Pandas一定不会陌生，但是Pandas除了在数据处理上大放异彩，随着版本的不断更新，Pandas的绘图功能在某些情况下甚至要比Matplotlib更加适用，本文就将介绍如何用Pandas更快的进行数据可视化！基本使用，学会制作套路
首先我们使用pandas随机生成示例数据
代码语言：javascript复制import pandas as pd
df= pd.DataFrame(np.random.rand(8, 4), columns=['A','B','C','D'])
现在只要一行代码，即可完成柱状图的绘制df.plot.bar()
同样是这个图，如果使用Matplotlib制作的话?
代码语言：javascript复制import matplotlib.pyplot as plt
x = np.array(df.index.tolist())
y1 = df.A.tolist()
y2 = df.B.tolist()
y3 = df.C.tolist()
y4 = df.D.tolist()
y5 = df.E.tolist()
total_width, n = 0.8, 5
width = total_width / n
x = x - (total_width - width) / 2
plt.bar(x, y1, width=width, label='A')
plt.bar(x width, y2, width=width, label='B')
plt.bar(x 2*width, y3, width=width, label='C')
plt.bar(x 3*width, y4, width=width, label='D')
plt.bar(x 4*width, y5, width=width, label='E')
plt.legend()
plt.show()
可以看到，虽然结果差不多，不过代码量瞬间就上去了，如果你是Matplotlib高手可能会用更简洁的代码制作，但一定没有pandas一行代码来的方便！
更多图表，一览Pandas强大
下面我们继续看看，一行pandas代码能做出哪些常用的图！
堆叠柱状图，添加一个参数即可df.plot.barh(stacked=True)
堆叠面积图df.plot.area(stacked=True,alpha = 0.9)
密度估计图df.plot.kde()
直方图的话，我们需要换一组数据
代码语言：javascript复制df = pd.DataFrame({'a': np.random.randn(1000) 1,
'b': np.random.randn(1000),
'c': np.random.randn(1000) - 1},
columns=['a', 'b', 'c'])
下面，两行代码就能制作堆叠/不堆叠的直方图
代码语言：javascript复制df.plot.hist(stacked=True, bins=20)
df.plot.hist(alpha=0.5)
当然包括什么箱线图、散点图等常用图形，都可以通过一行代码轻松搞定?
代码语言：javascript复制df.plot.box()
df['value'].plot()
df.plot.scatter()
data.plot.hexbin(x='A',y='B')
制作子图可以吗？ 只需要设置subplots=True就行了，子图位置、大小调整方式和Matplotlib设置一样！
data.plot(subplots=True,layout=(3, 2), figsize=(15, 8));
更多的图表，本文就不再一一展示，从官方文档中可以看到(我的版本是0.23.4)，Pandas一共支持14种常见图表的直接绘制，感兴趣的读者可以进一步阅读官方文档！
其实对图片敏感的读者可以发现，这不就是基于Matplotlib做出来的吗？所以它支持像调整Matplotlib图表一样，在作图时修改一些参数来控制图片的大小、图例、颜色、位置等因素。
修改主题，解锁酷炫样式
最后，如果你觉得默认生成的图表不够好看(我是这么觉得)，而它又是基于Matoplotlib制作的，所以我们可以使用同样套着Matplotlib壳的Seaborn调色板，从而调整图片主题。
还是上面的数据，下面让我们换个主题重新绘制
代码语言：javascript复制import seaborn as sns
sns.set_palette("pastel", 8)
import seaborn as sns
sns.set_palette("Blues_r", 8)
import seaborn as sns
sns.set_palette("magma", 8)
上面是我常用的几种配色，更多的颜色搭配你可以在seaborn相关文档中找到并使用！
以上就是关于如何在使用Python更快速的对数据进行可视化，我们可以发现，在很多情况下，使用Pandas直接进行绘图会显得更加高效便捷！
但本文的目的并不是让你彻底放弃Matplotlib，在使用pandas绘图时很多参数设置都需要参考Matplotlib，所以我们应该在点亮这项技能后，能根数据和场景的不同，选择一个最合适的工具来完成可视化！
