不使用Matplotlib在Python中創建可視化的最簡單方法
Matplotlib 通常被認為是在 Python 中創建可視化的最簡單方法，它構成了許多其他繪圖庫(如 Seaborn)的基礎。今天我們來講一下創建可視化的另一個方法，Pands。直接從Pandas繪制有許多優點：
- 它的速度更快 — 代碼行更少，需要編寫的代碼更少，需要重新加載的庫更少。可視化對于數據分析至關重要，因此沒有理由拒絕嘗試加快生成良好可視化的過程。此外，Pandas在我們想要它繪制的圖中做很多推論，因此它可以在很多情況下可視化我們想要的，而無需顯式聲明它們。
- 直接整合許多涉及系列和數據幀的方便數據操作功能(如不同的分機和滾動方式)更容易。
- 實際上，直接從Pandas那里創建地塊更容易在條形圖、堆疊條形圖和水平條形圖之間轉換只是更改參數值的問題。創建子圖并操作子圖也只是幾個字符。Pandas在可視化方面承擔著許多艱苦的工作。
而對于技術：Pandas的繪圖運行在matplotlib基礎設施，并加載其他matplotlib項目或參數在Pandas創建的圖形的頂部可以改善它。相反，Pandas只是提供了一個方便和更直接的界面，將數據連接到可視化。例如，以下數據幀隨機生成，包含四列和十行。
只需用data.plot.bar()來繪制每行每列的值，就可以用data來替換數據幀的名稱。請注意，在語句之后添加分號 () 會從輸出其他打印(例如 ， )中刪除單元格。
或者，嘗試添加一個參數stacked=True，這是直接從數據源創建堆疊條形圖的非常簡單的方法。
或者，嘗試使用barhdata.plot.barh(stacked=True)繪制水平條，所有這些變體只需一行代碼就可以輕松創建，因為它們與數據建立了直接流。
可以通過在繪圖的代碼(sns.set_palette(‘magma’))之前添加來更改繪圖的常規調色板?；蛘撸部梢詫㈩伾N圖參數傳遞到繪圖中。
顯示此類數據的另一種方法是使用data.plot.area()的區域圖。
代碼中的參數可以像通常使用 matplotlib 或海生模型那樣進行調整。在data.plot.area(stacked=False)的情況下，參數(透明度)默認設置為 0.5，但可以手動調整。
直接使用Pandas的主要好處之一是，許多Pandas的有用數據幀操作可以直接使用。例如，data.diff()的結果，它只需將一行與它之前的行之間的差值(因此，第一行中存在 NaN)。這在許多時間序列應用中都很有幫助。
例如，以下代碼，該代碼繪制出差異的數據，并演示各種參數在Pandas繪圖中的用法，本例中為顏色：
Pandas數據處理功能的另一個應用是，它采用平均滾動均值，這是一種常見的統計方法，用于減少數據平均移動窗口的數據的不可信度。
可直接從數據創建各種其他類型的繪圖：
- kde或用于密度圖density;
- scatter用于散點圖;
- hexbin對于六邊形箱圖;
注：盡管在默認情況下 ，如果.plot.scatter()figsize=(x,y)的顏色是灰度，但可以在顏色映射參數中傳遞。所有繪圖都有一個參數，以便控制輸出圖形的大小。在每個繪圖線之后輸入分號 ()， 允許在 Jupyter 筆記本中具有多個輸出。
Pandas在為你繪圖時做重擔的一個例子是子圖。通過啟用 ，Pandas根據列自動創建子圖。例如，考慮以下生成的 DataFrame，它有兩列 (和) 以及五行
通常，你需要手動創建兩個子圖。特別是在想要生成多個子圖的情況下，可以想象直接使用Pandas繪圖方法會很有幫助。
餅圖的其他參數包括 ，它將自定義標簽添加到切片中;，指定每個切片的顏色;，確定十進制標簽的百分比和截斷程度;和 ，用于確定標簽的大小。作為直接Pandas繪圖中子圖的便利性的另一個示例，請考慮繪制行數據(使用 時為默認值)：
在繪制可視化效果的代碼行中添加參數時(在 )： 后)中考慮結果，Pandas根據布局自動以格式格式化子圖。每個子圖的尺寸由參數確定，該參數指定包含所有子圖的"主圖"的大小。
鑒于 Pandas 在直接繪圖中提供的參數量非常多 — 從錯誤欄到提供表顯示，在可以創建的可視化效果方面幾乎沒有自由度損失。從提供簡單的繪圖變體到簡單的子圖管理，Pandas有太多提供繪圖。下次制作簡單的數據分析圖，試試Pandas!你可能會感到震驚的是，你能夠更高效地進行可視化。
