Pandas画图基本用法
1.准备工作
最简单的安装方法就是安装Anaconda，其内打包有包括Conda、Python和一堆安装好的工具包，比如：numpy、Pandas、matplolib等。我熟悉的python IDE是Pycharm，所以在安装好Anaconda后，在Pycharm新建一个项目时，将其解释器选为Anaconda中自带的Python程序即可。同时，使用Pycharm开发环境的时候使用Matplotlib要额外在设置中手动从Anaconda中导入该包，原因未知。总而言之，跟其他安装方法比，较为简易。
在使用这些包里面自带的函数之前，要先导入他们的包，常用的两种导入的方式是：
1. from pylab import *
2. import Pandas as pd
3. import numpy as np
4. import Matplotlib.pyplot as plt
前一种为导入pylab中所有的函数，后面则是导入一个包。
2. Matplotlib简易上手
下面几个概念至关重要，在我没搞清之前，死活画不出图，怎么debug，程序都不显示绘图界面……很基本的几个概念是：figure、subplot、axes/axis，figure是绘图界面最底层的载体，可以在它上面放置图纸——subplot和axes，在做所有操作之前都要提前建立好figure和subplot/axes。Figure建立的基本语法形式是：fig = plt.figure()
建立好画板之后，建立图纸，subplot可以理解为figure的子图，axes则可以理解为figure里的图的坐标轴的集合，axes里面有很多具体的轴axis。建立Subplot的时候可以将画板figure划分成几块，基本的语法形式是：
1. ax1 = fig.add_subplot(3, 2, 1)
2. ax2 = fig.add_subplot(3, 2, 2)
3. ax3 = fig.add_subplot(3, 2, 3)
4. ax4 = fig.add_subplot(3, 2, 4)
5. ax5 = fig.add_subplot(3, 2, 5)
6. ax6 = fig.add_subplot(3, 2, 6)
括号里的三个参数必不可少，前两个表示将figure划分为3x2共6块，后面1-6也对应着划分的6个subplot，画出来如下图所示：
建立axes的时候，相当于建立了一堆坐标轴，比subplot更加自由灵活，可以随意摆布表的位置，比如使用add_axes函数，可以来增加子图：
1. ax1=fig.add_axes([0.1,0.1,0.8,0.8])
2. ax2=fig.add_axes([0.72,0.72,0.16,0.16])
add_axesd的四个参数分别指代左、下、宽、高，均为figure的百分比,上面第一句的具体画法就是从figure画板10%的位置开始绘制, 整个figure窗口就是figure的大小，若从0开始，则坐标轴会贴着弹出的figure窗口的边沿，宽高都是figure的80%，第二句则为从figure的72%的位置开始绘制，宽高都是figure的16%，可以看出画出来最终的效果就是连个叠加的坐标框，图的摆放要比subplot灵活得多。
3.Pandas简易上手
Pandas里内置了几种图表格式，现在挑几个简单的图表类型简单介绍一下：
3.1 基础plot
可以通过plot函数直接绘制图形，下面以类似官方文档的方法产生数据来绘制一个图，代码如下：
1. Chen1 = pd.Series(np.random.randn(10),
2. index=pd.date_range('11/20/2020', periods=10))
3. Chen1.plot()
4. plt.show()
其中Series为Pandas中的一个基本数据类型，为带标签的一维同构数组，np则为前面导入的numpy包，我们使用了其中的random函数，np.random.randn(10) 的具体含义就是随机生成10个数，这10个数呈正态分布，我在这里为了看得清楚，选取一个很小的数字10，当数字很大时，可以明显看出其分布情况。横坐标我们使用的是日期，我们这里从2020年11月20日算零点，往后算10天。
后面直接使用plot函数就能绘制出结果，如下图：
使用plot函数还可以很方便地画出多条折线叠在一起加上图例的折线图，囿于图片数量限制，此处不贴出结果，但是可以贴出代码：
1. Chen2= pd.DataFrame(np.random.randn(10, 4),
2. index=pd.date_range('11/20/2020', periods=10), columns=list('ABCD'))
3. plt.figure();
4. Chen2.plot();
5. plt.show()
DataFrame是Pandas中另一个非常重要的数据类型，为带标签的大小可变的二维异构表格，可以看到初始化和前面的类似，此处使用了更多的参数，np.random.randn(10, 4) 比上面的更加复杂，表示生成四组数据，每组里面又有10个数据，则可以对应着画出四条曲线。Colums则是自定义列标签为ABCD，对应着四组数据。
3.2 其他类型plot
Plot函数除了默认的折线图，还有其他很多形式，可以定义kind的类型来使用这些图，kind的种类有bar/barh、hist、box、kde/density、area、scatter、hexbin、pie等。使用kind类型的一种方法如下所示：
1. Chen3= pd.DataFrame([1,2,3,4,5,4,3,2,1])
2. Chen3.plot(kind='bar');
3. plt.show()
该段代码简单地定义了一个DataFrame，按照上面提供的方法，可以画出该DataFrame的一系列图如下：
图1.1为普通plot折线图，没有定义kind；图1.2的kind定义为density/kde，是将这9个点连成一条平滑的曲线；图1.3的kind定义为hist，它统计了各个元素出现的累计次数；图1.
4的kind定义为box，从图中可以看出数据的分布情况，可以看到最大为5，最小为1；图1.5的kind定义为area，是以纵坐标为0为基线，将普通的plot的函数与横纵坐标包围的面积标识出来了；图6的kind定义为bar/barh，是普通的柱状图。
以上几种是单一的一元数组可以表示的形式，我们还可以利用以下代码，来演示剩下的几种plot形式：
1. Chen4=pd.DataFrame({'A': [1,2,3,4,5,4,3,2,1],
2. 'B': [60,70,80,90,100,110,120,130,140]},)
3. Chen4.plot.scatter(x='A',y='B')
4. plt.show()
kind为scatter时，为散点图，需要定义横纵坐标名，于是构建字典来初始化DataFrame，并且这里使用了另一种定义plot类型的语法，若使用之前的使用kind来定义的方式，则可以写为Chen4.plot(kind=’scatter’,x=’A’,y=’B’); 两者效果完全一样。
类似地，kind为hexbin时，Chen4.plot(kind=’hexbin’,x=’A’,y=’B’,gridsize=15);可以自定义gridsize，该值越大则表现的六边形越多，六边形越小，我们将girdsize取一个合适值就可以看出数据的分布，多用于分布很密集的数据，在我这个例子里面，优点没有很好地发挥出来。
类似地，Kind为pie时， Chen4.plot(kind=’pie’,y=’A’,autopct=’%.2f’); 为饼状图，指定的y值为每块的数值的名称，在我的例子里是每块的值分别是60，70，80，90，100，110，120，130，140，他们的占比分别为1/25，2/25，3/25，4/25，5/25，4/25，3/25，2/25，1/25，即分别为4/100，8/100，12/100，16/100，20/100，16/100，12/100，8/100，4/100，注意不要弄反。在这里额外定义了参数autopct，是定义图上各色块占比的数字形式，这里是截取二位小数。
