绘制图表

数据是服务于人的决策的，我们有一大堆数据，如果人没有真正意义上理解这些数据背后的含义， 那即便数据量再大，它也是无意义的。所以我们今天来探讨一种让人与数据之间构建信息传递桥梁的方法 - 数据可视化技术。

我有机会还会专门开一个数据可视化教程，今天我们缩小一下领域和使用的工具，其实在 Pandas 中， 就已经可以实现多种多样的数据可视化方案了。

我们来看看你拥有的数据可以被 Pandas 表达成什么样。

本节内容中将会使用到的功能：

• 散点图 scatter
• 折线图 plot
• 条形图 bar
• 分布图 histograms
• 饼图 pie
• 面积图 area

散点图Scatter¶

散点图实际在很多生活场景上都有运用的。比如你要描绘数据 sample 之间与拟合曲线之间呈现的关系，

又或者在演示算法是如何进化 ，如何运动的。

这些都是我之前做过的散点图案例，所以适用场景还是非常多的。在 Pandas 中，我们有非常方便的办法来直接对 DataFrame 做散点图。

点击运行之后，你会发现可以做出来一幅非常好看的图。当然这里的参数你可以随意搭配，比如试试不写 c=color 或者去掉 cmap="rainbow"， 看看会有何影响。

我稍微解释一下几个你可能在乎的参数：

• c: 对于这组数据中每个（x,y）数据点的颜色值
• s: 画点的大小（size）
• alpha：不透明度
• cmap：colormap，你可以在这里找到非常丰富的案例

折线图Plot¶

同样在这个拟合关系的图中， 我们其实还绘制了一张折线图。可见，折线图也是非常有用的。

同样，还有很多机器学习的 loss 变化曲线 案例 1， 案例 2 也是用折线图绘制出来的。 而在 Pandas 中，折线图的绘制方法很简单。

我用最朴素的方法，绘制了一条歪歪扭扭的折线图，来体现它真的很折。你可能很感兴趣，为什么这里的 c 参数传入的数值和上面散点图的不一样？ 原来在折线图中，线的颜色最好是一样的，不然当线多了以后，你会发现不同颜色就看不出到底是那条线了。

你肯定会碰到多条线的时候，怎么处理？强大的 Pandas 给你答案。

只要我给多个 y，它就能给出多条线的位置，当然还帮你注明哪个颜色是哪条线。

条形图Bar¶

做两家公司收入对比，或者是年度值变化的时候，我们也很喜欢用条形图。直接点，我们看看 Pandas 的条形图怎么画。 假设有 abc 三家公司，这 5 年的营收对比可以这么画。

如果把他们放在一起来看占比多少时，我们还能这么干：

横着不好看，想画一个竖着的图，Pandas 也能轻松做到。你只需要把 bar() 换成 barh() 就好。多出来的这个 h 就是 horizontal 的意思。

分布图Hist¶

分布图在机器学习和统计学中非常重要，我经常画分布图，比如要画 神经网络的参数分布可视化。 又或者是 GAN 生成对抗网络当中的数据分布。

我们用 plot.hist() 就能画出来了，这里的 hist 是 histogram，也就是分布的意思。

当然还会有多个分布重合在一起，你想对比这看看这些分布有无差别的时候，重合度怎么样的时候。

为了使你能轻松辨析出 abc 这几个分布的不同，我把 alpha 不透明度调整了一下，让你能看清楚重叠部分。而且 bins 柱状体的数量也调多了。

饼图Pie¶

你们的老板是不是喜欢画饼，那你也画一个给他？你在很多人的 ppt 里都可能见得到饼图，当你想给 Excel 批量话饼图的时候， 你就能结合读取 Excel 的教学，和这一节一起用。

如果你有多张大饼，想要对比？当然也没问题。可以多加一个 subpots 来分开画饼。legend 是用来确定要不要输出图例的，我这里嫌弃图例占地方， 就设置 legend=False。

面积图Area¶

面积图偶尔你还是会看见的，比如在我的 进化算法教学中， 就使用了面积图来观看各个种群的占比随时间的变化情况。

如果你不想上下堆砌在一起观看，而是有统一的一个起点，那可以用这个参数 stacked=False。

总结¶

好了，这节内容也还挺多的，我就先讲到这里。用 Pandas 画图还可以有很多其他花样， 你可以在这里看到更加细节的官方文档。 每种画图功能里面，也还有更多参数可以调整。记得不懂就要多在网上搜搜，多看官方文档。