Pandas数据可视化指南：从零玩转plot()函数（十一）

一、Pandas可视化基础原理

1.1 绘图引擎架构

Pandas的绘图系统基于Matplotlib构建，采用分层设计：

DataFrame.plot() 
  ↳ pandas.plotting._core.PlotAccessor 
    ↳ matplotlib.pyplot

当调用df.plot()时，Pandas会自动完成以下转换：

1. 将DataFrame结构解析为Matplotlib可识别的数据结构
2. 根据kind参数选择对应的绘图方法（plt.plot/plt.bar等）
3. 应用样式参数生成基础图表
4. 返回Axes对象供进一步定制

1.2 核心参数解析矩阵

二、六大核心图表深度解析

2.1 折线图（Line Plot）

数学原理：
折线图通过线性插值连接离散数据点，反映数据随时间或其他连续变量的变化趋势。其数学表达式为：
$y=f(x)$
其中$x$为自变量（通常为时间序列），$y$ 为因变量。

应用场景：

• 时间序列分析（股票价格、温度变化）
• 多指标趋势对比（销售额 vs 成本）
• 周期性规律发现（月销量波动）

代码示例：

# 多指标折线图（带样式定制）
ax = df.plot(
    kind='line',
    x='Date', 
    y=['Revenue', 'Cost'],
    style={
   
   'Revenue': 'g--o', 'Cost': 'r-.s'},  # 分列定义线型
    linewidth=2,
    markersize=8,
    title='营收与成本趋势对比',
    figsize=(12, 6),
    grid=True,
    alpha=0.8,
    subplots=False  # 是否分拆为子图
)

# 添加辅助元素
ax.axvspan('2023-03-01', '2023-05-01', color='yellow', alpha=0.3)  # 高亮区间
ax.annotate('峰值点', 
           xy=('2023-04-15', 9800), 
           xytext=('2023-05-01', 10000),
           arrowprops=dict(facecolor='black', shrink=0.05))
plt.xticks(rotation=45)  # X轴标签旋转
plt.tight_layout()  # 自动调整布局

关键参数详解：

2.2 柱状图（Bar Plot）

数学原理：
柱状图通过高度映射数值大小，适用于分类数据对比。其数学表达为：
$\text{高度}=f(\text{类别})$

应用场景：

• 分类数据对比（各城市销售额）
• 时间维度对比（月销量对比）
• 堆叠分析（产品类别销售构成）

代码示例：

# 堆叠柱状图（带数据标签）
ax = df.groupby('City')['Sales'].sum().plot(
    kind='bar',
    stacked=True,
    color=['#4C72B0', '#DD8452', '#55A868'],  # 自定义颜色
    edgecolor='black',
    width=0.8,
    title='各城市销售额堆叠图',
    rot=45
)

# 添加数值标签
for container in ax.containers:
    ax.bar_label(container, 
                label_type='center',  # 标签位置
                fmt='%.0f',           # 数字格式
                color='white',
                fontsize=10)

# 添加参考线
ax.axhline(y=50000, color='red', linestyle='--', linewidth=1)
ax.text(5.2, 51000, '目标线', color='red')

plt.xlabel('城市', fontsize=12)
plt.ylabel('销售额（万元）', fontsize=12)

进阶技巧：

• 横向柱状图：kind='barh'
• 百分比堆叠：stacked=True + 数据归一化
• 误差棒：yerr 参数添加标准差