以下是DataFrame.plot()方法的参数以及它们的作用和可选值：
x：横轴的列名或位置索引，用于指定绘图时使用的横轴数据。
y：纵轴的列名或位置索引，用于指定绘图时使用的纵轴数据。
kind：绘图类型，可以是以下选项：
'line'：折线图'bar'：垂直条形图'barh'：水平条形图'hist'：直方图'box'：箱线图'kde'：核密度估计图'density'：与 'kde' 相同'area'：面积图'pie'：饼图'scatter'：散点图'hexbin'：六边形散点图ax：Matplotlib Axes对象，用于在已有的图形上添加新的图层。
subplots：布尔值，如果为True，则为每个列绘制单独的子图。
sharex：布尔值，如果subplots为True，则共享x轴。
sharey：布尔值，如果subplots为True，则共享y轴。
layout：元组，用于指定子图的行列布局。
figsize：元组，图形的尺寸，以英寸为单位。
use_index：布尔值，默认为True，使用行索引作为x轴。
title：字符串，图形的标题。
grid：布尔值，控制是否显示网格线。
legend：布尔值或者字符串’reverse’，控制是否显示图例。
style：列表或字典，用于指定每列折线图的线条样式。
logx：布尔值，是否使用对数坐标轴（x轴）。
logy：布尔值，是否使用对数坐标轴（y轴）。
loglog：布尔值，是否同时使用对数坐标轴（x轴和y轴）。
xticks：序列，用于自定义x轴刻度值。
yticks：序列，用于自定义y轴刻度值。
xlim：列表或元组，自定义x轴显示范围。
ylim：列表或元组，自定义y轴显示范围。
rot：整数，设置刻度标签的旋转角度。
fontsize：整数，设置刻度标签的字体大小。
colormap：字符串或Matplotlib colormap对象，默认为None，用于选择图的区域颜色。
colorbar：布尔值，如果为True，则在柱状图和散点图上添加颜色条。
position：浮点数，用于指定条形图布局的相对对齐位置（0表示左端/底端，1表示右端/顶端）。
table：布尔值、Series或DataFrame，默认为False，如果为True，则根据DataFrame的数据绘制表格。
yerr和xerr：DataFrame、Series、数组或字典，用于绘制带有误差条的图表（详情请参考绘图带有误差条的方法）。
stacked：布尔值，在折线图和柱状图中默认为False，在面积图中默认为True，用于创建堆叠图。
sort_columns：布尔值，默认为False，以字母表顺序绘制各列，默认使用前列顺序。
secondary_y：布尔值或序列，默认为False，是否在右侧添加第二个y轴。如果是序列，指定要在右侧绘制的列。
mark_right：布尔值，默认为True，当使用第二个y轴时，是否自动在图例中标记列标签为"(right)"。
**kwds：其他传递给Matplotlib绘图方法的关键字参数。
返回值：
axes：Matplotlib AxesSubplot对象或其数组。示例：
import pandas as pdimport matplotlib.pyplot as plt# 创建示例数据data = {'Year': [2015, 2016, 2017, 2018, 2019, 2020, 2021],'Sales': [100, 120, 150, 180, 200, 230, 250],'Expenses': [80, 90, 100, 110, 120, 130, 140]}df = pd.DataFrame(data)# 绘制折线图df.plot(x='Year', y=['Sales', 'Expenses'], kind='line', marker='o', linewidth=2)plt.title('Sales and Expenses Over Years')plt.xlabel('Year')plt.ylabel('Amount (in thousands)')plt.grid(True)plt.legend(['Sales', 'Expenses'])plt.show()# 绘制条形图df.plot(x='Year', y=['Sales', 'Expenses'], kind='bar', alpha=0.7)plt.title('Sales and Expenses Over Years')plt.xlabel('Year')plt.ylabel('Amount (in thousands)')plt.grid(axis='y')plt.legend(['Sales', 'Expenses'])plt.show()Seaborn绘图 -数据可视化必备
官方示例：https://seaborn.pydata.org/tutorial.html Seaborn是一个构建在matplotlib之上的一个非常完美的Python可视化库。 与Matplotlib的低级接口相比，Seaborn具有高级接口。适合处理数据流
主题样式Seaborn 有五个预设的主题样式：darkgrid、whitegrid、dark、white 和 ticks。这些主题样式可通过 sns.set(style='样式名') 或 sns.set_style('样式名') 命令切换
darkgrid 主题，显示灰色背景带网格线，无坐标轴刻度线。# 默认主题，可简写为 sns.set()whitegrid 主题，显示白色背景带网格线，无坐标轴刻度线。dark 主题，显示灰色背景无网格线，无坐标轴刻度线。white 主题，显示白色背景无网格线，无坐标轴刻度线。ticks 主题，显示白色背景无网格线，有坐标轴刻度线需要导入的包
import numpy as npimport matplotlib.pyplot as pltimport seaborn as snsimport pandas as pdfrom scipy import stats 导入数据集数据来源：https://datahack.analyticsvidhya.com/contest/enigmacodefestmachinelearning1/
df = pd.read_csv(r"train_NIR5Yl1.csv")df.head() 可视化统计关系 散点图散点图可以可视化两个变量之间的关系。每个点在数据集中显示一个观察值，这些观察值用点状结构表示。图中显示了两个变量的联合分布。
# 创建图形和轴sns.relplot(x="Views", y="Upvotes", data = df)显示与数据相关的标签
sns.relplot(x="Views", y="Upvotes", hue = "Tag", data = df)# 另外还可以通过参数size = "Tag"或者数size=(15,200)。,改变点大小另外可以在色调(Hue)的帮助下在我们的图片中添加另一个维度，通过为点赋予颜色来实现，每种颜色都有一些附加的意义。
sns.relplot(x="Views", y="Upvotes", hue = "Answers", data = df); 抖动图使用的数据来源：https://datahack.analyticsvidhya.com/contest/wnsanalyticshackathon20181/
使用catplot()函数查看education列和avg_training_score列之间的关系
sns.catplot(x="education", y="avg_training_score", jitter = False, data=df2)在Seaborn的catplot函数中，jitter参数控制是否对数据点进行抖动（jittering）。抖动是在分类变量上添加一些随机的小偏移量，使得数据点在x轴上稍微分散，从而防止多个数据点重叠在同一个位置，增加可视化的可读性。
jitter=True：表示在x轴上对数据进行抖动。这样做可以有效避免数据点的重叠，特别是当数据较密集时，使得图表更易于观察和解读。
jitter=False：表示不对数据进行抖动。如果你的数据不太密集，或者你更关心各个数据点的精确位置，可以选择这个选项。
选择是否使用抖动取决于数据的特点和你想要达到的可视化效果。对于大多数情况下，启用抖动是一个好的选择，因为它可以帮助更好地展示数据的分布情况。然而，如果你的数据较少或者有特定需求，可以将jitter设置为False。
Hue图 接下来，如果我们想在我们的图中引入另一个变量或另一个维度，我们可以使用hue参数。假设我们希望看到教育和avg_training_score图中的性别分布
sns.catplot(x="education", y="avg_training_score", hue = "gender", data=df2)在上面的图中，一些点是相互重叠的，为了消除这种情况，可以设置kind = “swarm”， swarm使用一种算法来防止这些点重叠，并且沿着分类轴调整这些点。
sns.catplot(x="education", y="avg_training_score", kind = "swarm", data=df2)将is_promoted作为一个新变量引入
sns.catplot(x="education", y="avg_training_score", hue = "is_promoted", kind = "swarm", data=df2) 箱线图箱线图 ，它显示了分布的三个四分位值以及最终值。箱图中的每个值都对应于数据中的实际观察值
sns.catplot(x="education", y="avg_training_score", kind = "box", data=df2) 小提琴图小提琴图结合了箱线图和核密度估计程序，以提供更丰富的值分布描述。四分位数值显示在小提琴内部。
sns.catplot(x="education", y="avg_training_score", hue = "is_promoted", kind = "violin", data=df2)当色调语义参数是二值时，我们还可以拆分小提琴，这也可能有助于节省绘图空间。
sns.catplot(x="education", y="avg_training_score", hue = "is_promoted", kind = "violin",split=True, data=df2) Pointplotpointplot，这个图指出估计值和置信区间。Pointplot连接来自相同色调类别的数据。这有助于识别特定色调类别中的关系如何变化
sns.catplot(x="education", y="avg_training_score", hue = "is_promoted", kind = "point", data=df2) 群图 sns.catplot(x="education", # x轴上的分类变量，这里是教育程度y="avg_training_score", # y轴上的数值变量，这里是平均培训分数hue="is_promoted", # 按照是否晋升（is_promoted）来给数据点着色col="gender", # 按照性别（gender）分列绘制图表aspect=.9, # 控制每个绘图块（facet）的纵横比例kind="swarm", # 指定绘图类型为分类散点图（swarm plot）data=df2) # 数据来源，这里是一个DataFrame df2 可视化数据集的分布 绘制单变量分布 柱状图在研究变量分布时，最常见的是柱状图。默认情况下，distplot()函数绘制柱状图并适合内核密度估计
sns.distplot(df2.age) 直方图直方图以箱子的形式表示数据的分布，并使用条形图来显示每个箱子下的观察次数。我们还可以在其中添加一个加固图，而不是使用KDE(核密度估计)，这意味着在每次观察时，它都会画一个小的垂直标尺。
sns.distplot(df2.age, kde=False, rug = True) 绘制双变量分布使用了seaborn库的jointplot()函数。默认情况下，jointplot绘制散点图。
sns.jointplot(x="avg_training_score", y="age", data=df2); Hex图Hexplot是一个双变量的直方图，因为它显示了在六边形区域内的观察次数。这是一个非常容易处理大数据集的图。为了绘制Hexplot，我们将把kind属性设置为hex
sns.jointplot(x=df2.age, y=df2.avg_training_score, kind="hex", data = df2) KDE 图 sns.jointplot(x="age", y="avg_training_score", data=df2, kind="kde"); 可视化数据集中的成对关系 sns.pairplot(df2) 好看的图模板 来自宽格式数据集的线图 # 导入必要的库import numpy as npimport pandas as pdimport seaborn as snssns.set_theme(style="whitegrid") # 设置Seaborn绘图的主题和样式# 创建一个随机种子，以便结果可以复现rs = np.random.RandomState(365)# 生成一个包含随机数据的数组，形状为(365, 4)，并计算每一列的累积和values = rs.randn(365, 4).cumsum(axis=0)# 创建日期范围为2016年1月1日起的365个日期，间隔为1天dates = pd.date_range("1 1 2016", periods=365, freq="D")# 使用Pandas将数据和日期合并为DataFrame，并给每列指定名称"A", "B", "C", "D"data = pd.DataFrame(values, dates, columns=["A", "B", "C", "D"])# 使用滚动窗口计算每列的7天滚动均值，并更新数据data = data.rolling(7).mean()# 使用Seaborn绘制折线图，展示数据中每列的变化趋势sns.lineplot(data=data, palette="tab10", linewidth=2.5) 带观察值的水平箱线图数据来源：https://github.com/mwaskom/seaborn-data/blob/master/planets.csv
# 导入所需的库import seaborn as sns import matplotlib.pyplot as plt# 设置seaborn的主题样式为'ticks'sns.set_theme(style="ticks") # 初始化图表,大小为(7,6),并设置x轴为对数刻度f, ax = plt.subplots(figsize=(7, 6))ax.set_xscale("log")# 载入seaborn内置的'planets'数据集planets = pd.read_csv(r"planets.csv")# 使用箱形图绘制'distance'为x轴,'method'为y轴# 设置whis可显示异常值的范围,width调整箱形的宽度# 使用'vlag'色阶sns.boxplot(x="distance", y="method", data=planets, whis=[0, 100], width=.6, palette="vlag")# 使用散点图绘制'distance'为x轴,'method'为y轴 # 设置点的大小,颜色和线宽sns.stripplot(x="distance", y="method", data=planets,size=4, color=".3", linewidth=0)# 数据可视化美化# 显示x轴网格线,移除y轴标签,裁剪左边边框 ax.xaxis.grid(True)ax.set(ylabel="") sns.despine(trim=True, left=True)# 显示图表plt.show() 多个面上的线图 import seaborn as sns # 设置seaborn主题样式为'ticks'sns.set_theme(style="ticks") # 加载'sdots'示例数据集dots = sns.load_dataset("dots")# 定义调色板的具体颜色值 palette = sns.color_palette("rocket_r") # 绘制两面多个线图# x轴为'time',y轴为'firing_rate'# hue表示颜色区分的变量'coherence' # size表示点的大小代表的变量'choice'# col表示按'slign'分面 # kind指定折线图类型# size_order设置点的大小顺序# palette定义上面指定的调色板# height/aspect设置图形大小,facet_kws定义分面参数sns.relplot(data=dots, x="time", y="firing_rate",hue="coherence", size="choice", col="align",kind="line", size_order=["T1", "T2"], palette=palette,height=5, aspect=.75, facet_kws=dict(sharex=False))# 该图的作用是:# 使用线图展示'dots'数据集中# 'time','firing_rate'两个变量的关系# 并利用颜色、点大小、分面等视觉编码显示不同的第三维和第四维信息# 直观呈现多维数据集的关系 具有多种语义的散点图 import seaborn as sns import matplotlib.pyplot as plt# 设置seaborn主题样式为白色网格sns.set_theme(style="whitegrid") # 加载内置的钻石数据集diamonds = sns.load_dataset("diamonds")# 初始化图像和子图,并移除子图边框f, ax = plt.subplots(figsize=(6.5, 6.5))sns.despine(f, left=True, bottom=True)# 定义钻石clarity的排序clarity_ranking = ["I1", "SI2", "SI1", "VS2", "VS1", "VVS2", "VVS1", "IF"] # 绘制散点图# x轴为carat,y轴为price# hue为clarity,即颜色区分clarity# size为depth,即点的大小代表depth# palette定义颜色渐变 # hue_order指定上面定义的clarity顺序# sizes设置点的大小范围# data和ax指定所用的数据及子图sns.scatterplot(x="carat", y="price", hue="clarity", size="depth",palette="ch:r=-.2,d=.3_r",hue_order=clarity_ranking,sizes=(1, 8), linewidth=0,data=diamonds, ax=ax)# 这是一个组合了多个变量的散点图# 既展示了carat与price的关系# 又通过颜色和大小编码呈现了clarity和depth维度的信息# 可以更清晰地呈现钻石数据集的多维分布情况 问题解决方案 解决seaborn绘图无法显示中文等问题 plt.rcParams['font.sans-serif'] = ['SimHei'] # 黑体plt.rcParams['axes.unicode_minus'] = False # 解决无法显示符号的问题sns.set(font='SimHei', font_scale=0.8) # 解决Seaborn中文显示问题
