如果你经常使用Python进行数据分析，那么对于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

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????

import matplotlib.pyplot as pltx = 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) / 2plt.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

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

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????

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

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！

往期推荐：
收藏 | 49 个 Python 学习资源我都逛哪些技术网站？（程序员必备58个网站汇总）肝！精心整理了 50 个数据源网站！