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
|
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。
640 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
456 0
pandas 绘图操作|学习笔记
|
10月前
|
Java 数据处理 索引
(Pandas)Python做数据处理必选框架之一!(二):附带案例分析;刨析DataFrame结构和其属性;学会访问具体元素;判断元素是否存在;元素求和、求标准值、方差、去重、删除、排序...
DataFrame结构 每一列都属于Series类型,不同列之间数据类型可以不一样,但同一列的值类型必须一致。 DataFrame拥有一个总的 idx记录列,该列记录了每一行的索引 在DataFrame中,若列之间的元素个数不匹配,且使用Series填充时,在DataFrame里空值会显示为NaN;当列之间元素个数不匹配,并且不使用Series填充,会报错。在指定了index 属性显示情况下,会按照index的位置进行排序,默认是 [0,1,2,3,...] 从0索引开始正序排序行。
733 0
|
10月前
|
Java 数据挖掘 数据处理
(Pandas)Python做数据处理必选框架之一!(一):介绍Pandas中的两个数据结构;刨析Series:如何访问数据;数据去重、取众数、总和、标准差、方差、平均值等;判断缺失值、获取索引...
Pandas 是一个开源的数据分析和数据处理库,它是基于 Python 编程语言的。 Pandas 提供了易于使用的数据结构和数据分析工具,特别适用于处理结构化数据,如表格型数据(类似于Excel表格)。 Pandas 是数据科学和分析领域中常用的工具之一,它使得用户能够轻松地从各种数据源中导入数据,并对数据进行高效的操作和分析。 Pandas 主要引入了两种新的数据结构:Series 和 DataFrame。
780 0
|
机器学习/深度学习 数据处理 Python
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
从NumPy到Pandas:轻松转换Python数值库与数据处理利器
494 1
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
504 0
|
存储 数据采集 数据处理
Pandas与NumPy:Python数据处理的双剑合璧
Pandas与NumPy是Python数据科学的核心工具。NumPy以高效的多维数组支持数值计算,适用于大规模矩阵运算;Pandas则提供灵活的DataFrame结构,擅长处理表格型数据与缺失值。二者在性能与功能上各具优势,协同构建现代数据分析的技术基石。
891 0
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
484 2
|
机器学习/深度学习 并行计算 大数据
【Python篇】深入挖掘 Pandas:机器学习数据处理的高级技巧
【Python篇】深入挖掘 Pandas:机器学习数据处理的高级技巧
718 3
|
数据采集 数据挖掘 API
Python数据分析加速器:深度挖掘Pandas与NumPy的高级功能
在Python数据分析的世界里,Pandas和NumPy无疑是两颗璀璨的明星,它们为数据科学家和工程师提供了强大而灵活的工具集,用于处理、分析和探索数据。今天,我们将一起深入探索这两个库的高级功能,看看它们如何成为数据分析的加速器。
298 1

热门文章

最新文章