##### 0. 前期准备：导入三个必备的库，推荐使用jupyter notebook或者spyder编程环境```code import numpy as np impor

0. 前期准备：

导入三个必备的库，推荐使用jupyter notebook或者spyder编程环境

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

1. 线形图

1） Series直接生成线形图

参数介绍： Series.plot() ：series的index为横坐标，value为纵坐标 kind → line,bar,barh…（折线图，柱状图，柱状图-横…） label → 图例标签，Dataframe格式以列名为label style → 风格字符串，这里包括了linestyle（-），marker（.），color（g） color → 颜色，有color指定时候，以color颜色为准 alpha → 透明度，0-1 use_index → 将索引用为刻度标签，默认为True rot → 旋转刻度标签，0-360 grid → 显示网格，一般直接用plt.grid xlim,ylim → x,y轴界限 xticks,yticks → x,y轴刻度值 figsize → 图像大小 title → 图名 legend → 是否显示图例，一般直接用plt.legend()

    ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2020', periods=1000))
    ts = ts.cumsum()
    ts.plot(kind='line',
           label = 'demo',
           style = '--g.',
           color = 'red',
           alpha = 0.4,
           use_index = True,
           rot = 45,
           #grid = True,
           ylim = [-50,50],
           yticks = list(range(-50,50,10)),
           figsize = (8,4),
           title = 'test',
           legend = True)

–> 输出的结果为：（网格一些基础设置之前已经设置过了） 2）Dataframe直接生成图表

参数介绍： subplots → 是否将各个列绘制到不同图表，默认False colormap → 因为是默认按列进行绘图，所以有个colormap参数可以设置，具体的可取样式，可以参照上个博客的讲解方式

    df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
    df = df.cumsum()
    df.plot(kind='line',
           style = '--.',
           alpha = 0.4,
           use_index = True,
           rot = 45,
           grid = True,
           figsize = (8,4),
           title = 'test',
           legend = True,
           subplots = False,
           colormap = 'jet')

–> 输出的结果为：（可以试试 subplots = True 的情况）

2. 柱状图与堆叠图

1） plt.plot(kind='bar/barh')

ax 参数 → 选择第几个子图，之前博客已经有介绍

随机生成数据：

    plt.rcParams['figure.dpi'] = 200
    fig,axes = plt.subplots(4,1,figsize = (10,10))
    s = pd.Series(np.random.randint(0,10,16),index = list('abcdefghijklmnop'))  
    df = pd.DataFrame(np.random.rand(10,3), columns=['a','b','c'])

① 单系列柱状图： plt.plot(kind='bar/barh')

    s.plot(kind='bar',color = 'k',grid = True,alpha = 0.5,ax = axes[0],edgecolor = 'k') 

–> 输出的结果为： ② 多系列柱状图：直接使用 DataFrame 的多列数据

    df.plot(kind='bar',ax = axes[1],grid = True,colormap='Reds_r',edgecolor = 'k')

–> 输出的结果为： ③ 多系列堆叠图： stacked 参数→ 堆叠

    df.plot(kind='bar',ax = axes[2],grid = True,colormap='Blues_r',stacked=True,edgecolor = 'k') 

–> 输出的结果为： ④ 横向柱状图： df.plot.barh()/df.plot(kind = 'barh')

    df.plot.barh(ax = axes[3],grid = True,stacked=True,colormap = 'BuGn_r',edgecolor = 'k')
    #df.plot(kind = 'barh',ax = axes[3],grid = True,stacked=True,colormap = 'BuGn_r',edgecolor = 'k')

–> 输出的结果为： 2） plt.bar() x,y 参数 → x，y值 width → 宽度比例 facecolor → 柱状图里填充的颜色 edgecolor → 是边框的颜色 left → 每个柱x轴左边界 bottom → 每个柱y轴下边界 ， bottom扩展即可化为甘特图 Gantt Chart align → 决定整个bar图分布，默认left表示默认从左边界开始绘制,center会将图绘制在中间位置 xerr/yerr → x/y方向error bar

    plt.figure(figsize=(10,4))
    x = np.arange(10)
    y1 = np.random.rand(10)
    y2 = -np.random.rand(10)
    
    plt.bar(x,y1,width = 1,facecolor = 'yellowgreen',edgecolor = 'white',yerr = y1*0.1)
    plt.bar(x,y2,width = 1,facecolor = 'lightskyblue',edgecolor = 'white',yerr = y2*0.1)
    
    for i,j in zip(x,y1):
        plt.text(i+0.3,j-0.15,'%.2f' % j, color = 'white')
    for i,j in zip(x,y2):
        plt.text(i+0.3,j+0.05,'%.2f' % -j, color = 'white')
    #批量加注解
    plt.margins(0.005)

–> 输出的结果为：（注意注解的微调， plt.margins() 两边间距的调整） ★★★★★ 3） 外嵌图表plt.table()

plt.table (cellText=None, cellColours=None,cellLoc=‘right’, colWidths=None,rowLabels=None, rowColours=None, rowLoc=‘left’, colLabels=None, colColours=None, colLoc=‘center’,loc=‘bottom’, bbox=None)

参数讲解： cellText ：表格文本 cellLoc ：cell内文本对齐位置 rowLabels ：行标签 colLabels ：列标签 rowLoc ：行标签对齐位置 loc ：表格位置 → left，right，top，bottom

    data = [[ 66386, 174296,  75131, 577908,  32015],
            [ 58230, 381139,  78045,  99308, 160454],
            [ 89135,  80552, 152558, 497981, 603535],
            [ 78415,  81858, 150656, 193263,  69638],
            [139361, 331509, 343164, 781380,  52269]]
    columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail')
    rows = ['%d year' % x for x in (100, 50, 20, 10, 5)]
    df = pd.DataFrame(data,columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail'),
                     index = ['%d year' % x for x in (100, 50, 20, 10, 5)])
    
    df.plot(kind='bar',grid = True,colormap='Blues_r',stacked=True,figsize=(8,3))
    # 创建堆叠图
    
    plt.table(cellText = data,
              cellLoc='center',
              cellColours = None,
              rowLabels = rows,
              rowColours = plt.cm.BuPu(np.linspace(0, 0.5,5))[::-1],  # BuPu可替换成其他colormap
              colLabels = columns,
              colColours = plt.cm.Reds(np.linspace(0, 0.5,5))[::-1], 
              rowLoc='right',
              loc='bottom')

–> 输出的结果为：（科研或者工程常用制图）

3. 面积图

plt.plot.area() :

使用 Series.plot.area() 和 DataFrame.plot.area() 创建面积图 stacked ：是否堆叠，默认情况下，区域图被堆叠 为了产生堆积面积图，每列必须是正值或全部负值！ 当数据有NaN时候，自动填充0，所以图标签需要清洗掉缺失值

    fig,axes = plt.subplots(2,1,figsize = (8,6))
    df1 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
    df1.plot.area(colormap = 'Greens_r',alpha = 0.5,ax = axes[0])

–> 输出的结果为： stacked 参数的使用

    df2 = pd.DataFrame(np.random.randn(10, 4), columns=['a', 'b', 'c', 'd'])
    df2.plot.area(stacked=False,colormap = 'Set2',alpha = 0.5,ax = axes[1])

–> 输出的结果为：

4. 填图

1） 对函数与坐标轴之间的区域进行填充，使用 fill 函数 2） 填充两个函数之间的区域，使用 fill_between 函数

    fig,axes = plt.subplots(2,1,figsize = (8,6))
    
    x = np.linspace(0, 1, 500)
    y1 = np.sin(4 * np.pi * x) * np.exp(-5 * x)
    y2 = -np.sin(4 * np.pi * x) * np.exp(-5 * x)
    axes[0].fill(x, y1, 'r',alpha=0.5,label='y1')
    axes[0].fill(x, y2, 'g',alpha=0.5,label='y2')
    # 也可写成：plt.fill(x, y1, 'r',x, y2, 'g',alpha=0.5)
    
    x = np.linspace(0, 5 * np.pi, 1000) 
    y1 = np.sin(x)  
    y2 = np.sin(2 * x)  
    axes[1].fill_between(x, y1, y2, color ='b',alpha=0.5,label='area')  
    
    for i in range(2):
        axes[i].legend()
        axes[i].grid()

–> 输出的结果为：

5. 饼图

plt.pie (x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, hold=None, data=None)

参数讲解： 第一个参数 x ：数据 explode ：指定每部分的偏移量 labels ：标签 colors ：颜色 autopct ：饼图上的数据标签显示方式 pctdistance ：每个饼切片的中心和通过autopct生成的文本开始之间的比例 labeldistance ：被画饼标记的直径,默认值：1.1 shadow ：阴影 startangle ：开始角度 radius ：半径 frame ：图框 counterclock ：指定指针方向，顺时针或者逆时针

    s = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series')
    plt.axis('equal')  # 保证长宽相等
    plt.pie(s,
           explode = [0.1,0,0,0],
           labels = s.index,
           colors=['r', 'g', 'b', 'c'],
           autopct='%.2f%%',
           pctdistance=0.6,
           labeldistance = 1.2,
           shadow = True,
           startangle=0,
           radius=1.5,
           frame=False)
    print(s)

–> 输出的结果为：