Pandas 2.2 中文官方教程和指南（十八）（3）-阿里云开发者社区

Pandas 2.2 中文官方教程和指南（十八）（2）https://developer.aliyun.com/article/1509792

其他图形

绘图方法除了默认的线图之外，还允许使用一些其他样式的绘图。这些方法可以作为 plot() 的 kind 关键字参数提供，包括：

‘bar’ 或 ‘barh’ 用于条形图
‘hist’ 用于直方图
‘box’ 用于箱线图
‘kde’ 或 ‘density’ 用于密度图
‘area’ 用于面积图
‘scatter’ 用于散点图
‘hexbin’ 用于六边形二进制图
‘pie’ 用于饼图

例如，可以通过以下方式创建条形图：

In [14]: plt.figure();
In [15]: df.iloc[5].plot(kind="bar");

您还可以使用方法 DataFrame.plot. 来创建这些其他图，而不是提供 kind 关键字参数。这样可以更容易地发现绘图方法和它们使用的具体参数：

In [16]: df = pd.DataFrame()
In [17]: df.plot.<TAB>  # noqa: E225, E999
df.plot.area     df.plot.barh     df.plot.density  df.plot.hist     df.plot.line     df.plot.scatter
df.plot.bar      df.plot.box      df.plot.hexbin   df.plot.kde      df.plot.pie

除了这些 kind，还有 DataFrame.hist() 和 DataFrame.boxplot() 方法，它们使用单独的界面。

最后，pandas.plotting 中有几个绘图函数，它们将 Series 或 DataFrame 作为参数。这些包括：

散点矩阵
安德鲁曲线
平行坐标
滞后图
自相关图
自举图
RadViz

图表也可以装饰有误差条或表格。

条形图

对于带标签的非时间序列数据，您可能希望生成条形图：

In [18]: plt.figure();
In [19]: df.iloc[5].plot.bar();
In [20]: plt.axhline(0, color="k");

调用 DataFrame 的 plot.bar() 方法会生成多条条形图：

In [21]: df2 = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
In [22]: df2.plot.bar();

要生成堆叠条形图，请传递 stacked=True：

In [23]: df2.plot.bar(stacked=True);

要获得水平条形图，请使用 barh 方法：

In [24]: df2.plot.barh(stacked=True);

### 直方图

直方图可以通过使用DataFrame.plot.hist() 和 Series.plot.hist() 方法绘制。

In [25]: df4 = pd.DataFrame(
 ....:    {
 ....:        "a": np.random.randn(1000) + 1,
 ....:        "b": np.random.randn(1000),
 ....:        "c": np.random.randn(1000) - 1,
 ....:    },
 ....:    columns=["a", "b", "c"],
 ....: )
 ....: 
In [26]: plt.figure();
In [27]: df4.plot.hist(alpha=0.5);

可以使用stacked=True堆叠直方图。可以使用bins关键字更改箱子大小。

In [28]: plt.figure();
In [29]: df4.plot.hist(stacked=True, bins=20);

您可以传递 matplotlib 支持的其他关键字。例如，可以通过orientation='horizontal'和cumulative=True绘制水平和累积直方图。

In [30]: plt.figure();
In [31]: df4["a"].plot.hist(orientation="horizontal", cumulative=True);

查看 hist 方法和 matplotlib 直方图文档以获取更多信息。

现有的接口DataFrame.hist用于绘制直方图仍然可以使用。

In [32]: plt.figure();
In [33]: df["A"].diff().hist();

DataFrame.hist() 在多个子图上绘制列的直方图：

In [34]: plt.figure();
In [35]: df.diff().hist(color="k", alpha=0.5, bins=50);

可以指定by关键字以绘制分组直方图：

In [36]: data = pd.Series(np.random.randn(1000))
In [37]: data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4));

另外，在 DataFrame.plot.hist() 中也可以指定by关键字。

从版本 1.4.0 开始更改。

In [38]: data = pd.DataFrame(
 ....:    {
 ....:        "a": np.random.choice(["x", "y", "z"], 1000),
 ....:        "b": np.random.choice(["e", "f", "g"], 1000),
 ....:        "c": np.random.randn(1000),
 ....:        "d": np.random.randn(1000) - 1,
 ....:    },
 ....: )
 ....: 
In [39]: data.plot.hist(by=["a", "b"], figsize=(10, 5));

### 箱线图

绘制箱线图可以调用Series.plot.box() 和 DataFrame.plot.box()，或者 DataFrame.boxplot() 来可视化每一列中值的分布。

例如，这里是表示五次对 [0,1) 上的均匀随机变量进行的 10 次观察的箱线图。

In [40]: df = pd.DataFrame(np.random.rand(10, 5), columns=["A", "B", "C", "D", "E"])
In [41]: df.plot.box();

通过传递color关键字可以给箱线图上色。您可以传递一个dict，其键为boxes、whiskers、medians和caps。如果字典中缺少某些键，则对应艺术家使用默认颜色。此外，箱线图具有sym关键字，用于指定异常值的样式。

当您通过color关键字传递其他类型的参数时，它将直接传递给 matplotlib 所有boxes、whiskers、medians和caps的着色。

颜色应用于要绘制的每个箱子。如果您需要更复杂的着色，可以通过传递 return_type 来获取每个绘制的艺术家。

In [42]: color = {
 ....:    "boxes": "DarkGreen",
 ....:    "whiskers": "DarkOrange",
 ....:    "medians": "DarkBlue",
 ....:    "caps": "Gray",
 ....: }
 ....: 
In [43]: df.plot.box(color=color, sym="r+");

此外，您还可以传递 matplotlib boxplot支持的其他关键字。例如，通过vert=False和positions关键字可以绘制水平和自定义位置的箱线图。

In [44]: df.plot.box(vert=False, positions=[1, 4, 5, 6, 8]);

更多信息请参见boxplot方法和matplotlib 箱线图文档。

仍然可以使用现有接口DataFrame.boxplot来绘制箱线图。

In [45]: df = pd.DataFrame(np.random.rand(10, 5))
In [46]: plt.figure();
In [47]: bp = df.boxplot()

你可以使用by关键字参数创建分组来创建分层箱线图。例如，

In [48]: df = pd.DataFrame(np.random.rand(10, 2), columns=["Col1", "Col2"])
In [49]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
In [50]: plt.figure();
In [51]: bp = df.boxplot(by="X")

您还可以传递要绘制的列的子集，以及按多个列分组：

In [52]: df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])
In [53]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
In [54]: df["Y"] = pd.Series(["A", "B", "A", "B", "A", "B", "A", "B", "A", "B"])
In [55]: plt.figure();
In [56]: bp = df.boxplot(column=["Col1", "Col2"], by=["X", "Y"])

你也可以使用DataFrame.plot.box()创建分组，例如：

从版本 1.4.0 开始更改。

In [57]: df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])
In [58]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
In [59]: plt.figure();
In [60]: bp = df.plot.box(column=["Col1", "Col2"], by="X")

在boxplot中，返回类型可以通过return_type关键字控制。有效选择为{"axes", "dict", "both", None}。由带有by关键字的DataFrame.boxplot创建的分面图也会影响输出类型：

`return_type`	分面	输出类型
`None`	否	axes
`None`	是	2-D ndarray of axes
`'axes'`	否	axes
`'axes'`	是	axes 的 Series
`'dict'`	否	艺术家的字典
`'dict'`	是	艺术家字典的 Series
`'both'`	否	命名元组
`'both'`	是	命名元组的 Series

Groupby.boxplot总是返回一个return_type的Series。

In [61]: np.random.seed(1234)
In [62]: df_box = pd.DataFrame(np.random.randn(50, 2))
In [63]: df_box["g"] = np.random.choice(["A", "B"], size=50)
In [64]: df_box.loc[df_box["g"] == "B", 1] += 3
In [65]: bp = df_box.boxplot(by="g")

上面的子图首先按数字列分割，然后按g列的值分割。下面的子图首先按g的值分割，然后按数字列分割。

In [66]: bp = df_box.groupby("g").boxplot()

### 区域图

您可以使用Series.plot.area()和DataFrame.plot.area()创建区域图。默认情况下，区域图是堆叠的。要产生堆叠的区域图，每列必须是所有正值或所有负值。

当输入数据包含NaN时，它将自动填充为 0。如果要删除或用不同值填充，请在调用plot之前使用dataframe.dropna()或dataframe.fillna()。

In [67]: df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
In [68]: df.plot.area();

要生成一个未堆叠的图，请传递stacked=False。除非另有说明，否则 alpha 值设置为 0.5：

In [69]: df.plot.area(stacked=False);

### 散点图

可以使用DataFrame.plot.scatter()方法绘制散点图。散点图需要 x 轴和 y 轴的数值列。这些可以通过x和y关键字指定。

In [70]: df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])
In [71]: df["species"] = pd.Categorical(
 ....:    ["setosa"] * 20 + ["versicolor"] * 20 + ["virginica"] * 10
 ....: )
 ....: 
In [72]: df.plot.scatter(x="a", y="b");

要在单个轴上绘制多个列组，请重复plot方法并指定目标ax。建议指定color和label关键字以区分每个组。

In [73]: ax = df.plot.scatter(x="a", y="b", color="DarkBlue", label="Group 1")
In [74]: df.plot.scatter(x="c", y="d", color="DarkGreen", label="Group 2", ax=ax);

关键字c可以作为列名给出，为每个点提供颜色：

In [75]: df.plot.scatter(x="a", y="b", c="c", s=50);

如果将分类列传递给c，则将生成离散的颜色条：

新版本 1.3.0 中。

In [76]: df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50);

你可以传递其他由 matplotlib 支持的关键字scatter。下面的示例显示了使用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);

有关更多信息，请参阅scatter方法和matplotlib scatter 文档。### 六边形箱图

您可以使用DataFrame.plot.hexbin()创建六边形箱图。如果您的数据过于密集而无法单独绘制每个点，则六边形箱图可以是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。较大的gridsize意味着更多、更小的箱子。

默认情况下，计算每个(x, y)点周围计数的直方图。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，reduce_C_function是一个带有一个参数的函数，将一个 bin 中的所有值减少为一个单一数字（例如mean、max、sum、std）。在这个例子中，位置由列a和b给出，而值由列z给出。使用 NumPy 的max函数对 bin 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 文档以了解更多信息。### 饼图

使用DataFrame.plot.pie()或Series.plot.pie()可以创建饼图。如果你的数据中包含任何NaN，它们将自动填充为 0。如果数据中有任何负值，将会引发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。你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')在返回的axes对象上强制纵横比相等。

请注意，使用DataFrame创建的饼图要求你通过y参数或subplots=True来指定目标列。当指定了y时，将绘制所选列的饼图。如果指定了subplots=True，将为每列绘制子图的饼图。默认情况下，每个饼图中都会绘制图例；指定legend=False以隐藏它。

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));

你可以使用labels和colors关键字指定每个楔形图的标签和颜色。

警告

大多数 pandas 绘图使用label和color参数（请注意这两个参数的缺少“s”）。为了与matplotlib.pyplot.pie()保持一致，你必须使用labels和colors。

如果想要隐藏楔形图标签，请指定labels=None。如果指定了fontsize，该值将应用于楔形图标签。此外，还可以使用其他由matplotlib.pyplot.pie()支持的关键字。

In [89]: series.plot.pie(
 ....:    labels=["AA", "BB", "CC", "DD"],
 ....:    colors=["r", "g", "b", "c"],
 ....:    autopct="%.2f",
 ....:    fontsize=20,
 ....:    figsize=(6, 6),
 ....: );
 ....:

如果传递的值的总和小于 1.0，则它们将被重新缩放，使它们的总和为 1。

In [90]: series = pd.Series([0.1] * 4, index=["a", "b", "c", "d"], name="series2")
In [91]: series.plot.pie(figsize=(6, 6));

更多内容请参阅matplotlib 饼图文档。### 条形图

对于带有标签的非时间序列数据，您可能希望生成一个条形图：

In [18]: plt.figure();
In [19]: df.iloc[5].plot.bar();
In [20]: plt.axhline(0, color="k");

调用 DataFrame 的plot.bar()方法会生成多个条形图：

In [21]: df2 = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
In [22]: df2.plot.bar();

要生成堆叠条形图，请传递stacked=True：

In [23]: df2.plot.bar(stacked=True);

要获得水平条形图，请使用barh方法：

In [24]: df2.plot.barh(stacked=True);

### 直方图

可以使用DataFrame.plot.hist()和Series.plot.hist()方法绘制直方图。

In [25]: df4 = pd.DataFrame(
 ....:    {
 ....:        "a": np.random.randn(1000) + 1,
 ....:        "b": np.random.randn(1000),
 ....:        "c": np.random.randn(1000) - 1,
 ....:    },
 ....:    columns=["a", "b", "c"],
 ....: )
 ....: 
In [26]: plt.figure();
In [27]: df4.plot.hist(alpha=0.5);

可以使用stacked=True堆叠直方图。可以使用bins关键字更改 bin 大小。

In [28]: plt.figure();
In [29]: df4.plot.hist(stacked=True, bins=20);

您可以传递 matplotlib hist支持的其他关键字。例如，可以通过orientation='horizontal'和cumulative=True绘制水平和累积直方图。

In [30]: plt.figure();
In [31]: df4["a"].plot.hist(orientation="horizontal", cumulative=True);

更多内容请参阅hist方法和matplotlib hist 文档。

仍然可以使用现有的接口DataFrame.hist来绘制直方图。

In [32]: plt.figure();
In [33]: df["A"].diff().hist();

DataFrame.hist()在多个子图上绘制列的直方图：

In [34]: plt.figure();
In [35]: df.diff().hist(color="k", alpha=0.5, bins=50);

可以指定by关键字以绘制分组直方图：

In [36]: data = pd.Series(np.random.randn(1000))
In [37]: data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4));

此外，还可以在DataFrame.plot.hist()中指定by关键字。

从版本 1.4.0 开始更改。

In [38]: data = pd.DataFrame(
 ....:    {
 ....:        "a": np.random.choice(["x", "y", "z"], 1000),
 ....:        "b": np.random.choice(["e", "f", "g"], 1000),
 ....:        "c": np.random.randn(1000),
 ....:        "d": np.random.randn(1000) - 1,
 ....:    },
 ....: )
 ....: 
In [39]: data.plot.hist(by=["a", "b"], figsize=(10, 5));

### 箱线图

可以调用Series.plot.box()和DataFrame.plot.box()，或者DataFrame.boxplot()来绘制箱线图，以可视化每列中的值的分布。

例如，这里是一个代表在[0,1)上的均匀随机变量的 10 次观测的五次试验的箱线图。

In [40]: df = pd.DataFrame(np.random.rand(10, 5), columns=["A", "B", "C", "D", "E"])
In [41]: df.plot.box();

通过传递color关键字可以为箱线图着色。您可以传递一个dict，其键为boxes、whiskers、medians和caps。如果dict中缺少某些键，则对应的艺术家将使用默认颜色。此外，箱线图具有sym关键字来指定离群值的样式。

当您通过color关键字传递其他类型的参数时，它将直接传递给所有boxes、whiskers、medians和caps的着色。

颜色应用于要绘制的每个箱子。如果您想要更复杂的着色，可以通过传递 return_type 来获取每个绘制的图形。

In [42]: color = {
 ....:    "boxes": "DarkGreen",
 ....:    "whiskers": "DarkOrange",
 ....:    "medians": "DarkBlue",
 ....:    "caps": "Gray",
 ....: }
 ....: 
In [43]: df.plot.box(color=color, sym="r+");

此外，您可以通过传递 matplotlib 支持的其他关键字来传递其他关键字。例如，通过vert=False和positions关键字可以绘制水平和自定义位置的箱线图。

In [44]: df.plot.box(vert=False, positions=[1, 4, 5, 6, 8]);

查看boxplot方法和matplotlib boxplot 文档以获取更多信息。

仍然可以使用现有接口DataFrame.boxplot来绘制箱线图。

In [45]: df = pd.DataFrame(np.random.rand(10, 5))
In [46]: plt.figure();
In [47]: bp = df.boxplot()

您可以使用by关键字参数创建分组来创建分层箱线图。例如，

In [48]: df = pd.DataFrame(np.random.rand(10, 2), columns=["Col1", "Col2"])
In [49]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
In [50]: plt.figure();
In [51]: bp = df.boxplot(by="X")

您还可以传递要绘制的列的子集，以及按多个列分组：

In [52]: df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])
In [53]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
In [54]: df["Y"] = pd.Series(["A", "B", "A", "B", "A", "B", "A", "B", "A", "B"])
In [55]: plt.figure();
In [56]: bp = df.boxplot(column=["Col1", "Col2"], by=["X", "Y"])

您还可以使用DataFrame.plot.box()创建分组，例如：

在 1.4.0 版本中更改。

In [57]: df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])
In [58]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
In [59]: plt.figure();
In [60]: bp = df.plot.box(column=["Col1", "Col2"], by="X")

��boxplot中，返回类型可以通过return_type关键字进行控制。有效选择为{"axes", "dict", "both", None}。通过by关键字创建的分面，将影响输出类型：

`return_type`	分面	输出类型
`None`	否	坐标轴
`None`	是	2-D 数组的坐标轴
`'axes'`	否	坐标轴
`'axes'`	是	坐标轴系列
`'dict'`	否	艺术家的字典
`'dict'`	是	艺术家的字典系列
`'both'`	否	命名元组
`'both'`	是	命名元组系列

Groupby.boxplot总是返回一个return_type的Series。

In [61]: np.random.seed(1234)
In [62]: df_box = pd.DataFrame(np.random.randn(50, 2))
In [63]: df_box["g"] = np.random.choice(["A", "B"], size=50)
In [64]: df_box.loc[df_box["g"] == "B", 1] += 3
In [65]: bp = df_box.boxplot(by="g")

上面的子图首先按数值列分割，然后按g列的值分割。下面的子图首先按g的值分割，然后按数值列分割。

In [66]: bp = df_box.groupby("g").boxplot()

### 区域图

你可以使用Series.plot.area()和DataFrame.plot.area()创建区域图。默认情况下，区域图是堆叠的。要生成堆叠的区域图，每一列都必须是全部为正值或全部为负值。

当输入数据包含NaN时，它将自动填充为 0。如果你想要删除或用不同的值填充，请在调用plot之前使用dataframe.dropna()或dataframe.fillna()。

In [67]: df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
In [68]: df.plot.area();

要生成未堆叠的图，请传递stacked=False。除非另有说明，否则α值设为 0.5：

In [69]: df.plot.area(stacked=False);

### 散点图

散点图可通过使用DataFrame.plot.scatter()方法绘制。散点图需要在 x 和 y 轴上具有数值列。这可以通过x和y关键字指定。

In [70]: df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])
In [71]: df["species"] = pd.Categorical(
 ....:    ["setosa"] * 20 + ["versicolor"] * 20 + ["virginica"] * 10
 ....: )
 ....: 
In [72]: df.plot.scatter(x="a", y="b");

要在单个坐标轴上绘制多个列组，请重复使用plot方法指定目标ax。建议指定color和label关键字以区分每个组。

In [73]: ax = df.plot.scatter(x="a", y="b", color="DarkBlue", label="Group 1")
In [74]: df.plot.scatter(x="c", y="d", color="DarkGreen", label="Group 2", ax=ax);

关键字c可以作为一个列名给出，以为每个点提供颜色：

In [75]: df.plot.scatter(x="a", y="b", c="c", s=50);

如果向c传递了一个分类列，则会产生一个离散的色彩条：

1.3.0 版本中的新功能。

In [76]: df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50);

你可以传递由 matplotlib 支持的其他关键字scatter。下面的示例显示了使用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);

请参阅scatter方法和matplotlib scatter 文档了解更多信息。

六边形箱图

您可以使用 DataFrame.plot.hexbin() 创建六边形箱图。如果您的数据过于密集，无法单独绘制每个点，则六边形箱图可以作为散点图的有用替代。

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、更小的箱子。

默认情况下，计算每个 (x, y) 点周围的计数直方图。您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，reduce_C_function 是一个带有一个参数的函数，它将箱中的所有值缩减为一个单一的数字（例如 mean、max、sum、std）。在此示例中，位置由列 a 和 b 给出，而值由列 z 给出。箱子使用 NumPy 的 max 函数进行聚合。

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);

请参阅hexbin方法和matplotlib hexbin 文档了解更多信息。

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，最好使用方形图形，即图形纵横比为 1。您可以创建等宽和等高的图形，或者在绘图后通过调用 ax.set_aspect('equal') 设置纵横比相等。

请注意，使用 DataFrame 创建的饼图需要通过 y 参数或 subplots=True 指定目标列。当指定了 y，将绘制所选列的饼图。如果指定了 subplots=True，将绘制每列的饼图子图。默认情况下，每个饼图中都会绘制图例；指定 legend=False 来隐藏它。

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 关键字指定每个楔形图的标签和颜色。

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。

如果要隐藏楔形图标签，请指定 labels=None。如果指定了 fontsize，该值将应用于楔形图标签。还可以使用 matplotlib.pyplot.pie() 支持的其他关键字。

In [89]: series.plot.pie(
 ....:    labels=["AA", "BB", "CC", "DD"],
 ....:    colors=["r", "g", "b", "c"],
 ....:    autopct="%.2f",
 ....:    fontsize=20,
 ....:    figsize=(6, 6),
 ....: );
 ....:

如果传入的值总和小于 1.0，则会重新缩放这些值，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));

更多内容请参阅 matplotlib 饼图文档。

绘制带缺失数据的图表

pandas 在绘制包含缺失数据的 DataFrame 或 Series 时会尝试保持实用性。根据绘图类型，缺失值会被删除、省略或填充。

绘图类型	NaN 处理
折线图	在 NaN 处留空隙
线条（堆叠）	填充 0 值
条形图	填充 0 值
散点图	删除 NaN
直方图	删除 NaN（列向）
箱线图	删除 NaN（列向）
区域	填充 0 值
KDE	删除 NaN（列向）
六边形图	删除 NaN
饼图	填充 0 值

如果这些默认值不符合您的要求，或者如果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()。

Pandas 2.2 中文官方教程和指南（十八）（4）https://developer.aliyun.com/article/1509794

Pandas 2.2 中文官方教程和指南（十八）（3）

其他图形

条形图

六边形箱图

饼图

绘制带缺失数据的图表

热门文章

最新文章

相关课程

相关电子书

相关实验场景

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

Pandas 2.2 中文官方教程和指南（十八）（3）

其他图形

条形图

六边形箱图

饼图

绘制带缺失数据的图表

热门文章

最新文章

相关课程

相关电子书

相关实验场景