核心概念：.plot() 方法

Pandas DataFrame 和 Series 对象都有一个 .plot() 方法，这个方法实际上是 Matplotlib plot 函数的一个封装，让你可以直接在 DataFrame 上调用绘图功能。

基本语法：

DataFrame.plot(x=None, y=None, kind='line', **kwargs)

• x: 用作 x 轴的数据列名或标签。
• y: 用作 y 轴的数据列名或标签，可以是单个列名，也可以是列名列表。
• kind: 指定绘图类型，这是最重要的参数，我们将在下面详细介绍。
• **kwargs: 其他所有参数都会传递给底层的 Matplotlib 函数，因此你可以使用 Matplotlib 的所有样式参数（如 color, title, xlabel, ylabel, grid 等）。

第一步：准备工作

确保你已经安装了必要的库。

pip install pandas matplotlib

导入它们并创建一个示例 DataFrame 用于演示。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 设置中文显示（可选，如果图表中包含中文）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 'SimHei' 是黑体，你也可以用 'Microsoft YaHei' 等
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题
# 创建一个示例 DataFrame
data = {
    '日期': pd.to_datetime(['2025-01-01', '2025-02-01', '2025-03-01', '2025-04-01', '2025-05-01']),
    '产品A销量': [120, 150, 180, 210, 190],
    '产品B销量': [90, 110, 140, 160, 170],
    '成本': [80, 85, 95, 100, 98]
}
df = pd.DataFrame(data)
# 创建一个多指标的 DataFrame
data_multi = {
    '类别': ['A', 'B', 'C', 'D'],
    '销售额': [500, 750, 300, 900],
    '利润率': [0.15, 0.22, 0.08, 0.25]
}
df_multi = pd.DataFrame(data_multi)

第二步：常用绘图类型 (kind 参数)

折线图 - kind='line' (默认)

折线图最适合展示数据随时间或其他连续变量的变化趋势。

# 绘制产品A销量的折线图 (默认)
df.plot(x='日期', y='产品A销量', 
        title='产品A销量趋势',
        xlabel='日期',
        ylabel='销量',
        grid=True,
        marker='o',  # 数据点标记
        linestyle='--') # 线条样式
plt.show()
# 绘制多个产品的销量对比图
df.plot(x='日期', y=['产品A销量', '产品B销量'],
        title='产品A与产品B销量对比',
        xlabel='日期',
        ylabel='销量',
        grid=True)
plt.show()

柱状图 - kind='bar' 或 kind='barh'

柱状图用于比较不同类别之间的数据大小。bar 是垂直柱状图，barh 是水平柱状图。

# 垂直柱状图
df_multi.plot(x='类别', y='销售额',
              kind='bar',
              title='各类别销售额',
              xlabel='类别',
              ylabel='销售额',
              legend=False, # 不显示图例
              color=['skyblue', 'lightgreen', 'salmon', 'gold']) # 自定义颜色
plt.show()
# 水平柱状图
df_multi.plot(x='类别', y='销售额',
              kind='barh',
              title='各类别销售额 (水平)',
              color='coral')
plt.show()

饼图 - kind='pie'

饼图用于显示各个部分占整体的比例。

# 绘制销售额占比饼图
df_multi.plot(y='销售额',
              kind='pie',
              labels=df_multi['类别'], # 标签
              autopct='%.1f%%', # 显示百分比，保留一位小数
              startangle=90,     # 起始角度
              shadow=True,       # 阴影
              explode=(0, 0.1, 0, 0)) # 突出显示第二块'各类别销售额占比')
plt.ylabel('') # 隐藏y轴标签
plt.show()

直方图 - kind='hist'

直方图用于展示数据的分布情况,将数据分成若干“桶”（bins）来显示每个桶内的数据点数量。

# 假设我们有一组随机生成的身高数据
heights = np.random.normal(170, 10, 200)
df_heights = pd.DataFrame({'身高(cm)': heights})
df_heights.plot(kind='hist',
                bins=20,  # 分成20个桶
                title='身高分布直方图',
                xlabel='身高(cm)',
                grid=True,
                edgecolor='black') # 柱子边缘颜色
plt.show()

箱线图 - kind='box'

箱线图是一种用于显示数据分布情况的统计图,它可以展示中位数、四分位数、异常值等信息。

# 使用我们创建的 df DataFrame
df.plot(kind='box',
        title='产品销量与成本箱线图',
        ylabel='数值')
plt.show()

• 箱子的中间线是中位数。
• 箱子的上下边是第一四分位数 (Q1) 和第三四分位数 (Q3)。
• 箱子上的“须”延伸到 IQR（四分位距）的1.5倍，或者到数据的最小/最大值。
• 超出须的点被认为是异常值。

散点图 - kind='scatter'

散点图用于展示两个变量之间的关系。

# 绘制销售额与利润率的关系
df_multi.plot(kind='scatter',
              x='销售额',
              y='利润率',
              title='销售额与利润率关系',
              xlabel='销售额',
              ylabel='利润率',
              s=100, # 点的大小
              c='red', # 点的颜色
              alpha=0.7) # 透明度
plt.show()

面积图 - kind='area'

面积图是折线图的填充版本,强调数量随时间变化的累积效果。

# 绘制销量面积图
df.plot(x='日期', y=['产品A销量', '产品B销量'],
        kind='area',
        stacked=False, # 如果为True，两个面积会堆叠在一起
        title='产品销量面积图',
        alpha=0.4) # 透明度
plt.show()

第三步：高级自定义技巧

虽然 Pandas 的 .plot() 很方便，但有时我们需要更精细的控制，这时，可以结合 Matplotlib 进行深度定制。

获取和修改 Matplotlib 对象

.plot() 方法会返回一个 Matplotlib 的 Axes 对象，我们可以用它来修改图表。

# 绘制图表并获取 Axes 对象
ax = df.plot(x='日期', y='产品A销量', 
             title='自定义图表示例',
             figsize=(10, 6)) # 设置图表大小
# 使用 Axes 对象进行修改
ax.set_xlabel('时间') # 修改x轴标签
ax.set_ylabel('销量 (件)') # 修改y轴标签
ax.legend(['产品A']) # 修改图例
ax.grid(True, linestyle=':', which='both', axis='both') # 自定义网格
# 添加注释
ax.annotate('销量高峰',
            xy=('2025-04-01', 210), # 箭头指向的点
            xytext=('2025-03-15', 230), # 文字位置
            arrowprops=dict(facecolor='black', shrink=0.05))
plt.show()

使用 subplots 绘制子图

一个 DataFrame 可以一次性绘制多个子图。

# 将每一列作为一个子图绘制
axes = df.plot(subplots=True, 
               layout=(2, 2), # 2行2列的布局
               figsize=(12, 8),
               title='各指标子图展示',
               sharex=True) # 共享x轴
# 调整子图之间的间距
plt.tight_layout()
plt.show()

使用 Seaborn 进行美化

Seaborn 是一个基于 Matplotlib 的高级可视化库，它提供了更美观的默认样式和更复杂的统计图表。

pip install seaborn

import seaborn as sns
# 使用 Seaborn 的风格
sns.set_theme(style="whitegrid")
# Seaborn 也可以直接使用 DataFrame
# 绘制一个更美观的柱状图
plt.figure(figsize=(8, 5))
ax = sns.barplot(x="类别", y="销售额", data=df_multi, palette="viridis")
ax.set_title('Seaborn 美化后的柱状图')
plt.show()

总结与最佳实践

最佳实践：

1. 先探索，后定制：先用 Pandas .plot() 快速生成图表，了解数据概貌。
2. 明确目标：根据你想传达的信息选择合适的图表类型。
3. 清晰标注：始终为图表添加标题、坐标轴标签和图例，确保信息清晰易懂。
4. 适度美化：利用 Matplotlib 和 Seaborn 的功能调整颜色、字体、大小等，使图表更专业、更易读，但避免过度设计。
5. 拥抱 Matplotlib：当 Pandas 的封装不够用时，大胆地获取 Axes 对象，使用 Matplotlib 的强大功能进行深度定制。

希望这份详细的指南能帮助你熟练地使用 Pandas 进行数据可视化！