一、为什么需要数据可视化？
数据可视化是数据分析中的重要环节，它帮助我们更好地理解和解释数据的模式、趋势和关系。
通过图形、图表等形式，数据可视化将复杂的数字和统计信息转化为易于理解的图像，从而便于做出决策。
Pandas 提供了与 Matplotlib 和 Seaborn 等可视化库的集成，使得数据的可视化变得简单而高效。
三层工具定位：
| 层级 | 工具 | 特点 |
|---|---|---|
| 快速出图 | df.plot() |
Pandas 封装，一行代码 |
| 统计图形 | Seaborn | 美观默认，统计专用 |
| 精细控制 | Matplotlib | 底层 API，完全自定义 |
Pandas 的数据可视化功能主要通过
DataFrame.plot()和Series.plot()方法实现，这些方法实际上是对 Matplotlib 库的封装，简化了图表的绘制过程。
二、图表类型总览
| 图表类型 | 描述 | 方法 |
|---|---|---|
| 折线图 | 展示数据随时间或其他连续变量的变化趋势 | df.plot(kind='line') |
| 柱状图 | 比较不同类别的数据 | df.plot(kind='bar') |
| 水平柱状图 | 比较不同类别的数据，柱子水平排列 | df.plot(kind='barh') |
| 直方图 | 显示数据的分布 | df.plot(kind='hist') |
| 散点图 | 展示两个数值型变量之间的关系 | df.plot(kind='scatter', x='col1', y='col2') |
| 箱线图 | 显示数据分布，包括中位数、四分位数等 | df.plot(kind='box') |
| 密度图 | 展示数据的密度分布 | df.plot(kind='kde') |
| 饼图 | 显示不同部分在整体中的占比 | df.plot(kind='pie') |
| 区域图 | 展示数据的累计数值 | df.plot(kind='area') |
三、plot() 方法核心参数
| 参数 | 说明 |
|---|---|
kind |
图表类型，支持 'line'、'bar'、'barh'、'hist'、'box'、'kde'、'density'、'area'、'pie' 等 |
x |
设置 x 轴的数据列 |
y |
设置 y 轴的数据列 |
title |
图表的标题 |
xlabel |
x 轴的标签 |
ylabel |
y 轴的标签 |
color |
设置图表的颜色 |
figsize |
设置图表的大小（宽, 高） |
legend |
是否显示图例 |
其他常用参数：
| 参数 | 说明 |
|---|---|
grid |
是否显示网格 |
rot |
x 轴标签旋转角度 |
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/Smell_of_earth/article/details/170014264
