar 0.707107 1.414214 foo 3.785939 2.081666 b bar 2.081666 2.645751 foo 1.414214 0.707107 # Plot In [177]: fig, ax = plt.subplots() In [178]: means.plot.bar(yerr=errors, ax=ax, capsize=4, rot=0);
在这种情况下，也支持不对称误差条，但必须提供原始误差值。对于长度为N的 Series，应提供一个 2xN 的数组，表示下限和上限（或左右）误差。对于 MxN 的DataFrame，不对称误差应该是一个 Mx2xN 的数组。
下面是使用不对称误差条绘制最小/最大范围的一个示例。
In [179]: mins = gp3.min() In [180]: maxs = gp3.max() # errors should be positive, and defined in the order of lower, upper In [181]: errors = [[means[c] - mins[c], maxs[c] - means[c]] for c in df3.columns] # Plot In [182]: fig, ax = plt.subplots() In [183]: means.plot.bar(yerr=errors, ax=ax, capsize=4, rot=0);
### 绘制表格
使用 matplotlib 表格绘图现在支持在DataFrame.plot() 和 Series.plot() 中使用 table 关键字。table 关键字可以接受 bool、DataFrame 或 Series。绘制表格的简单方法是指定 table=True。数据将被转置以符合 matplotlib 的默认布局。
In [184]: np.random.seed(123456) In [185]: fig, ax = plt.subplots(1, 1, figsize=(7, 6.5)) In [186]: df = pd.DataFrame(np.random.rand(5, 3), columns=["a", "b", "c"]) In [187]: ax.xaxis.tick_top() # Display x-axis ticks on top. In [188]: df.plot(table=True, ax=ax);
此外，您可以传递不同的 DataFrame 或 Series 给 table 关键字。数据将按照 print 方法中显示的方式绘制（不会自动转置）。如果需要，应手动转置，如下面的示例所示。
In [189]: fig, ax = plt.subplots(1, 1, figsize=(7, 6.75)) In [190]: ax.xaxis.tick_top() # Display x-axis ticks on top. In [191]: df.plot(table=np.round(df.T, 2), ax=ax);
还存在一个辅助函数 pandas.plotting.table，它从 DataFrame 或 Series 创建一个表，并将其添加到 matplotlib.Axes 实例中。此函数可以接受 matplotlib table 具有的关键字。
In [192]: from pandas.plotting import table In [193]: fig, ax = plt.subplots(1, 1) In [194]: table(ax, np.round(df.describe(), 2), loc="upper right", colWidths=[0.2, 0.2, 0.2]); In [195]: df.plot(ax=ax, ylim=(0, 2), legend=None);
注意：您可以使用 axes.tables 属性在轴上获取表实例，以进行进一步的装饰。有关更多信息，请参阅 matplotlib 表格文档。 ### 色图
绘制大量列时可能出现的一个潜在问题是，由于默认颜色中的重复，一些系列很难区分。为了解决这个问题，DataFrame 绘图支持使用 colormap 参数，该参数接受 Matplotlib colormap 或一个字符串，该字符串是注册到 Matplotlib 的 colormap 的名称。默认 matplotlib 色图的可视化参考 此处。
由于 matplotlib 不直接支持基于线的图的色图，所以颜色是根据 DataFrame 中的列数确定的均匀间距选择的。没有考虑背景颜色，因此一些色图会产生不易看到的线。
要使用 cubehelix 色图，我们可以传递 colormap='cubehelix'。
In [196]: np.random.seed(123456) In [197]: df = pd.DataFrame(np.random.randn(1000, 10), index=ts.index) In [198]: df = df.cumsum() In [199]: plt.figure(); In [200]: df.plot(colormap="cubehelix");
或者，我们可以传递色图本身：
In [201]: from matplotlib import cm In [202]: plt.figure(); In [203]: df.plot(colormap=cm.cubehelix);
色图也可以用于其他绘图类型，如条形图：
In [204]: np.random.seed(123456) In [205]: dd = pd.DataFrame(np.random.randn(10, 10)).map(abs) In [206]: dd = dd.cumsum() In [207]: plt.figure(); In [208]: dd.plot.bar(colormap="Greens");
平行坐标图：
In [209]: plt.figure(); In [210]: parallel_coordinates(data, "Name", colormap="gist_rainbow");
Andrews 曲线图：
In [211]: plt.figure(); In [212]: andrews_curves(data, "Name", colormap="winter");
直接使用 Matplotlib 绘图
在某些情况下，直接使用 matplotlib 准备图形可能仍然更可取或必要，例如当 pandas 尚不支持某种类型的图形或自定义时。Series和DataFrame对象的行为类似于数组，因此可以直接将它们传递给 matplotlib 函数，而无需显式转换。
pandas 还自动注册了识别日期索引的格式化程序和定位器，从而将日期和时间支持扩展到几乎所有 matplotlib 中可用的绘图类型。尽管这种格式化不提供通过 pandas 绘图时获得的相同精细度水平，但在绘制大量点时可能更快。
In [213]: np.random.seed(123456) In [214]: price = pd.Series( .....: np.random.randn(150).cumsum(), .....: index=pd.date_range("2000-1-1", periods=150, freq="B"), .....: ) .....: In [215]: ma = price.rolling(20).mean() In [216]: mstd = price.rolling(20).std() In [217]: plt.figure(); In [218]: plt.plot(price.index, price, "k"); In [219]: plt.plot(ma.index, ma, "b"); In [220]: plt.fill_between(mstd.index, ma - 2 * mstd, ma + 2 * mstd, color="b", alpha=0.2);
绘图后端
pandas 可以通过第三方绘图后端进行扩展。主要思想是让用户选择一个基于 Matplotlib 提供的绘图后端不同的绘图后端。
这可以通过在plot函数中将‘backend.module’作为参数backend传递来实现。例如：
>>> Series([1, 2, 3]).plot(backend="backend.module")
或者，您也���以全局设置此选项，这样您就不需要在每个plot调用中指定关键字。例如：
>>> pd.set_option("plotting.backend", "backend.module") >>> pd.Series([1, 2, 3]).plot()
或者：
>>> pd.options.plotting.backend = "backend.module" >>> pd.Series([1, 2, 3]).plot()
这基本上等同于：
>>> import backend.module >>> backend.module.plot(pd.Series([1, 2, 3]))
然后，后端模块可以使用其他可视化工具（Bokeh、Altair、hvplot 等）生成图形。一些为 pandas 实现后端的库列在生态系统页面上。
开发人员指南可以在pandas.pydata.org/docs/dev/development/extending.html#plotting-backends找到
基本绘图：plot
我们将演示基础知识，有关一些高级策略，请参见食谱。
Series 和 DataFrame 上的plot方法只是对plt.plot()的简单包装：
In [3]: np.random.seed(123456) In [4]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000)) In [5]: ts = ts.cumsum() In [6]: ts.plot();
如果索引由日期组成，则调用gcf().autofmt_xdate()尝试根据上述格式化 x 轴。
在 DataFrame 上，plot()是一个方便的方法，用于绘制所有带有标签的列：
In [7]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD")) In [8]: df = df.cumsum() In [9]: plt.figure(); In [10]: df.plot();
您可以使用plot()中的x和y关键字绘制一列与另一列的图形：
In [11]: df3 = pd.DataFrame(np.random.randn(1000, 2), columns=["B", "C"]).cumsum() In [12]: df3["A"] = pd.Series(list(range(len(df)))) In [13]: df3.plot(x="A", y="B");
注意
要了解更多格式和样式选项，请参见下面的格式化。
Pandas 2.2 中文官方教程和指南（十八）（3）https://developer.aliyun.com/article/1509793
