Demo_Pandas plot

%matplotlib

import matplotlib.pyplot as plt

import pandas as pd

import numpy as np

Plot

# simple plot

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df.plot()

plt.figure();

df['A'].plot()

plt.figure();

df['A'].cumsum().plot()

# subplots 提供了多張圖示出現在一畫面的方式

df.plot(subplots=True, alpha =0.5,figsize=(6, 6))

# kde: density plots

df['A'].plot(kind='kde')

Bar plot

# 看DataFrame橫向： 另外也展示了堆疊的方式(stack)

df = pd.DataFrame(np.random.rand(10, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='bar',alpha =0.8)

df.plot(kind='bar', stacked=True)

# 橫向bar堆疊(barh)

df.plot(kind='barh',alpha =0.8, stacked=True)

Histgram plot

# 看DataFrame縱向： A,B,C,D 的高斯分佈

df = pd.DataFrame(np.random.randn(100, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='hist',alpha= 0.8)

df.plot(kind='hist',alpha= 0.5, stacked=True,bins= 50)

plt.figure()

df['A'].plot(kind='hist',bins= 10)

# df.diff().hist 提供了多張圖示出現在一畫面的方式

df.diff().hist(color='k', alpha=0.5, bins=30)

# subplots 提供了多張圖示出現在一畫面的方式

df.plot(kind='hist',subplots=True, alpha =0.5,figsize=(6,8),color='k',bins=30)

Area plot

# 都要是正數範圍；stack 可以改為透明

df = pd.DataFrame(np.random.rand(10, 4), columns=['A', 'B', 'C', 'D'])

df.plot(kind='area',alpha=0.5)

df.plot(kind='area', stacked=False)

Scatter plot

# simple scatter plot

df = pd.DataFrame(np.random.rand(50, 6), columns=['A', 'B', 'C', 'D','E','F'])

df.plot(kind='scatter', x='A', y='B')

# a3 為 A,B,C 對應E,F,G散佈圖

a1 = df.plot(kind='scatter', x='A', y='B',color='DarkBlue', label='Group 1')

a2 = df.plot(kind='scatter',x='C',y='D',color='DarkGreen', label='Group 2',ax = a1 )

a3 = df.plot(kind='scatter',x='E',y='F',color='k', label='Group 3',alpha =0.6 ,ax = a2 )

# s為圓點大小;c代表顏色用C的資料點代表顏色強度；colormap沒寫則預設黑色

df.plot(kind='scatter', x='A', y='B',c='C', colormap='OrRd', s=60)

# s為圓點大小，用C資料來改變點大小

df.plot(kind='scatter', x='A', y='B',c='k', s=df['C']*200)

# 六角形

df.plot(kind='hexbin', x='A', y='B', gridsize=15)

                                                                       Other Example(共用)

scatter_matrix: 展示了matrix的比較圖. 

e.g: A資料自己的常態分佈圖或是A,B . A,C . A,D 的散佈圖

from pandas.tools.plotting import scatter_matrix

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal='kde')

增加右邊y軸數值

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df.A.plot(c='r')

df.B.plot(secondary_y=True, style='g')

增加右邊y軸數值與標籤

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

ax = df.plot(secondary_y=['A', 'B'])

ax.set_ylabel('CD scale')

ax.right_ax.set_ylabel('AB scale')

針對各資料設定顏色

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

with pd.plot_params.use('x_compat',True):

  df.A.plot(c='k')

  df.B.plot(c='m')

  df.C.plot(c='y')

  df.D.plot(c='grey')

  

提供了多張圖示出現在一畫面的方式

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

df.plot(subplots=True, figsize=(6, 6));

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

# subplot 排列方法 ：layout=(2, 3)->(raw,column)：

df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False);

# subplot 排列方法 ：指定哪個raw哪個column放哪個資料：

fig, axes = plt.subplots(nrows=2, ncols=2)

df['A'].plot(ax=axes[0,0],c='k') ; axes[0,0].set_title('A');

df['B'].plot(ax=axes[0,1],c='k',alpha =0.7); axes[0,1].set_title('B');

df['C'].plot(ax=axes[1,0],c='k',alpha= 0.4); axes[1,0].set_title('C');

df['D'].plot(ax=axes[1,1],c='k',alpha= 0.1); axes[1,1].set_title('D');

subplot ,增加cv bias mean等的資訊在table欄位

from pandas.tools.plotting import table

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

fig,ax = plt.subplots(1, 1)

# describe()：會幫忙算出cv bias mean...

# table 用來顯示欄位用的

table(ax, np.round(df.describe(), 2),loc='upper left', colWidths=[0.1, 0.1, 0.1,0.1])

df.plot(ax=ax,figsize=(10, 10))

 colormap

from pandas.tools.plotting import table

df = pd.DataFrame(np.random.randn(1000, 4), columns=['A', 'B', 'C', 'D'])

df= df.cumsum()

df.plot(colormap='Greens')

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote