『壹』 彩色折線散點圖python怎麼指定數據
一、導包
二、繪制簡單折線
1、在利用pandas模塊進行操作前，可以先引入這個模塊，如下：
2、讀取Excel文件的兩種方式：
三、pandas操作Excel的行列
1、讀取指定的單行，數據會存在列表裡面
2、讀取指定的多行，數據會存在嵌套的列表裡面
3、讀取指定的行列
4、讀取指定的多行多列值
5、獲取所有行的指定列
6、獲取行號並列印輸出
7、獲取列名並列印輸出
8、獲取指定行數的值
四、pandas處理Excel數據成為字典
五、繪制簡單折線圖
六、繪制簡單散點圖
使用scatter繪制散點圖並設置其樣式
1、繪制單個點，使用函數scatter，並向它傳遞x,y坐標，並可使用參數s指定點的大小
2、繪制一系列點，向scatter傳遞兩個分別包含x值和y值的列表
3、設置坐標軸的取值范圍：函數axis（）要求提供四個值，x,y坐標軸的最大值和最小值
4、使用參數edgecolor在函數scatter中設置數據點的輪廓
5、向scatter傳遞參數c,指定要使用的顏色
6、使用顏色映射
7、自動保存圖表：使用函數plt.savefig()
8、設置繪圖窗口尺寸
9、實常式序
『貳』 Python數據分析： 初識Pandas，理解Pandas實現和原理
本文的文字及圖片來源於網路,僅供學習、交流使用,不具有任何商業用途,版權歸原作者所有,如有問題請及時聯系我們以作處理
01 重要的前言
這段時間和一些做數據分析的同學閑聊，我發現數據分析技能入門階段存在一個普遍性的問題，很多憑著興趣入坑的同學，都能夠很快熟悉Python基礎語法，然後不約而同的一頭扎進《利用Python進行數據分析》這本經典之中，硬著頭皮啃完之後，好像自己什麼都會了一點，然而實際操作起來既不知從何操起，又漏洞百出。
至於原因嘛，理解不夠，實踐不夠是兩條老牌的攔路虎，只能靠自己來克服。還有一個非常有意思且經常被忽視的因素——陷入舉三反一的懵逼狀態。
什麼意思呢？假如我是個旱鴨子，想去學游泳，教練很認真的給我剖析了蛙泳的動作，扶著我的腰讓我在水裡劃拉了5分鍾，接著馬上給我講解了蝶泳，又是劃拉了5分鍾，然後又硬塞給我潛泳的姿勢，依然是劃拉5分鍾。最後，教練一下子把我丟進踩不到底的泳池，給我吶喊助威。
作為一個還沒入門的旱鴨子，教練傾囊授了我3種游泳技巧，讓我分別實踐了5分鍾。這樣做的結果就是我哪一種游泳技巧也沒學會，只學會了喝水。當一個初學者一開始就陷入針對單個問題的多種解決方法，而每一種方法的實踐又淺嘗輒止，在面對具體問題時往往會手忙腳亂。
拿Pandas來說，它的多種構造方式，多種索引方式以及類似效果的多種實現方法，很容易把初學者打入舉三反一的懵逼狀態。所以，盡量避開這個坑也是我寫Pandas基礎系列的初衷，希望通過梳理和精簡知識點的方式，給需要的同學一些啟發。目前暫定整個基礎系列分為4篇，基礎篇過後便是有趣的實戰篇。
下面開始進入正題（我真是太嘮叨了）。
02 Pandas簡介
江湖上流傳著這么一句話——分析不識潘大師（PANDAS），縱是老手也枉然。
Pandas是基於Numpy的專業數據分析工具，可以靈活高效的處理各種數據集，也是我們後期分析案例的神器。它提供了兩種類型的數據結構，分別是DataFrame和Series，我們可以簡單粗暴的把DataFrame理解為Excel裡面的一張表，而Series就是表中的某一列，後面學習和用到的所有Pandas騷操作，都是基於這些表和列進行的操作（關於Pandas和Excel的形象關系，這里推薦我的好朋友張俊紅寫的《對比EXCEL，輕松學習Python數據分析》)。
這里有一點需要強調，Pandas和Excel、SQL相比，只是調用和處理數據的方式變了，核心都是對源數據進行一系列的處理，在正式處理之前，更重要的是謀定而後動，明確分析的意義，理清分析思路之後再處理和分析數據，往往事半功倍。
03 創建、讀取和存儲
1、創建
在Pandas中我們想要構造下面這一張表應該如何操作呢？
別忘了，第一步一定是先導入我們的庫——import pandas as pd
構造DataFrame最常用的方式是字典+列表，語句很簡單，先是字典外括，然後依次打出每一列標題及其對應的列值（此處一定要用列表），這里列的順序並不重要：
左邊是jupyter notebook中dataframe的樣子，如果對應到excel中，他就是右邊表格的樣子，通過改變columns,index和values的值來控制數據。
PS,如果我們在創建時不指定index，系統會自動生成從0開始的索引。
2、 讀取
更多時候，我們是把相關文件數據直接讀進PANDAS中進行操作，這里介紹兩種非常接近的讀取方式，一種是CSV格式的文件，一種是EXCEL格式（.xlsx和xls後綴）的文件。
讀取csv文件：
engine是使用的分析引擎，讀取csv文件一般指定python避免中文和編碼造成的報錯。而讀取Excel文件，則是一樣的味道：
非常easy，其實read_csv和read_excel還有一些參數，比如header、sep、names等，大家可以做額外了解。實踐中數據源的格式一般都是比較規整的，更多情況是直接讀取。
3、存儲
存儲起來一樣非常簡單粗暴且相似：
04 快速認識數據
這里以我們的案例數據為例，迅速熟悉查看N行，數據格式概覽以及基礎統計數據。
1、查看數據，掐頭看尾
很多時候我們想要對數據內容做一個總覽，用df.head()函數直接可以查看默認的前5行，與之對應，df.tail()就可以查看數據尾部的5行數據，這兩個參數內可以傳入一個數值來控制查看的行數，例如df.head(10)表示查看前10行數據。
2、 格式查看
df.info()幫助我們一步摸清各列數據的類型，以及缺失情況：
從上面直接可以知道數據集的行列數，數據集的大小，每一列的數據類型，以及有多少條非空數據。
3、統計信息概覽
快速計算數值型數據的關鍵統計指標，像平均數、中位數、標准差等等。
我們本來有5列數據，為什麼返回結果只有兩列？那是因為這個操作只針對數值型的列。其中count是統計每一列的有多少個非空數值，mean、std、min、max對應的分別是該列的均值、標准差、最小值和最大值，25%、50%、75%對應的則是分位數。
05 列的基本處理方式
這里，我們採用SQL四大法寶的邏輯來簡單梳理針對列的基本處理方式——增、刪、選、改。
溫馨提示：使用Pandas時，盡量避免用行或者EXCEL操作單元格的思維來處理數據，要逐漸養成一種列向思維，每一列是同宗同源，處理起來是嗖嗖的快。
1、增
增加一列，用df[『新列名』] = 新列值的形式，在原數據基礎上賦值即可：
2、刪：
我們用drop函數制定刪除對應的列，axis = 1表示針對列的操作，inplace為True，則直接在源數據上進行修改，否則源數據會保持原樣。
3、選：
想要選取某一列怎麼辦？df[『列名』]即可：
選取多列呢？需要用列表來傳遞：df[[『第一列』,『第二列』,『第三列』…]]
4、 改：
好事多磨，復雜的針對特定條件和行列的篩選、修改，放在後面結合案例細講，這里只講一下最簡單的更改：df[『舊列名』] = 某個值或者某列值，就完成了對原列數值的修改。
06 常用數據類型及操作
1、字元串
字元串類型是最常用的格式之一了，Pandas中字元串的操作和原生字元串操作幾乎一毛一樣，唯一不同的是需要在操作前加上".str"。
小Z溫馨提示：我們最初用df2.info()查看數據類型時，非數值型的列都返回的是object格式，和str類型深層機制上的區別就不展開了，在常規實際應用中，我們可以先理解為object對應的就是str格式，int64對應的就是int格式，float64對應的就是float格式即可。
在案例數據中，我們發現來源明細那一列，可能是系統導出的歷史遺留問題，每一個字元串前面都有一個「-」符號，又丑又無用，所以把他給拿掉：
一般來說清洗之後的列是要替換掉原來列的：
2、 數值型
數值型數據，常見的操作是計算，分為與單個值的運算，長度相等列的運算。
以案例數據為例，源數據訪客數我們是知道的，現在想把所有渠道的訪客都加上10000，怎麼操作呢？
只需要選中訪客數所在列，然後加上10000即可，pandas自動將10000和每一行數值相加，針對單個值的其他運算（減乘除）也是如此。
列之間的運算語句也非常簡潔。源數據是包含了訪客數、轉化率和客單價，而實際工作中我們對每個渠道貢獻的銷售額更感興趣。（銷售額 = 訪客數 X 轉化率 X 客單價）
對應操作語句：df[『銷售額』] = df[『訪客數』] * df[『轉化率』] * df[『客單價』]
但為什麼瘋狂報錯？
導致報錯的原因，是數值型數據和非數值型數據相互計算導致的。PANDAS把帶「%」符號的轉化率識別成字元串類型，我們需要先拿掉百分號，再將這一列轉化為浮點型數據：
要注意的是，這樣操作，把9.98%變成了9.98，所以我們還需要讓支付轉化率除以100，來還原百分數的真實數值：
然後，再用三個指標相乘計算銷售額：
3、時間類型
PANDAS中時間序列相關的水非常深，這里只對日常中最基礎的時間格式進行講解，對時間序列感興趣的同學可以自行查閱相關資料，深入了解。
以案例數據為例，我們這些渠道數據，是在2019年8月2日提取的，後面可能涉及到其他日期的渠道數據，所以需要加一列時間予以區分，在EXCEL中常用的時間格式是』2019-8-3』或者』2019/8/3』，我們用PANDAS來實現一下：
在實際業務中，一些時候PANDAS會把文件中日期格式的欄位讀取為字元串格式，這里我們先把字元串』2019-8-3』賦值給新增的日期列，然後用to_datetime()函數將字元串類型轉換成時間格式：
轉換成時間格式（這里是datetime64）之後，我們可以用處理時間的思路高效處理這些數據，比如，我現在想知道提取數據這一天離年末還有多少天（『2019-12-31』），直接做減法（該函數接受時間格式的字元串序列，也接受單個字元串）：
『叄』 Python其實很簡單 第十九章 Pandas之Series與DataFrame
19.1安裝Anaconda
Anaconda是Python的一個開源發行版本，它預裝了豐富的第三方庫，而且主要面向科學計算和數據分析，使用起來要比原版的Python更省時省力。
Anaconda官方下載網址為：https://www.continuum.io/downloads。下載和安裝的方法很簡單，若有問題可以在網上搜索相關內容學習解決。
安裝Anaconda之後，就會發現在Anaconda目錄下同時安裝了Jupyter Notebook、Spyder等工具，我們接下來主要使用Spyder進行開發。關於Spyder的使用方法非常簡單，大家也可以去網上搜索學習。
雖然Anaconda已經預裝了很多常用的包，但有時我們也需要自己安裝一些包。可以在開始菜單中選擇「Anaconda Anaconda Prompt」命令，在命令行輸入conda install （ 代表包名）即可安裝，也可以輸入pip install 。
19.2數據分析包Pandas
Pandas是Python的一個數據分析包，Anaconda安裝時已經附帶安裝了Pandas包。
Pandas數據結構有三種：Series（一維數組）、DataFrame（二維數組）和Panel（三維數組），其中最常用的是前兩種數據結構。
19.2.1 Series
Series（序列）用於存儲一行或一列數據，以及與之相關的索引的集合。
語法格式如下：
Series([數據1，數據2，......], index=[索引1,索引2,......])
例：
from pandas import Series
s=Series(['張三','李四','王五'],index=[1,2,3])
print(s)
輸出結果如下：
1 張三
2 李四
3 王五
dtype: object
上面建立序列時指定了索引，若不指定，則默認的索引值從0開始。如下：
s=Series(['張三','李四','王五'])
輸出結果為:
0 張三
1 李四
2 王五
dtype: object
索引值也可以為字元串。如下：
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
print(s)
輸出結果為：
A 張三
B 李四
C 王五
dtype: object
1、訪問序列
（1）可以通過索引訪問序列，如：
from pandas import Series
s=Series(['張三','李四','王五'])
print(s)
print(s[0])
print(s[1:])
運行結果如下：
0 張三
1 李四
2 王五
dtype: object #print(s)輸出
張三 #print(s[0])輸出
1 李四
2 王五
dtype: object #print(s[1:])輸出
（2）通過值獲取索引值
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
print(s.index[s.values=='李四'])
運行結果：
Index(['B'], dtype='object')
（3）判斷值是否存在
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
f='李四' in s.values
print(f)
運行結果：
True
（4）定位獲取
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
print(s[[0,2,1]])
運行結果：
A 張三
C 王五
B 李四
dtype: object
2、修改序列
（1）追加序列，如：
from pandas import Series
s=Series(['張三','李四','王五'],index=['A','B','C'])
s1=Series(['孫六'],index=['D'])
s=s.append(s1)
print(s)
運行結果：
A 張三
B 李四
C 王五
D 孫六
dtype: object
（2）修改序列的值
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s[1]='李飛'
print(s)
運行結果：
A 張三
B 李飛
C 王五
D 孫六
dtype: object
不知道索引，僅知道要修改的值，也可通過值查找到索引後，再修改序列的值。如：
s[s.index[s.values=='李四']]='李飛'
這樣也可以將「李四」修改為「李飛。
（3）修改索引
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s.index=[0,1,2,3]
print(s)
運行結果：
0 張三
1 李四
2 王五
3 孫六
dtype: object
（4）刪除元素
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s=s.drop('A')
print(s)
運行結果：
B 李四
C 王五
D 孫六
dtype: object
（5）重新排序
可以按照索引排序，使用sort_index(ascending=True)方法對index進行排序操作。
from pandas import Series
s=Series(['張三','李四','王五','孫六'],index=['A','B','C','D'])
s=s.sort_index(ascending=False) # ascending=False表示按降序排列
print(s)
運行結果：
D 孫六
C 王五
B 李四
A 張三
dtype: object
（6）重置索引
重置索引可以使用reindex()。如果index列表中的元素多於序列的值，可用fill_value=0這樣的語句填充。
s=s.reindex(['D','C','B','A'])
如果index列表中的元素多於序列的值，可用fill_value=0這樣的語句填充。
s=s.reindex(['D','C','B','A'], fill_value=0)
19.2.2 DataFrame
DataFrame（數據框架）用於存儲多行和多列的數據集合。它是Series的容器，類似於Excel中二維表格。
定義一個DataFrame的語法格式如下：
df=DataFrame({列名1 : 序列1，列名2 : 序列2，.......列名n : 序列n}, index=序列 )
例如，有如下二維表：
姓名
性別
年齡
張三
男
18
李四
女
19
王五
男
17
保存到DataFrame中可以用如下方法：
from pandas import Series
from pandas import DataFrame
name=Series(['張三','李四','王五'])
sex=Series(['男','女','男'])
age=Series([18,19,17])
df=DataFrame({'姓名':name,'性別':sex,'年齡':age})
print(df)
運行結果：
姓名 性別 年齡
0 張三 男 18
1 李四 女 19
2 王五 男 17
從上例可以看出，雖然我們省缺了索引，但系統自動添加了從0開始的索引值。
19.3 DataFrame的基本操作
1、訪問方式
（1）獲取行
print(df[1:2]) # 獲取第1行的值
輸出結果：
姓名 性別 年齡
1 李四 女 19
print(df[1:3]) #獲取第1行到第2行的值
輸出結果：
姓名 性別 年齡
1 李四 女 19
2 王五 男 17
（2）獲取列
print(df['姓名']) #獲取「姓名」列的值
輸出結果：
0 張三
1 李四
2 王五
Name: 姓名, dtype: object
另一種方法：
print(df[df.columns[0:1]]) #先按照索引號獲取列名，再按照列名讀取
輸出結果和上面的方法完全一致。
還有一種情況，是獲取唯一值，即將列內的重復值中多餘的刪除，僅留下互不相同的值。所用的到方法是unique()。
sex1=Series(df['性別'].unique())
print(sex1)
輸出結果：
0 男
1 女
dtype: object
（3）獲取指定位置的值
print(df.at[1,'姓名']) # 格式為變數名.at[行號，列名]
輸出結果：
李四
（4）獲取塊的值
print(df.iloc[0:2,1:3]) # 格式為變數名.iloc[行號1:行號2, 列號1:列號2]
輸出結果：
性別 年齡
0 男 18
1 女 19
print(df.iloc[:,1:2]) #獲取「性別」列的值
運行結果：
性別
0 男
1 女
2 男
2、修改、刪除、增加行和列
（1）修改列名
print(df.columns)
df.columns=['name','sex','age']
print(df.columns)
輸出結果：
Index(['姓名', '性別', '年齡'], dtype='object')
Index(['name', 'sex', 'age'], dtype='object')
可見，列名已經由「姓名、性別、年齡」修改為「age、sex、age」了。但這種修改必須把全部列名都一一列舉，不能有遺漏，否則就會出錯。如：
df.columns=['name','sex']
此時會報錯：ValueError: Length mismatch: Expected axis has 3 elements, new values have 2 elements。
（2）修改行索引
df.index=[1,2,3]
（3）刪除行
df.drop(1,axis=0) # axis=0表示行軸，也可以省略
（4）刪除列
df.drop(『性別』,axis=1) # axis=0表示列軸
也可以使用另一種方法：
del df['性別']
（5）增加列
df['電話']=[�',�',�']
print(df)
運行結果：
姓名 性別 年齡 電話
0 張三 男 18 1111111
1 李四 女 19 2222222
2 王五 男 17 3333333
（6）增加行
df.loc[len(df)]=['孫六','男',ཐ']
（7）追加
from pandas import Series
from pandas import DataFrame
name=Series(['張三','李四','王五'])
sex=Series(['男','女','男'])
age=Series([18,19,17])
df=DataFrame({'姓名':name,'性別':sex,'年齡':age}) # 建立DataFrame，變數名為df
name1=Series(['孫六','候七'])
sex1=Series(['男','女'])
age1=Series([19,17])
df1=DataFrame({'姓名':name1,'性別':sex1,'年齡':age1})
# 建立DataFrame，變數名為df1
df=df.append(df1,ignore_index=True)
# 將對df1追加到df後面，參數ignore_index=True表示重新索引
print(df)
運行結果：
姓名 性別 年齡
0 張三 男 18
1 李四 女 19
2 王五 男 17
3 孫六 男 19
4 候七 女 17
『肆』 pandas繪圖不顯示
可以顯示啊，不能顯示的圖形是坐標超出范圍了，你可以在PicDRAW上查看坐標！
把圖片控制項的AutoReDraw設為True可以顯示 Form_Load()
中的圖形，以及以後來窗體刷新時圖形不丟失。
『伍』 如何使用Python繪制餅圖
我們在運用Python製作各種圖形的時候，經常需要繪制餅圖。那麼如何用Python繪制餅圖呢？下面我給大家分享演示一下。
Pycharm
首先我們需要在Excel文件中准備好餅圖的數據，如下圖所示
接下來我們打開Pycharm，新建Python文件，導入Python的pandas庫，利用pandas將Excel數據載入到緩存中，如下圖所示
然後我們在導入pyplot庫，運用pyplot庫的pie進行餅圖的繪制，如下圖所示
接著運行程序以後我們就可以看到一張如下圖所示的餅圖了，但是四周的名稱和Excel中的還是不太一樣，接下來修改四周的名稱
我們在運用pandas庫載入Excel數據文件的時候加上index_col屬性即可，如下圖所示
這次在運行程序我們就可以看到餅圖四周的名稱和Excel中的一樣了，如下圖所示
接著我們在運用pyplot中的title和ylable設置餅圖的標題和Y坐標軸的名稱，如下圖所示
最後運行文件就可以看到下面這個信息比較齊全的餅圖了，如下圖所示，到這里用Python繪制餅圖就結束了
『陸』 用Python畫圖
今天開始琢磨用Python畫圖，沒使用之前是一臉懵的，我使用的開發環境是Pycharm，這個輸出的是一行行命令，這個圖畫在哪裡呢？
搜索之後發現，它會彈出一個對話框，然後就開始畫了，比如下圖
第一個常用的庫是Turtle，它是Python語言中一個很流行的繪制圖像的函數庫，這個詞的意思就是烏龜，你可以想像下一個小烏龜在一個x和y軸的平面坐標系裡，從原點開始根據指令控制，爬行出來就是繪制的圖形了。
它最常用的指令就是旋轉和移動，比如畫個圓，就是繞著圓心移動；再比如上圖這個怎麼畫呢，其實主要就兩個命令：
turtle.forward(200)
turtle.left(170)
第一個命令是移動200個單位並畫出來軌跡
第二個命令是畫筆順時針轉170度，注意此時並沒有移動，只是轉角度
然後呢？ 循環重復就畫出來這個圖了
好玩吧。
有需要仔細研究的可以看下這篇文章 https://blog.csdn.net/zengxiantao1994/article/details/76588580 ，這個牛人最後用這個庫畫個移動的鍾表，太贊了。
Turtle雖好玩，但是我想要的是我給定數據，然後讓它畫圖，這里就找到另一個常用的畫圖的庫了。
Matplotlib是python最著名的繪圖庫，它提供了一整套和matlab相似的命令API，十分適合互動式地行制圖。其中，matplotlib的pyplot模塊一般是最常用的，可以方便用戶快速繪制二維圖表。
使用起來也挺簡單，
首先import matplotlib.pyplot as plt 導入畫圖的圖。
然後給定x和y，用這個命令plt.plot(x, y)就能畫圖了，接著用plt.show()就可以把圖形展示出來。
接著就是各種完善，比如加標題，設定x軸和y軸標簽，范圍，顏色，網格等等，在 https://blog.csdn.net/guoziqing506/article/details/78975150 這篇文章里介紹的很詳細。
現在互聯網的好處就是你需要什麼內容，基本上都能搜索出來，而且還是免費的。
我為什麼要研究這個呢？當然是為了用，比如我把比特幣的曲線自己畫出來可好？
假設現在有個數據csv文件，一列是日期，另一列是比特幣的價格，那用這個命令畫下：
這兩列數據讀到pandas中，日期為df['time']列，比特幣價格為df['ini']，那我只要使用如下命令
plt.plot(df['time'], df['ini'])
plt.show()
就能得到如下圖：
自己畫的是不是很香，哈哈！
然後呢，我在上篇文章 https://www.jianshu.com/p/d4013d8a73de 中介紹過求Ahr999指數，那可不可以也放到這張圖中呢？不就是加一條命令嘛
plt.plot(df['time'], df['Ahr999'])
圖形如下：
但是，Ahr999指數怎麼就一條線不動啊， 原來兩個Y軸不一致，顯示出來太怪了，需要用多Y軸，問題來了。
繼續谷歌一下，把第二個Y軸放右邊就行了，不過呢得使用多圖，重新繪制
fig = plt.figure() # 多圖
ax1 = fig.add_subplot(111)
ax1.plot(df['time'], df['ini'], label="BTC price") # 繪制第一個圖比特幣價格
ax1.set_ylabel('BTC price') # 加上標簽
# 第二個直接對稱就行了
ax2 = ax1.twinx()# 在右邊增加一個Y軸
ax2.plot(df['time'], df['Ahr999'], 'r', label="ahr999") # 繪制第二個圖Ahr999指數，紅色
ax2.set_ylim([0, 50])# 設定第二個Y軸范圍
ax2.set_ylabel('ahr999')
plt.grid(color="k", linestyle=":")# 網格
fig.legend(loc="center")#圖例
plt.show()
跑起來看看效果，雖然丑了點，但終於跑通了。
這樣就可以把所有指數都繪制到一張圖中，等等，三個甚至多個Y軸怎麼加？這又是一個問題，留給愛思考愛學習的你。
有了自己的數據，建立自己的各個指數，然後再放到圖形界面中，同時針對異常情況再自動進行提醒，比如要抄底了，要賣出了，用程序做出自己的晴雨表。
『柒』 如何使用Python的Pandas庫繪制折線圖
我們經常會使用Python的Pandas繪制各種數據圖形，那麼如何使用它繪制折線圖呢？下面我給大家分享一下。
Pycharm
首先我們需要打開Excel軟體准備需要的數據，這里多准備幾列數據，一列就是一條折線，如下圖所示
然後我們打開Pycharm軟體，新建Python文件，導入Pandas庫，接著將Excel中的數據讀取進數據集緩存，如下圖所示
接下來我們利用plot方法繪制折線圖，如下圖所示，這里只添加了一列標題
運行文件以後我們就可以看到折線圖顯示出來了，但是比較的簡單，下面我們逐漸的豐富它
然後在plot方法中將excel裡面的多列標題都添加進來，如下圖所示
這次在運行文件的時候我們就可以看到折線圖上有多條線了，如下圖所示
接下來我們在為折線圖設置標題，X，Y坐標軸的內容，如下圖所示
然後通過plot方法下面的area方法對折線圖的空白區域進行疊加填充，如下圖所示
最後我們運行完善好後的文件，就可以看到如下圖所示的折線圖了，到此我們的折線圖繪制也就完成了
『捌』 Python pandas用法
在Python中，pandas是基於NumPy數組構建的，使數據預處理、清洗、分析工作變得更快更簡單。pandas是專門為處理表格和混雜數據設計的，而NumPy更適合處理統一的數值數組數據。
使用下面格式約定，引入pandas包：
pandas有兩個主要數據結構：Series和DataFrame。
Series是一種類似於一維數組的對象，它由 一組數據 （各種NumPy數據類型）以及一組與之相關的 數據標簽（即索引） 組成，即index和values兩部分，可以通過索引的方式選取Series中的單個或一組值。
pd.Series(list,index=[ ]) ，第二個參數是Series中數據的索引，可以省略。
Series類型索引、切片、運算的操作類似於ndarray，同樣的類似Python字典類型的操作，包括保留字in操作、使用.get()方法。
Series和ndarray之間的主要區別在於Series之間的操作會根據索引自動對齊數據。
DataFrame是一個表格型的數據類型，每列值類型可以不同，是最常用的pandas對象。DataFrame既有行索引也有列索引，它可以被看做由Series組成的字典（共用同一個索引）。DataFrame中的數據是以一個或多個二維塊存放的（而不是列表、字典或別的一維數據結構）。
pd.DataFrame(data,columns = [ ],index = [ ]) ：columns和index為指定的列、行索引，並按照順序排列。
如果創建時指定了columns和index索引，則按照索引順序排列，並且如果傳入的列在數據中找不到，就會在結果中產生缺失值：
數據索引 ：Series和DataFrame的索引是Index類型，Index對象是不可修改，可通過索引值或索引標簽獲取目標數據，也可通過索引使序列或數據框的計算、操作實現自動化對齊。索引類型index的常用方法：
重新索引 ：能夠改變、重排Series和DataFrame索引，會創建一個新對象，如果某個索引值當前不存在，就引入缺失值。
df.reindex(index, columns ,fill_value, method, limit, ) ：index/columns為新的行列自定義索引；fill_value為用於填充缺失位置的值；method為填充方法，ffill當前值向前填充，bfill向後填充；limit為最大填充量； 默認True，生成新的對象，False時，新舊相等不復制。
刪除指定索引 ：默認返回的是一個新對象。
.drop() ：能夠刪除Series和DataFrame指定行或列索引。
刪除一行或者一列時，用單引號指定索引，刪除多行時用列表指定索引。
如果刪除的是列索引，需要增加axis=1或axis='columns'作為參數。
增加inplace=True作為參數，可以就地修改對象，不會返回新的對象。
在pandas中，有多個方法可以選取和重新組合數據。對於DataFrame，表5-4進行了總結
適用於Series和DataFrame的基本統計分析函數 ：傳入axis='columns'或axis=1將會按行進行運算。
.describe() ：針對各列的多個統計匯總，用統計學指標快速描述數據的概要。
.sum() ：計算各列數據的和
.count() ：非NaN值的數量
.mean( )/.median() ：計算數據的算術平均值、算術中位數
.var()/.std() ：計算數據的方差、標准差
.corr()/.cov() ：計算相關系數矩陣、協方差矩陣，是通過參數對計算出來的。Series的corr方法用於計算兩個Series中重疊的、非NA的、按索引對齊的值的相關系數。DataFrame的corr和cov方法將以DataFrame的形式分別返回完整的相關系數或協方差矩陣。
.corrwith() ：利用DataFrame的corrwith方法，可以計算其列或行跟另一個Series或DataFrame之間的相關系數。傳入一個Series將會返回一個相關系數值Series（針對各列進行計算），傳入一個DataFrame則會計算按列名配對的相關系數。
.min()/.max() ：計算數據的最小值、最大值
.diff() ：計算一階差分，對時間序列很有效
.mode() ：計算眾數，返回頻數最高的那（幾）個
.mean() ：計算均值
.quantile() ：計算分位數（0到1）
.isin() ：用於判斷矢量化集合的成員資格，可用於過濾Series中或DataFrame列中數據的子集
適用於Series的基本統計分析函數，DataFrame[列名]返回的是一個Series類型。
.unique() ：返回一個Series中的唯一值組成的數組。
.value_counts() ：計算一個Series中各值出現的頻率。
.argmin()/.argmax() ：計算數據最大值、最小值所在位置的索引位置（自動索引）
.idxmin()/.idxmax() ：計算數據最大值、最小值所在位置的索引（自定義索引）
pandas提供了一些用於將表格型數據讀取為DataFrame對象的函數。下表對它們進行了總結，其中read_csv()、read_table()、to_csv()是用得最多的。
在數據分析和建模的過程中，相當多的時間要用在數據准備上：載入、清理、轉換以及重塑。
在許多數據分析工作中，缺失數據是經常發生的。對於數值數據，pandas使用浮點值NaN（np.nan）表示缺失數據，也可將缺失值表示為NA（Python內置的None值）。
替換值
.replace(old, new) ：用新的數據替換老的數據，如果希望一次性替換多個值，old和new可以是列表。默認會返回一個新的對象，傳入inplace=True可以對現有對象進行就地修改。
刪除重復數據
利用函數或字典進行數據轉換
df.head()：查詢數據的前五行
df.tail()：查詢數據的末尾5行
pandas.cut()
pandas.qcut() 基於分位數的離散化函數。基於秩或基於樣本分位數將變數離散化為等大小桶。
pandas.date_range() 返回一個時間索引
df.apply() 沿相應軸應用函數
Series.value_counts() 返回不同數據的計數值
df.aggregate()
df.reset_index() 重新設置index，參數drop = True時會丟棄原來的索引，設置新的從0開始的索引。常與groupby()一起用
numpy.zeros()
『玖』 如何利用Python中的Pandas庫繪制柱形圖
我們利用Python的Pandas庫可以繪制很多圖形，那麼如何繪制柱形圖呢？下面我給大家分享演示一下。
Pycharm
首先我們打開Excel文件，准備要生成柱形圖的數據表，如下圖所示
接下來在Python文件中導入pandas庫，然後將Excel文件載入到緩存對象中，如下圖所示
然後我們導入matplotlib下面的pyplot庫，如下圖所示，導入以後給它起一個別名
接下來我們通過pandas庫下面的bar來設置柱形圖的X，Y坐標軸，如下圖所示
然後通過pyplot的show方法將柱形圖進行展示出來，如下圖所示
接下來運行程序以後我們就看到柱形圖生成出來了，如下圖所示
然後如果我們想將柱形圖中的數據排序的話可以利用sort_values實現，如下圖所示
最後運行排序好後的程序，我們就可以看到柱形圖中的數據已經排序好了，如下圖所示
『拾』 python(pandas模塊)
Pandas是Python的一個數據分析包，最初由AQR Capital
Management於2008年4月開發，並於2009年底開源出來，目前由專注於Python數據包開發的Pydata開發team繼續開發和維護，屬於PyData項目的一部分，pandas最初被作為金融數據分析工具而開發出來，因此pandas為時間序列分析提供了很好的支持。
Pandas的名稱來自於面板數據和python數據分析。panel
data是經濟學中關於多維數據集的一個術語，在Pandas中也提供了panel的數據類型。
Pandas數據結構：
Series：一維數組，與numpy中的一維array類似。二者與Python基本的數據結構list相近，Series如今能保存不同種數據類型，字元串、boolean值、數字等都能保存在series中。
Time-series：以時間為索引的series。
DataFrame：二維的表格型數據結構，很多功能與R中的data.frame類似，可以將DataFrame理解為Series的容器。
Panel ：三維的數組，可以理解為DataFrame的容器。
Panel4D：是像Panel一樣的4維數據容器。
PanelND：擁有factory集合，可以創建像Panel4D一樣N維命名容器的模塊。