这篇文章主要讲解了“Python Pandas库的使用方法是什么”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Python Pandas库的使用方法是什么”吧！
创新互联于2013年成立，先为沈北新等服务建站，沈北新等地企业，进行企业商务咨询服务。为沈北新企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
刚接触Python的新手、小白，可以复制下面的链接去免费观看Python的基础入门教学视频
https://v.douyu.com/author/y6AZ4jn9jwKW
在Python中，常见的数据可视化库有3个：
matplotlib：最常用的库，可以算作可视化的必备技能库，比较复杂，api多，学起来不太容易。
seaborn：是重构于matplotlib基础上，可以满足可视化需求，更特殊的需求还是需要学习matplotlib。
pyecharts：上面的两个库都是静态的可视化库，而pyecharts有很好的网络兼容性，可以做到可视化的动态效果。并且种类也比较丰富。这类这个图，就非常厉害：画图神器pyecharts-旭日图
Pandas：而今天要讲的是Pandas的可视化，Pandas主要作为数据分析的库，虽然没有上述三个库那个强大，但是胜在方便，在数据分析的过程中，只要一行代码就能实现。也非常漂亮。
熊猫中，有11个比较常见的图形可视化，还有几个比较进阶的，我们一个一个看看怎么画的
import pandas as pd import numpy as np df= pd.DataFrame(np.random.rand(10, 4), columns=['A','B','C','D'])
df.plot.bar()
stack = True，画堆叠柱状图
df.plot.bar(stacked=True)
同样，stacked = True，画堆叠柱状图
df.plot.barh(stacked=True)
df.plot.area(stacked=True,alpha = 0.9)
df.plot.density()
换个数据集
df = pd.DataFrame({'A': np.random.randn(1000) + 1,
'B': np.random.randn(1000),
'C': np.random.randn(1000) - 1},
columns=['A', 'B', 'C'])
df.plot.hist(bins=200)
df.plot.hist(stacked=True, bins=20)
df= pd.DataFrame(np.random.rand(1000, 4), columns=['A','B','C','D']) df.diff().hist(color='k', alpha=0.7, bins=50)
df= pd.DataFrame(np.random.rand(100, 4), columns=['A','B','C','D']) df.plot.box()
df.plot.scatter(x='A',y='B')
df = pd.DataFrame(np.random.randn(1000, 2), columns=['a', 'b']) df['b'] = df['b'] + np.arange(1000) df.plot.hexbin(x='a', y='b', gridsize=25)
series = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series') series.plot.pie(figsize=(6, 6))
from pandas.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')
data = pd.read_csv('C:/Users/wuzhengxiang/Desktop/iris.csv')
pd.plotting.andrews_curves(data , 'Name')
andrews_curves(data, 'Name', colormap='winter')
from pandas.plotting import parallel_coordinates parallel_coordinates(data, 'Name', colormap='gist_rainbow')
from pandas.plotting import lag_plot df= pd.Series(0.1 * np.random.rand(1000) + 0.9 * np.sin(np.linspace(-99 * np.pi, 99 * np.pi, num=1000))) lag_plot(df)
直接画图，预设为折线图
df= pd.DataFrame(np.random.rand(12, 4), columns=['A','B','C','D']) df.plot()
df.plot(subplots=True,layout=(2, 2), figsize=(15, 8))
df= pd.DataFrame(np.random.rand(1000, 4), columns=['A','B','C','D']) df.plot()
df.plot(subplots=True,layout=(2, 2), figsize=(15, 8))
s = pd.Series(np.random.uniform(size=100)) pd.plotting.bootstrap_plot(s)
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.html https://pandas.pydata.org/pandas-docs/version/0.18.1/visualization.html
DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, sharex=None, sharey=False, layout=None, figsize=None, use_index=True, title=None, grid=None, legend=True, style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, rot=None, fontsize=None, colormap=None, position=0.5, table=False, yerr=None, xerr=None, stacked=True/False, sort_columns=False, secondary_y=False, mark_right=True, **kwds)
注意：每种绘图类型都有相对应的方法：df.plot（kind = 'line' ）与df.plot.line（）等价
x：标签或位置，默认为None＃指数据列的标签或位置参数
y：标签，位置或标签列表，位置，默认值无
种类：str＃绘图类型
'line'：线图（默认）＃折线图
'bar'：垂直条形图。条形图。stacked为True时为堆叠的柱状图
'barh'：水平条形图
'hist'：histogram＃直方图（数值频率分布）
'box'：boxplot＃箱型图
'kde'：内核密度估计图＃密度图，主要对柱状图添加内核概率密度线
'密度'：与'kde'相同
'area'：area plot＃与x轴所围的区域图（面积图）。Stacked= True时，每列必须全部为正或负值，stacked = False时，对数据没有要求
'pie'：pie plot＃饼图。数值必须为正值，需指定Y轴或者subplots = True
'scatter'：散点图＃散点图。需指定X轴Y轴
'hexbin'：hexbin图＃蜂巢图。需指定X轴Y轴
'hexbin'：hexbin图＃蜂巢图。需指定X轴Y轴
ax：matplotlib轴对象，默认值None＃**子图（axes，也可以理解成坐标轴）要在其上进行交易的matplotlib子图对象。如果没有设置，则使用当前matplotlib子图**其中，变量和函数通过改变figure和axes中的元素（例如：title，label，点和线等等）一起描述figure和axes，也就是在画布上绘图。
子图：布尔值，默认为False＃是否对列分别作子图
sharex：布尔值，默认值为true，如果ax为None False＃如果ax为None，则设为为True，否则为False
如果subplots = True，则共享x轴并将一些x轴标签设置为不可见；如果ax为None则默认为True，否则为False。请注意，同时传递ax和sharex = True将更改图形中所有轴的所有x轴标签！
sharey：布尔值，默认为False＃如果有子图，子图共y轴刻度，标签
如果subplots = True，则共享y轴并将一些y轴标签设置为不可见
layout：用于子图的元组（行，列）＃子图的行列布局
figsize：以英寸为单位的元组（宽度，高度）
use_index：布尔值，默认为True
title：字符串＃图片的标题用字符串
地块标题
grid：布尔值，默认值None＃图片是否有网格
legend：False / True /'reverse'＃子图的图例（交替为True）
样式：列表或字典＃对每列折线图设置线的类型
logx：布尔值，默认为False。
类型：布尔值，默认为False
loglog：布尔值，默认为False＃同时设置x，y轴刻度是否取对数
xticks：sequence＃设置x轴刻度值，序列形式（某些列表）
yticks：sequence＃设置y轴刻度，序列形式（几种列表）
xlim：float / 2-tuple / list＃设置坐标轴的范围。数值（变量），列表或元组（区间范围）
ylim：浮点数/ 2元组/列表
rot：int，默认值None＃设置轴标签（轴刻度）的显示旋转度数
fontsize：int，默认值None＃设置轴刻度的字体大小
colormap：str或matplotlib colormap对象，默认值为None。
colorbar：布尔值，可选＃柱子颜色
如果为True，则绘制颜色条（仅与“散布”图和“六边形”图有关）
position：float＃条形图的对齐方式，取值范围[0,1]，即左下端到右上端替换0.5（中间对齐）
layout：tuple（可选）＃布局。layout=（2，3）两行三列，layout =（2，-1）两行自适应列数
例如。df.plot（subplots = True，layout =（2，-1），sharex = False）
table：布尔值，Series或DataFrame，默认为False＃图下添加表。如果为True，则使用DataFrame中的数据图表，并且数据将被旋转放置到matplotlib的布局。。
yer：DataFrame，Series，类数组，dict和str
有关详细信息，请参见使用误差线绘图。
xerr：与yerr相同的类型。
堆叠：布尔值，线形图和条形图默认为False，面积图为True。如果为True，则创建堆积图。＃前面有介绍
sort_columns：布尔值，默认值为False。
secondary_y：布尔值或序列，默认为False＃设置第二个y轴（右辅助y轴）
是否在次要y轴上绘制如果是 列表/元组，则在次要y轴上绘制哪些列
mark_right：布尔值，默认为True
感谢各位的阅读，以上就是“Python Pandas库的使用方法是什么”的内容了，经过本文的学习后，相信大家对Python Pandas库的使用方法是什么这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！