在任何数据科学项目中，数据可视化是一个至关重要的步骤。它有助于捕捉数据集的趋势，进而帮助采取必要的预处理和模型训练步骤。有许多绘图库可以用来绘制Pandas数据框，包括但不限于Matplotlib、Plotly、Seaborn、Bokeh等。Pandas有自己的绘图API，它在底层使用Matplotlib。这个API提供了许多绘图选项，并支持几乎所有类型的图表。在本文中，将探讨如何使用Pandas绘图API进行绘图，以及如何自定义这些图表以获得更好的外观和解释。
在Pandas中，可以通过使用“.plot()”函数来进行绘图。这个函数直接为数据集创建图表。这个函数也可以以两种方式使用。首先，来做准备工作。
import numpy as np
import pandas as pd
导入Pandas和Numpy库，以便生成随机数据，稍后用于绘图。
df = pd.DataFrame()
现在，有两种方式使用绘图函数：
例如，对于折线图，df.plot(kind='line')与df.plot.line()是相同的。
Pandas绘图函数提供了许多类型的图表。在Jupyter笔记本中，键入df.plot.后按键盘上的Tab键，将得到所有可用图表的列表。
在本文的其余部分，将直接从plot函数调用图表类型，而不使用“kind”参数访问器。让看看每种图表的实现。
最基本的绘图形式是折线图。在这里，使用数据框的值作为坐标绘制一条线。以下是使用Pandas绘图函数绘制基本折线图的实现。
# 默认情况下，绘图函数的值是折线图，因此可以直接使用绘图函数进行折线图绘制。
# 直接调用函数将为数据集的所有变量/特征/列生成折线图，这可能会生成一个看起来奇怪的图表，
# 因此，可以显式定义图表的x和y值。
# 在plot函数生成的任何图表上方，将得到类似“”的文本。为了避免这种文本，
# 在绘图代码的最后一行末尾添加分号“;”，这将迫使Python抑制任何文本输出。
以下是一些需要注意的事项：
这是折线图的扩展版本。在面积图中，不是让图表连接数据点，而是用颜色填充线下的区域。这在想展示特定值所捕获的比例时很有帮助。由于可以绘制多个变量，这可以给提供关于变量何时重叠的洞察。
df = pd.DataFrame(np.random.rand(20, 4), columns=['A', 'B', 'C', 'D'])
df.plot.area();
也可以通过在area函数中传递“stacked=False”来生成非堆叠图。
条形图用于表示由分类值表示的值。这可能包括特定类别的计数、任何统计数据或其他定义的值。当想要比较一个类别与其他类别时，这些图表很有用。
df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
df.sum().plot.bar();
Barh允许交换轴。因此，将有y轴作为标签/类别，x轴将表示值。
df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
df.sum().plot.barh();
这种图表可视化了连续随机变量的概率密度函数。这并不直接告诉随机变量取值的概率。实际上，对于连续随机变量，任何值的概率都是零，只关心一系列值的概率。它只给出了可能存在于特定值周围的数据点数量。
df = pd.Series(np.random.randn(200))
df.plot.kde();
直方图用于表示数值变量的频率。这些是条形图的变体，变化在于在直方图中，谈论的是数值数据。没有类别，但是数值数据被划分为称为bin的小桶。这些桶接收落在桶范围内的值的数量。直方图也被称为频率多边形，当条形被连接条形中点的线替换时。
df = pd.DataFrame({
"a": np.sqrt(np.random.randn(1000) + 1),
"b": np.random.randn(1000),
}, columns=["a", "b", "c"])
df.plot.hist(alpha=0.5);
在这里，“alpha”参数定义了直方图颜色的透明度。
这些图表类似于折线图，但在这里每个点的坐标由两个数据框列定义。通常的表示是一个填充的圆圈。这些圆圈不像折线图中那样通过线连接在一起。这有助于理解两个变量之间的相关性。
df = pd.DataFrame(np.random.rand(100, 2), columns=['a', 'b'])
df.plot.scatter(x='a', y='b');
箱线图是非常重要的图表。这些图表有助于理解数据集特征的整体趋势和分布。对于数值数据，它表示50%的数据在哪里，数据的中位数在哪里，它还以须的形式指定边界条件。
df = pd.DataFrame(np.random.rand(50, 3), columns=["A", "B", "C"])
df.plot.box();
当数据非常密集时，这些图表可以作为散点图的替代品。它们以蜂窝的形式表示数据，即图表中的六边形。它也被称为六边形分箱图，因为它将直方图中的箱功能以六边形的形式结合起来。每个六边形的颜色定义了该范围内的点数。
df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"])
df["b"] = df["b"] + np.arange(1000)
df.plot.hexbin(x="a", y="b", gridsize=25);
在这里，网格大小控制x方向上的六边形数量。默认情况下，它是100。
饼图用于表示一个值与其他值相比在整个部分中所占的比例。它们表示一个值对圆形区域的贡献百分比，并用颜色填充。它们在每个项目中都被广泛使用，同时也被劝阻！因为要表示一个数值部分，分配了大量的空间，并且用颜色填充了区域。相反，环形图被高度鼓励，因为它们需要较少的颜色量，而且它们可以被制作为嵌套饼图，这比常规饼图传达了更多的信息。
series = pd.Series(3 * np.random.rand(4), index=["a", "b", "c", "d"], name="Pie plot")
series.plot.pie(figsize=(6, 6));
“figsize”参数用于控制生成的图表的大小。
由Pandas API生成的图表并不是最好看的，需要快速改造以改善通过它们传达的信息。尽管这些图表可以快速创建，但有一些调整可以让让它们看起来更有吸引力：