matplotlib基本画图示例

在这里我介绍一下plot方法的函数的使用。 Series.plot方法的函数：

参数	说明
label	用于图例的标签
ax	要在其上进行绘制的matplotlib subplot对象。如果没有设置，则使用当前matplotlib subplot
style	将要传给matplotlib的风格字符串(for example: ‘ko–’)
alpha	图表的填充不透明(0-1)
kind	可以是’line’, ‘bar’, ‘barh’, ‘kde’
logy	在Y轴上使用对数标尺
use_index	将对象的索引用作刻度标签
rot	旋转刻度标签(0-360)
xticks	用作X轴刻度的值
yticks	用作Y轴刻度的值
xlim	X轴的界限
ylim	Y轴的界限
grid	显示轴网格线

在这里强调一下 kind参数——"line", "bar", "barh", "kde":
直方图：是一种可以对值频率离散化显示的柱状图。通过调用Series.hist()方法即可创建。
密度图：与直方图相关的一种类型图，是通过计算“可能会产生观测数据的连续概率分布的估计”而产生的，通过给plot传入参数kind = "kde" 即可。
散布图：是观测两个一维数据序列之间关系的有效手段，使用pd.scatter_matrix()即可建立。
部分代码：

#encoding:utf-8
import pandas as pd  #数据分析
import numpy as np   #科学计算
from pandas import Series,DataFrame
data_train = pd.read_csv("E:Python27AlgorithmChapter1DataDatasetsTitanic\train.csv")
data_train.columns
import matplotlib
import matplotlib.pyplot as plt
myfont =matplotlib.font_manager.FontProperties(fname=r"c:windowsfontssimsun.ttc",size=14)


# 直接设置为中文时
fig=plt.figure()
fig.set(alpha=0.2)  #设置图表颜色alpha参数
plt.subplot2grid((2,3),(0,0))   #在一张大图里分列几个小图
data_train.Survived.value_counts().plot(kind="bar")  #画条形图
plt.title(u"获救情况（1位获救）",fontproperties = myfont)
plt.ylabel(u"人数",fontproperties = myfont)


plt.subplot2grid((2,3),(0,1))   #在一张大图里分列几个小图
data_train.Pclass.value_counts().plot(kind="bar")  #画条形图
plt.ylabel(u"人数",fontproperties = myfont)
plt.title(u"乘客等级分布",fontproperties = myfont)




plt.subplot2grid((2,3),(0,2))
plt.scatter(data_train.Survived,data_train.Age)
plt.ylabel(u"年龄")
plt.grid(b=True,which="major",axis="y")  #显示网格线
plt.title(u"按年龄看获救情况（1位获救）",fontproperties = myfont)




plt.subplot2grid((2,3),(1,0),colspan=2)
data_train.Age[data_train.Pclass==1].plot(kind="kde")
data_train.Age[data_train.Pclass==2].plot(kind="kde")
data_train.Age[data_train.Pclass==3].plot(kind="kde")
plt.xlabel(u"年龄",fontproperties = myfont)# plots an axis lable
plt.ylabel(u"密度",fontproperties = myfont) 
plt.title(u"各等级的乘客年龄分布",fontproperties = myfont)
plt.legend((u"头等舱", u"2等舱",u"3等舱"),loc="best",prop=myfont)


plt.subplot2grid((2,3),(1,2))
data_train.Embarked.value_counts().plot(kind="bar")
plt.title(u"各登船口岸上船人数",fontproperties = myfont)
plt.ylabel(u"人数",fontproperties = myfont)
plt.show()

显示图片效果如下

fig=plt.figure()
fig.set(alpha=0.2)
Survived_0=data_train.Pclass[data_train.Survived==0].value_counts()
Survived_1=data_train.Pclass[data_train.Survived==1].value_counts()
df=pd.DataFrame({u"获救":Survived_1, u"未获救":Survived_0})
df.plot(kind="bar", stacked=True)
plt.title(u"各乘客等级的获救情况",fontproperties = myfont)
plt.xlabel(u"乘客等级",fontproperties = myfont) 
plt.ylabel(u"人数",fontproperties = myfont) 

plt.show()

#然后我们再来看看各种舱级别情况下各性别的获救情况
fig=plt.figure()
fig.set(alpha=0.65) # 设置图像透明度，无所谓
plt.title(u"根据舱等级和性别的获救情况",fontproperties = myfont)

ax1=fig.add_subplot(141)
data_train.Survived[data_train.Sex == "female"][data_train.Pclass != 3].value_counts().plot(kind="bar", label="female highclass", color="#FA2479")
ax1.set_xticklabels([u"获救", u"未获救"], rotation=0,fontproperties = myfont)
ax1.legend([u"女性/高级舱"], loc="best",prop= myfont)

ax2=fig.add_subplot(142, sharey=ax1)
data_train.Survived[data_train.Sex == "female"][data_train.Pclass == 3].value_counts().plot(kind="bar", label="female, low class", color="pink")
ax2.set_xticklabels([u"未获救", u"获救"], rotation=0,fontproperties = myfont)
plt.legend([u"女性/低级舱"], loc="best",prop= myfont)

ax3=fig.add_subplot(143, sharey=ax1)
data_train.Survived[data_train.Sex == "male"][data_train.Pclass != 3].value_counts().plot(kind="bar", label="male, high class",color="lightblue")
ax3.set_xticklabels([u"未获救", u"获救"], rotation=0,fontproperties = myfont)
plt.legend([u"男性/高级舱"], loc="best",prop= myfont)

ax4=fig.add_subplot(144, sharey=ax1)
data_train.Survived[data_train.Sex == "male"][data_train.Pclass == 3].value_counts().plot(kind="bar", label="male low class", color="steelblue")
ax4.set_xticklabels([u"未获救", u"获救"], rotation=0,fontproperties = myfont)
plt.legend([u"男性/低级舱"], loc="best",prop= myfont)

plt.show()

bingo，通过这个简单的示例，以后画图之类的都可以搞定了。