这是一个Pandas快速入门教程，主要面向新用户。这里主要是为那些喜欢“短平快”的读者准备的，有兴趣的读者可通过其它教程文章来一步一步地更复杂的应用知识。

首先，假设您安装好了Anaconda，现在启动Anaconda开始学始本教程中的示例。工作界面如下所示 -

测试工作环境是否有安装好了Pandas，导入相关包如下：

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

print("Hello, Pandas")

然后执行一下，看有没有问题，如果正常应该会在终端输出区看到以下结果 -

对象创建

通过传递值列表来创建一个系列，让Pandas创建一个默认的整数索引：

import pandas as pd

import numpy as np

s = pd.Series([1,3,5,np.nan,6,8])

print(s)

执行后输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

0 1.0

1 3.0

2 5.0

3 NaN

4 6.0

5 8.0

dtype: float64

通过传递numpy数组，使用datetime索引和标记列来创建DataFrame：

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=7)

print(dates)

print("--"*16)

df = pd.DataFrame(np.random.randn(7,4), index=dates, columns=list('ABCD'))

print(df)

执行后输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04',

'2017-01-05', '2017-01-06', '2017-01-07'],

dtype='datetime64[ns]', freq='D')

--------------------------------

A B C D

2017-01-01 -0.732038 0.329773 -0.156383 0.270800

2017-01-02 0.750144 0.722037 -0.849848 -1.105319

2017-01-03 -0.786664 -0.204211 1.246395 0.292975

2017-01-04 -1.108991 2.228375 0.079700 -1.738507

2017-01-05 0.348526 -0.960212 0.190978 -2.223966

2017-01-06 -0.579689 -1.355910 0.095982 1.233833

2017-01-07 1.086872 0.664982 0.377787 1.012772

通过传递可以转换为类似系列的对象的字典来创建DataFrame。参考以下示例代码 -

import pandas as pd

import numpy as np

df2 = pd.DataFrame({ 'A' : 1.,

'B' : pd.Timestamp('20170102'),

'C' : pd.Series(1,index=list(range(4)),dtype='float32'),

'D' : np.array([3] * 4,dtype='int32'),

'E' : pd.Categorical(["test","train","test","train"]),

'F' : 'foo' })

print(df2)

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

A B C D E F

0 1.0 2017-01-02 1.0 3 test foo

1 1.0 2017-01-02 1.0 3 train foo

2 1.0 2017-01-02 1.0 3 test foo

3 1.0 2017-01-02 1.0 3 train foo

有指定dtypes，参考以下示例代码 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

A float64

B datetime64[ns]

C float32

D int32

E category

F object

dtype: object

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

A float64

B datetime64[ns]

C float32

D int32

E category

F object

dtype: object

如果使用IPython，则会自动启用列名(以及公共属性)的选项完成。 以下是将要完成的属性的一个子集：

In [13]: df2.

df2.A df2.bool

df2.abs df2.boxplot

df2.add df2.C

df2.add_prefix df2.clip

df2.add_suffix df2.clip_lower

df2.align df2.clip_upper

df2.all df2.columns

df2.any df2.combine

df2.append df2.combine_first

df2.apply df2.compound

df2.applymap df2.consolidate

df2.D

可以看到，列A，B，C和D自动标签完成。E也在一样。其余的属性为了简洁而被截短。

查看数据

查看框架的顶部和底部的数据行。参考以下示例代码 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=7)

df = pd.DataFrame(np.random.randn(7,4), index=dates, columns=list('ABCD'))

print(df.head())

print("--------------" * 10)

print(df.tail(3))

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

A B C D

2017-01-01 -0.520856 -0.555019 -2.286424 1.745681

2017-01-02 1.114030 0.861933 0.795958 0.420670

2017-01-03 -0.343605 -0.937356 0.052693 -0.540735

2017-01-04 1.587684 -0.743756 0.021738 -0.702190

2017-01-05 1.243403 0.930299 0.234343 1.604182

------------------------------------------------------------

A B C D

2017-01-05 1.243403 0.930299 0.234343 1.604182

2017-01-06 -0.087004 -0.368055 1.434022 0.464193

2017-01-07 -1.248981 0.973724 -0.288384 -0.577388

显示索引，列和底层numpy数据，参考以下代码 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=7)

df = pd.DataFrame(np.random.randn(7,4), index=dates, columns=list('ABCD'))

print("index is :" )

print(df.index)

print("columns is :" )

print(df.columns)

print("values is :" )

print(df.values)

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

index is :

DatetimeIndex(['2017-01-01', '2017-01-02', '2017-01-03', '2017-01-04',

'2017-01-05', '2017-01-06', '2017-01-07'],

dtype='datetime64[ns]', freq='D')

columns is :

Index(['A', 'B', 'C', 'D'], dtype='object')

values is :

[[ 2.23820398 0.18440123 0.08039084 -0.27751926]

[-0.12335513 0.36641304 -0.28617579 0.34383109]

[-0.85403491 0.63876989 1.26032173 -1.27382333]

[-0.07262661 -0.01788962 0.28748668 1.12715561]

[-1.14293392 -0.88263364 0.72250762 -1.64051326]

[ 0.41864083 0.40545953 -0.14591541 -0.57168728]

[ 1.01383531 -0.22793823 -0.44045634 1.04799829]]

描述显示数据的快速统计摘要，参考以下示例代码 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=7)

df = pd.DataFrame(np.random.randn(7,4), index=dates, columns=list('ABCD'))

print(df.describe())

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

A B C D

count 7.000000 7.000000 7.000000 7.000000

mean -0.675425 -0.257835 0.144049 0.275621

std 1.697957 0.793953 1.301520 1.412291

min -2.595040 -1.200401 -1.230538 -0.976166

25% -1.992393 -0.723464 -0.897041 -0.800919

50% -1.050666 -0.445612 0.004719 -0.705840

75% 0.592677 0.068574 0.874195 1.398337

max 1.717166 1.150948 2.279856 2.416514

调换数据，参考以下示例代码 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.T)

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

2017-01-01 2017-01-02 2017-01-03 2017-01-04 2017-01-05 2017-01-06

A 0.932454 -2.148503 1.398975 1.565676 -0.167527 -0.242041

B 0.584585 1.373330 -0.069801 -0.102857 1.286432 -0.703491

C -0.345119 -0.680955 1.686750 1.184996 0.016170 -0.663963

D 0.431751 0.444830 -1.524739 0.040007 0.220172 1.423627

通过轴排序，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.sort_index(axis=1, ascending=False))

`

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

D C B A

2017-01-01 0.426359 2.542352 -0.324047 0.418973

2017-01-02 -0.834625 -1.356709 0.150744 -1.690500

2017-01-03 -0.018274 0.900801 1.072851 0.149830

2017-01-04 -1.075027 -0.889379 -0.663223 -1.404002

2017-01-05 -1.273966 -1.335761 -1.356561 -1.135199

2017-01-06 -1.590793 0.693430 -0.504164 0.143386

按值排序，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.sort_values(by='B'))

`

执行上面示例代码后，输出结果如下 -

A B C D

2017-01-06 0.764517 -1.526019 0.400456 -0.182082

2017-01-05 -0.177845 -1.269836 -0.534676 0.796666

2017-01-04 -0.981485 -0.082572 -1.272123 0.508929

2017-01-02 -0.290117 0.053005 -0.295628 -0.346965

2017-01-03 0.941131 0.799280 2.054011 -0.684088

2017-01-01 0.597788 0.892008 0.903053 -0.821024

选择区块注意虽然用于选择和设置的标准Python/Numpy表达式是直观的，可用于交互式工作，但对于生产代码，但建议使用优化的Pandas数据访问方法.at，.iat，.loc，.iloc和.ix。

获取

选择一列，产生一个系列，相当于df.A，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df['A'])

`

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

2017-01-01 0.317460

2017-01-02 -0.933726

2017-01-03 0.167860

2017-01-04 0.816184

2017-01-05 -0.745503

2017-01-06 0.505319

Freq: D, Name: A, dtype: float64

选择通过[]操作符，选择切片行。参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df[0:3])

print("========= 指定选择日期 ========")

print(df['20170102':'20170103'])

`

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

A B C D

2017-01-01 1.103449 0.926571 -1.649978 -0.309270

2017-01-02 0.516404 -0.734076 -0.081163 -0.528497

2017-01-03 0.240356 0.231224 -1.463315 -1.157256

========= 指定选择日期 ========

A B C D

2017-01-02 0.516404 -0.734076 -0.081163 -0.528497

2017-01-03 0.240356 0.231224 -1.463315 -1.157256

按标签选择

使用标签获取横截面，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.loc[dates[0]])

`

执行上面示例代码后，输出结果如下 -

runfile('C:/Users/Administrator/.spyder-py3/temp.py', wdir='C:/Users/Administrator/.spyder-py3')

A -0.483292

B -0.536987

C -0.889947

D 1.250857

Name: 2017-01-01 00:00:00, dtype: float64

通过标签选择多轴，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.loc[:,['A','B']])

`

执行上面示例代码后，输出结果如下 -

A B

2017-01-01 0.479048 -0.105106

2017-01-02 0.172920 0.086570

2017-01-03 -1.302485 -0.593550

2017-01-04 -0.595438 1.304054

2017-01-05 0.154267 1.336219

2017-01-06 -0.341204 0.781300

显示标签切片，包括两个端点，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.loc['20170102':'20170104',['A','B']])

`

执行上面示例代码后，输出结果如下 -

A B

2017-01-02 1.062995 -0.108277

2017-01-03 1.962106 -0.294664

2017-01-04 -0.128576 0.717738

减少返回对象的尺寸(大小)，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.loc['20170102',['A','B']])

`

执行上面示例代码后，输出结果如下 -

A 0.252749

B 0.119747

Name: 2017-01-02 00:00:00, dtype: float64

获得标量值，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.loc[dates[0],'A'])

`

执行上面示例代码后，输出结果如下 -

-0.0839903627822

快速访问标量(等同于先前的方法)，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.at[dates[0],'A'])

`

执行上面示例代码后，输出结果如下 -

-0.0839903627822

通过位置选择

通过传递的整数的位置选择，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.iloc[3])

`

执行上面示例代码后，输出结果如下 -

A 0.944506

B 1.035781

C 0.421373

D 0.017660

Name: 2017-01-04 00:00:00, dtype: float64

通过整数切片，类似于numpy/python，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.iloc[3:5,0:2])

`

执行上面示例代码后，输出结果如下 -

A B

2017-01-04 -1.617068 0.548090

2017-01-05 -0.864247 0.419743

通过整数位置的列表，类似于numpy/python样式，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.iloc[[1,2,4],[0,2]])

`

执行上面示例代码后，输出结果如下 -

A C

2017-01-02 0.085091 0.568128

2017-01-03 0.729076 -0.451151

2017-01-05 -1.281975 -0.190119

明确切片行，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.iloc[1:3,:])

`

执行上面示例代码后，输出结果如下 -

A B C D

2017-01-02 -1.123970 -0.010969 -1.076657 -0.538908

2017-01-03 -0.314408 0.004415 -0.356924 0.337539

明确切片列，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.iloc[:,1:3])

`

执行上面示例代码后，输出结果如下 -

B C

2017-01-01 0.323663 1.027599

2017-01-02 -0.176624 -0.959683

2017-01-03 0.689698 0.622540

2017-01-04 1.864511 1.023157

2017-01-05 0.964123 2.062503

2017-01-06 -0.375143 0.231328

要明确获取值，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.iloc[1,1])

`

执行上面示例代码后，输出结果如下 -

0.829950900219

要快速访问标量(等同于先前的方法)，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df.iat[1,1])

`

执行上面示例代码后，输出结果如下 -

-0.170996002652

布尔索引

使用单列的值来选择数据，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df[df.A > 0])

`

执行上面示例代码后，输出结果如下 -

A B C D

2017-01-03 0.276486 -1.003779 0.721863 -0.558061

2017-01-04 1.177206 -0.464778 -0.116442 -0.385712

2017-01-06 0.846665 -1.398207 -0.145356 0.924342

从满足布尔条件的DataFrame中选择值。，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df[df > 0])

`

执行上面示例代码后，输出结果如下 -

A B C D

2017-01-01 NaN 1.963213 0.643244 0.945643

2017-01-02 0.364237 0.917368 NaN NaN

2017-01-03 0.702624 NaN 0.088565 NaN

2017-01-04 1.274313 NaN 2.313910 NaN

2017-01-05 2.586315 0.588273 NaN 1.482597

2017-01-06 NaN 0.405928 0.309201 NaN

使用isin()方法进行过滤，参考以下示例程序 -

import pandas as pd

import numpy as np

dates = pd.date_range('20170101', periods=6)

df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

df2 = df.copy()

df2['E'] = ['one', 'one','two','three','four','three']

print(df2)

print("============= start to filter =============== ")

print(df2[df2['E'].isin(['two','four'])])

`

执行上面示例代码后，输出结果如下 -

A B C D E

2017-01-01 0.723399 -0.369247 0.863941 -1.910875 one

2017-01-02 -0.047573 -0.609780 2.130650 -0.019281 one

2017-01-03 -0.566122 -0.850374 -0.031516 0.362023 two

2017-01-04 0.903819 -0.513673 0.118850 -0.351811 three

2017-01-05 -0.485232 -0.864457 1.396835 -1.696083 four

2017-01-06 0.272145 -0.644449 -1.319063 -0.201354 three

============= start to filter ===============

A B C D E

2017-01-03 -0.566122 -0.850374 -0.031516 0.362023 two

2017-01-05 -0.485232 -0.864457 1.396835 -1.696083 four

¥ 我要打赏

纠错/补充

收藏

加QQ群啦，易百教程官方技术学习群

注意：建议每个人选自己的技术方向加群，同一个QQ最多限加 3 个群。

linux pandas教程_Pandas快速入门相关推荐

  1. linux pandas教程_Pandas 学习笔记

    1. 安装 如果做数据分析用途建议使用Anaconda,自带pandas numy 以及很多库,还有集成开发环境Spyder(自带的变量查看器很好用) WIN LINUX MAC均支持. 安装之后可以 ...

  2. linux pandas教程_pandas教程

    对pandas做最简单的介绍,针对初学者. 一.引入相关模块模块 1 importnumpy as np2 importpandas as pd3 import matplotlib.pyplot a ...

  3. Tomcat 教程之快速入门

    Tomcat 教程之快速入门 版本说明 本文使用 Tomcat 版本为 Tomcat 8.5.24. Tomcat 8.5 要求 JDK 版本为 1.7 以上. 简介 Tomcat 是什么 Tomca ...

  4. ArcGIS教程——ArcGIS快速入门

    实例数据:https://pan.baidu.com/s/184wwCmWrJdb-qjxsT614EQ 密码:dowv ArcGIS for Desktop是一套完整的专业GIS应用程序,包含有Ar ...

  5. tensorflow2.0教程- Keras 快速入门

    tensorflow2.0教程-tensorflow.keras 快速入门 Tensorflow 2.0 教程持续更新: https://blog.csdn.net/qq_31456593/artic ...

  6. Pandas高级数据分析快速入门之三——数据挖掘与统计分析篇

    Pandas高级数据分析快速入门之一--Python开发环境篇 Pandas高级数据分析快速入门之二--基础篇 Pandas高级数据分析快速入门之三--数据挖掘与统计分析篇 Pandas高级数据分析快 ...

  7. SWMM从入门到实践教程 03 快速入门案例的设施参数设置与批量设置

    文章目录 1 雨量计 1.1 雨量计基础设置 1.2 雨量计数据来源 2 汇水区 2.1 参数讲解 2.2 设置结果 3 检查井 3.1 参数讲解 3.2 批量设置 4 管道 4.1 参数讲解 4.2 ...

  8. SWMM从入门到实践教程 02 快速入门案例的绘制

    文章目录 1 建模准备 2 设置各类设施 2.1 添加雨量计 2.2 添加子汇水区(正方形) 2.3 绘制节点(圆形) 2.4 绘制管渠 2.5 添加排水口(三角形) 3 画面调节 1 建模准备 建模 ...

  9. esp8266灯上电闪一下_【零知ESP8266教程】快速入门2-点亮外部LED灯

    [零知ESP8266教程]快速入门2-点亮外部LED灯 [复制链接] 一.工具原料 电脑,windows系统 ESP8266开发板 micro-usb线 LED灯1个 220Ω 电阻1个 面包板一个+ ...

最新文章

  1. CentOS安装Oracle全过程
  2. GM Tech 2 works with Hummer Yes or No
  3. linux iptables 命令简介
  4. 196℃到80℃ 安徽首例“康博刀”手术杀灭肿瘤
  5. 腾讯机器狗，站起来了！
  6. 如果再这么玩下去，中国的科研就没戏了
  7. 苹果无线耳机使用方法_苹果官方：如果 AirPods Pro 出现这些问题，我们将免费更换！...
  8. matlab用高斯消元法解线性方程组,用matlab利用高斯消元法求解线性方程组
  9. 编写一个猜数字游戏程序：
  10. 扫地机器人的特点描写_扫地机器人的特点是什么
  11. Java发送HTTP POST请求（内容为xml格式）
  12. mvc crud_Spring MVC Hibernate MySQL集成CRUD示例教程
  13. 2019必学的10大顶级Python库！
  14. JAVA WORD转PDF
  15. Pascal VOC Dataset 下载地址
  16. PDA手持终端扫描条码开单打印一体 结合后台电脑系统 数据同步交互解决方案
  17. 急~为啥我指定的的maven依赖版本没有生效？不是最短路径原则吗？
  18. 一条瑜伽裤，如何撑起千亿市值公司？
  19. 开发一个分销小程序需要多少钱？
  20. 禅道删除我的地盘中的任务，提示：您无权访问该迭代

热门文章

  1. SMSC2021 Day5Day6 部分题解
  2. 你真的分得清“前后左右”和“东西南北”吗？（三）——向左拐，还是往北走？...
  3. Android集成Nets支付
  4. 微信支付签名错误 php
  5. 【愚公系列】2023年06月 网络安全(交通银行杯)-应该不难吧
  6. 分销积分商城小程序开发方案php开发语言
  7. ps4虚拟现实VR眼镜入手体验
  8. 服务器文件不能拖,远程服务器如何拖拉文件
  9. jstl mysql 更新_jstl sql:update标签
  10. python matplotlib画多个图_python matplotlib模块 如何画两张图出来