Pandas绘图

极速数据探索利器：Pandas 内置绘图 df.plot() 核心语法与高阶参数精讲

小象实战讲义 · Python数据分析实战

在日常数据清洗与敏捷探索分析中，每次为了画一张简单的折线图或箱线图都去写四五行 Matplotlib 配置往往显得过于繁琐。Pandas 在 Series 和 DataFrame 上直接封装了一套极其便捷的 内置绘图引擎（df.plot()）。它能够自动将 DataFrame 的行索引作为 X 轴、列名作为图例、各列数据作为 Y 轴，一句话完成从数据结构到图表呈现的转换。本节我们将全面掌握 df.plot() 的各种图表类型、子图切分以及散点矩阵探索。

💡 核心导读

• df.plot(kind=...) 核心图表类型全解：
  • kind='line'（默认折线走势图）；
  • kind='bar' / 'barh'（垂直/水平柱状图，支持 stacked=True 堆叠）；
  • kind='hist'（频数分布直方图）；
  • kind='box'（箱线图快速排查离群点）；
  • kind='scatter'（两列散点相关图）；
  • kind='area'（面积堆叠图）。
• subplots=True：一键为每一列生成独立的垂直子图。
• 高阶散点矩阵 pd.plotting.scatter_matrix()：极速全特征两两交叉透视。

1. df.plot 核心图表类型与一键出图实战

df.plot 自动处理索引与列名的映射：

┌─────────────────────────────────────────────────────────────┐
│                 Pandas df.plot() 自动映射模型               │
├─────────────────────────────────────────────────────────────┤
│ 1. 行索引 (Index: 如日期) ──► 自动映射为 X 轴刻度标签       │
│ 2. 各列字段 (Columns)     ──► 自动绘制为多条曲线并生成图例  │
│ 3. 参数 kind              ──► 自由切换 line/bar/hist/box    │
└─────────────────────────────────────────────────────────────┘

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 解决中文显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

# 1. 创建包含时间序列的多分店月度销售额
np.random.seed(42)
dates = pd.date_range("2024-01-01", periods=12, freq="ME")
df_sales = pd.DataFrame({
    "东区分店": np.random.randint(100, 200, size=12),
    "西区分店": np.random.randint(80, 160, size=12),
    "南区分店": np.random.randint(120, 250, size=12)
}, index=dates.strftime("%Y-%m"))

print("=== 1. 待绘制的销售月报表格 ===")
print(df_sales.head(4))

# 2. Pandas 一行代码绘制折线图
fig, ax = plt.subplots(figsize=(8.5, 4))
df_sales.plot(kind="line", marker="o", title="各分店 2024 年度销售走势 (df.plot)", ax=ax)
ax.set_ylabel("销售额 (万元)")
ax.grid(True, alpha=0.3)

plt.savefig("pandas_plot_line.png", bbox_inches="tight")
plt.close(fig)

# 3. 绘制堆叠柱状图 (stacked=True)
fig, ax = plt.subplots(figsize=(8.5, 4))
df_sales.plot(kind="bar", stacked=True, title="各分店月度销售总额构成堆叠图", ax=ax)
ax.set_ylabel("总销售额 (万元)")
plt.xticks(rotation=45)

plt.savefig("pandas_plot_stacked.png", bbox_inches="tight")
plt.close(fig)
print("✅ Pandas 原生折线图与堆叠柱状图出图成功！")

2. 多列子图一键切分与散点矩阵 scatter_matrix

开启 subplots=True 可以一键将各列拆分到独立的子图中展示；使用 scatter_matrix 快速排查全表相关性。

# 1. subplots=True 一键生成各列独立子图
axes = df_sales.plot(subplots=True, layout=(3, 1), figsize=(8, 6), sharex=True, title="各分店独立监控子图")
plt.savefig("pandas_subplots_demo.png", bbox_inches="tight")
plt.close()

# 2. 散点矩阵 scatter_matrix 全特征探索
from pandas.plotting import scatter_matrix
sm_axes = scatter_matrix(df_sales, figsize=(7, 7), diagonal="kde", color="darkblue", alpha=0.8)
plt.suptitle("分店销售额两两相关性散点矩阵 (scatter_matrix)", y=1.02)

plt.savefig("pandas_scatter_matrix.png", bbox_inches="tight")
plt.close()

import os
for f in ["pandas_plot_line.png", "pandas_plot_stacked.png", "pandas_subplots_demo.png", "pandas_scatter_matrix.png"]:
    if os.path.exists(f): os.remove(f)
print("✅ 散点矩阵与多子图拆分完成！")

📝 动手练一练

1. 概念思考题：在使用 df.plot(kind=‘bar’) 绘制柱状图时，如果不希望各列并列排布，而是希望将各列数值在同一根柱子上从下往上累加展示，应该设置什么关键参数？

   👉 点击查看参考答案

   参考答案： 设置参数 stacked=True（堆叠模式开启）。

2. 编程练习：给定 DataFrame df = pd.DataFrame({'A': [10, 20, 15, 30], 'B': [5, 8, 12, 18]})，请使用 Pandas 一句话绘制箱线图。

   👉 点击查看参考答案

   参考答案：

   import pandas as pd
   import matplotlib.pyplot as plt
   df = pd.DataFrame({'A': [10, 20, 15, 30], 'B': [5, 8, 12, 18]})
   df.plot(kind='box')
   plt.close()

本章小结

• 掌握了 df.plot() 自动基于索引和列名生成各类图表的敏捷语法；
• 熟练运用 stacked=True、subplots=True 实现多维度堆叠与子图分流；
• 掌握了使用 pd.plotting.scatter_matrix() 极速完成多变量高维探索的实战方法。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 做好准备，进入第 7 章压轴大实战——《实战：Lending Club 互联网信贷数据探索性分析及可视化》！

—— 小象教研组