【matplotlib绘图】Pandas绘图与matplotlib绘图的关联及异同

【matplotlib绘图】Pandas绘图与matplotlib绘图的关联及异同说到数据可视化绘图,我们先想到的应该是matplotlib库,可以对其中的axes对象等调用不同的绘图方法(如axes.plot())。作为数据分析用的pandas库提供了SeriesDataFrame等类型的对象,我们也可以调用上述对象来绘图(如Series.plot())。本文将介绍这个库之间的关联,以及他们画图之间的异同。1.关联Pandas库提供了SeriesDataFr…

大家好,欢迎来到IT知识分享网。

说到数据可视化绘图,我们先想到的应该是matplotlib库,可以对其中的axes对象等调用不同的绘图方法(如axes.plot())。
作为数据分析用的pandas库提供了Series DataFrame等类型的对象,我们也可以调用上述对象来绘图(如Series.plot())。

本文将介绍这个库之间的关联,以及他们画图之间的异同。

1.关联

  1. Pandas库提供了Series DataFrame等类型的对象,可以在matplotlib画图中作为数据来源放入参数中,如axes.plot(Series)
  2. 可以对Pandas的对象调用画图方法,如Series.plot(kind='line'),但说到底还是与matplotlib有关的,是pandas自动帮你生成了axes对象。
  3. 我们可以把Pandas画出来的图回传给指定的axes对象,如Series.plot(kind='line', ax=ax1)就把这张折线图画在了ax1对象上。

下面我将用matplotlib绘图和Pandas绘图两种方法画出同样的一张多子图图表


matplotlib方法:

import matplotlib.pyplot as plt
from pandas import Series
data = Series([1.47,1.62,1.78,1.94,2.38,2.60],index=['2012','2013','2014','2015','2016','2017'])
#实例化fig1对象
fig1=plt.figure(figsize=(8,8),facecolor='w')
#实例化ax对象
ax1 = fig1.add_subplot(2,2,1)
ax2 = fig1.add_subplot(2,2,2)
ax3 = fig1.add_subplot(2,1,2)
#ax对象画图
  #画ax1
ax1.plot(data)#注意对象名是ax1,它是matplotlib中的axes对象类型
ax1.set_title('line chart')
ax1.set_xlabel('Year')
ax1.set_ylabel('Income')
  #画ax2
ax2.boxplot(data)
ax2.set_xticks([])
ax2.set_title('box plot')
ax2.set_xlabel('2012~2017')
ax2.set_ylabel('Income')
  #画ax3
ax3.bar(data.index, data)
ax3.set_title('bar chart')
ax3.set_xlabel('Year')
ax3.set_ylabel('Income')
#设置fig1标题
fig1.suptitle('Using matplotlib')

在这里插入图片描述


Pandas方法:

import matplotlib.pyplot as plt
from pandas import Series
data = Series([1.47,1.62,1.78,1.94,2.38,2.60],index=['2012','2013','2014','2015','2016','2017'])
#实例化fig1对象
fig2=plt.figure(figsize=(8,8),facecolor='w')
#实例化ax对象
ax4 = fig2.add_subplot(2,2,1)
ax5 = fig2.add_subplot(2,2,2)
ax6 = fig2.add_subplot(2,1,2)
#用pandas绘图并将图像回传给ax对象
  #画ax4
data.plot(kind='line',ax=ax4)#注意对象名是data,它是Pandas中的Series对象类型
ax4.set_title('line chart')
ax4.set_xlabel('Year')
ax4.set_ylabel('Income')
  #画ax5
data.plot(kind='box',ax=ax5)
ax5.set_xticks([])
ax5.set_title('box plot')
ax5.set_xlabel('2012~2017')
ax5.set_ylabel('Income')
  #画ax6
data.plot(kind='bar',ax=ax6)
ax6.set_title('bar chart')
ax6.set_xlabel('Year')
ax6.set_ylabel('Income')
#设置fig2标题
fig2.suptitle('Using Pandas')

在这里插入图片描述


由上面的两个例子可以看出调用Pandas绘图和调用matplotlib绘图很多时候可以达到相同的效果

2.不同点

仔细分析画柱状图的两个语句ax3.bar(data.index, data)data.plot(kind='bar',ax=ax6)
会发现在调用ax3画图的时候bar()方法里面有两个参量data.indexdata,分别是这张图的x轴类别和y轴高度。
而用pandas画图的时候,我们只用把data对象放在前面,它就能自动识别出data里面的indexvalue

从上面也可以看出来,对于用Series DataFrame这些用Pandas对象封装的多维的数据调用Pandas绘图会有更方便和更好的支持

下面再举一例:
我们有一个DataFrame类型的人员信息表格,每一行包含一个人的性别,收入等信息。现在我要按照性别分类,画出女性的收入的箱线图和男性收入的箱线图:

import pandas as pd
df = pd.read_csv('Data/bank-data.csv',index_col=0)
df
age sex region income married children car save_act current_act mortgage pep
id
ID12101 48 FEMALE INNER_CITY 17546.00 NO 1 NO NO NO NO YES
ID12102 40 MALE TOWN 30085.10 YES 3 YES NO YES YES NO
ID12103 51 FEMALE INNER_CITY 16575.40 YES 0 YES YES YES NO NO
ID12104 23 FEMALE TOWN 20375.40 YES 3 NO NO YES NO NO
ID12105 57 FEMALE RURAL 50576.30 YES 0 NO YES NO NO NO
ID12696 61 FEMALE INNER_CITY 47025.00 NO 2 YES YES YES YES NO
ID12697 30 FEMALE INNER_CITY 9672.25 YES 0 YES YES YES NO NO
ID12698 31 FEMALE TOWN 15976.30 YES 0 YES YES NO NO YES
ID12699 29 MALE INNER_CITY 14711.80 YES 0 NO YES NO YES NO
ID12700 38 MALE TOWN 26671.60 NO 0 YES NO YES YES YES

600 rows × 11 columns


如果要用matplotlib绘图的话,就必须对DataFrame进行有条件的筛选切片,选出来所有女性的income列和男性的income列,然后再画箱线图:

fig7 = plt.figure(figsize=(6,6),facecolor='w')
ax7 = plt.axes()
ax7.boxplot( (df.loc[df['sex']=='FEMALE', 'income'], df.loc[df['sex']=='MALE', 'income']), 
            labels=('FEMALE','MALE'))
ax7.grid()

在这里插入图片描述


如果使用Pandas绘图的话,只需以df作为对象放在前面,调用boxplot()方法,并将'income',by='sex'填入参数里即可,相当于是Pandas自动帮你切片出income这一列,并以sex归类聚合了,比调用matplotlib方便不少,也直观很多

fig8 = plt.figure(figsize=(6,6),facecolor='w')
ax8 = plt.axes()
df.boxplot('income', by='sex',ax=ax8)#对于多类别,需要聚合的数据,用pandas调用绘图要比axex调用绘图来得方便

在这里插入图片描述

3.总结

在大多数情况下我们可以选择Pandas绘图和matplotlib绘图去实现同样的功能,他们之间也有千丝万缕的联系。
在一些用Pandas封装的多维的数据(如DataFrame),调用Pandas绘图会有更方便和更好的支持,免去了手动切片、聚合数据等麻烦。

觉得有用的话,不要吝惜评论点赞分享哦,希望大家多多包涵,有任何问题欢迎指正、讨论。
本文基于CC-BY-SA 4.0协议,欢迎转载
(博客看累了?去我的B站瞧一瞧?)

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/23582.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信