Визуализация

Мы используем стандартную конвенцию для ссылки на API matplotlib:

In [1]: import matplotlib.pyplot as plt

In [2]: plt.close('all')

Мы предоставляем основы в pandas для лёгкого создания графиков с приличным внешним видом. Смотрите раздел экосистемы для библиотек визуализации, которые выходят за рамки базовых функций, документированных здесь.

Базовая визуализация: plot

Мы продемонстрируем основы, см. справочник для некоторых продвинутых стратегий.

Метод plot для Series и DataFrame — это просто обертка над plt.plot():

In [3]: ts = pd.Series(np.random.randn(1000),
   ...:                index=pd.date_range('1/1/2000', periods=1000))
   ...: 

In [4]: ts = ts.cumsum()

In [5]: ts.plot()
Out[5]: <matplotlib.axes._subplots.AxesSubplot at 0x7f65d8c0ac50>

Если индекс состоит из дат, он вызывает gcf().autofmt_xdate(), чтобы красиво отформатировать ось x, как описано выше.

Для DataFrame, plot() — это удобный способ построить все столбцы с метками:

In [6]: df = pd.DataFrame(np.random.randn(1000, 4),
   ...:                   index=ts.index, columns=list('ABCD'))
   ...: 

In [7]: df = df.cumsum()

In [8]: plt.figure();

In [9]: df.plot();

Вы можете построить один столбец против другого, используя ключевые слова x и y в plot():

In [10]: df3 = pd.DataFrame(np.random.randn(1000, 2), columns=['B', 'C']).cumsum()

In [11]: df3['A'] = pd.Series(list(range(len(df))))

In [12]: df3.plot(x='A', y='B')
Out[12]: <matplotlib.axes._subplots.AxesSubplot at 0x7f65d97c1668>

Другие графики

Методы построения графиков позволяют использовать несколько стилей графиков помимо стандартного линейного графика. Эти методы могут быть заданы в качестве ключевого аргумента kind к plot() и включают:

• ‘bar’ или ‘barh’ для столбчатых диаграмм
• ‘hist’ для гистограмм
• ‘box’ для ящиковых диаграмм
• ‘kde’ или ‘density’ для графиков плотности
• ‘area’ для графиков областей
• ‘scatter’ для точечных графиков
• ‘hexbin’ для гексагональных графиков
• ‘pie’ для круговых диаграмм

Например, столбчатую диаграмму можно создать следующим образом:

In [13]: plt.figure();

In [14]: df.iloc[5].plot(kind='bar');

Вы также можете создать эти другие графики, используя методы DataFrame.plot.<kind> вместо указания ключевого аргумента kind. Это упрощает обнаружение методов построения графиков и используемых ими аргументов:

In [15]: df = pd.DataFrame()

In [16]: df.plot.<TAB>  # noqa: E225, E999
df.plot.area     df.plot.barh     df.plot.density  df.plot.hist     df.plot.line     df.plot.scatter
df.plot.bar      df.plot.box      df.plot.hexbin   df.plot.kde      df.plot.pie

В дополнение к этим kind имеются методы DataFrame.hist() и DataFrame.boxplot(), которые используют отдельный интерфейс.

Наконец, в pandas.plotting имеется несколько функций построения графиков, которые принимают Series или DataFrame в качестве аргумента. К ним относятся:

• Матрица рассеяния
• Кривые Эндрюса
• Параллельные координаты
• График запаздывания
• График автокорреляции
• График бутстрапа
• RadViz

Графики также можно дополнить погрешностями или таблицами.

Столбчатые диаграммы

Для данных с метками, не являющихся временными рядами, вы можете создать столбчатую диаграмму:

In [17]: plt.figure();

In [18]: df.iloc[5].plot.bar()
Out[18]: <matplotlib.axes._subplots.AxesSubplot at 0x7f65da446a90>

In [19]: plt.axhline(0, color='k');

Вызов метода plot.bar() DataFrame создаёт диаграмму с несколькими столбцами:

In [20]: df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])

In [21]: df2.plot.bar();

Для создания столбчатой диаграммы с накоплением передайте stacked=True:

In [22]: df2.plot.bar(stacked=True);

Для получения горизонтальных столбчатых диаграмм используйте метод barh:

In [23]: df2.plot.barh(stacked=True);

Гистограммы

Гистограммы можно построить, используя методы DataFrame.plot.hist() и Series.plot.hist().

In [24]: df4 = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),
   ....:                     'c': np.random.randn(1000) - 1}, columns=['a', 'b', 'c'])
   ....: 

In [25]: plt.figure();

In [26]: df4.plot.hist(alpha=0.5)
Out[26]: <matplotlib.axes._subplots.AxesSubplot at 0x7f65da345e48>

Гистограмму можно сделать стопкой, используя stacked=True. Размер бина можно изменить, используя ключевое слово bins.

In [27]: plt.figure();

In [28]: df4.plot.hist(stacked=True, bins=20)
Out[28]: <matplotlib.axes._subplots.AxesSubplot at 0x7f65da30b9b0>

Вы можете передавать другие ключевые слова, поддерживаемые matplotlib hist. Например, горизонтальные и кумулятивные гистограммы можно построить, используя orientation='horizontal' и cumulative=True.

In [29]: plt.figure();

In [30]: df4['a'].plot.hist(orientation='horizontal', cumulative=True)
Out[30]: <matplotlib.axes._subplots.AxesSubplot at 0x7f65da69fd68>

См. метод hist и документацию по гистограммам matplotlib matplotlib hist documentation для получения дополнительной информации.

Существующий интерфейс DataFrame.hist для построения гистограмм всё ещё может быть использован.

In [31]: plt.figure();

In [32]: df['A'].diff().hist()
Out[32]: <matplotlib.axes._subplots.AxesSubplot at 0x7f65dac9d240>

DataFrame.hist() строит гистограммы столбцов на нескольких подграфиках:

In [33]: plt.figure()
Out[33]: <Figure size 640x480 with 0 Axes>

In [34]: df.diff().hist(color='k', alpha=0.5, bins=50)