Pandas内置绘图：我用.plot()一行代码，秒出数据分析图

2026-03-01

大家好，我是正在实战各种AI项目的程序员晚枫。

今天介绍Pandas内置的plot方法，这是最快的数据可视化方式。

不需要导入Matplotlib或Seaborn，直接对DataFrame调用.plot()，一秒出图！

为什么用Pandas内置绘图？

优势

✅ 极简：一行代码出图
✅ 集成：和数据分析流程无缝衔接
✅ 快速：探索性分析首选
✅ 灵活：底层仍是Matplotlib，可深度定制

适用场景

快速查看数据趋势
探索性数据分析（EDA）
临时图表需求

基础用法

import pandas as pd
import numpy as np

# 创建时间序列数据
dates = pd.date_range('2024-01-01', periods=30)
df = pd.DataFrame({
    '销售额': np.random.randint(100, 200, 30).cumsum(),
    '利润': np.random.randint(20, 50, 30).cumsum()
}, index=dates)

# 最简单的折线图
df.plot()

常用图表类型

折线图（Line）

# 默认就是折线图
df['销售额'].plot()

# 多列同时绘制
df.plot(figsize=(12, 6), title='月度业绩趋势')

# 子图形式
df.plot(subplots=True, figsize=(10, 8))

柱状图（Bar）

# 准备分类数据
monthly = df.resample('M').last()

# 垂直柱状图
monthly.plot(kind='bar')

# 水平柱状图
monthly.plot(kind='barh')

# 堆叠柱状图
monthly.plot(kind='bar', stacked=True)

面积图（Area）

# 填充面积的折线
df.plot(kind='area', alpha=0.5)

# 堆叠面积图
df.plot(kind='area', stacked=True)

直方图（Hist）

# 单列直方图
df['销售额'].plot(kind='hist', bins=20)

# 多列直方图
df.plot(kind='hist', alpha=0.5, bins=20)

箱线图（Box）

1	df.plot(kind='box')

散点图（Scatter）

1	df.plot(kind='scatter', x='销售额', y='利润')

饼图（Pie）

1 2	# 饼图需要指定一列 monthly['销售额'].plot(kind='pie', autopct='%1.1f%%')

样式参数

df.plot(
    kind='line',        # 图表类型
    figsize=(12, 6),    # 图形大小
    title='销售趋势',    # 标题
    xlabel='日期',       # X轴标签
    ylabel='金额（万元）', # Y轴标签
    grid=True,          # 显示网格
    legend=True,        # 显示图例
    style=['-', '--'],  # 线型
    color=['red', 'blue'],  # 颜色
    linewidth=2,        # 线宽
    marker='o',         # 标记
    markersize=6        # 标记大小
)

Series专用绘图

s = pd.Series(np.random.randn(100).cumsum())

# 密度图
s.plot(kind='kde')

# 累积分布
s.plot(kind='hist', cumulative=True, density=True)

高级技巧

双Y轴

1 2	ax = df['销售额'].plot(legend=True) df['利润率'].plot(secondary_y=True, ax=ax, color='red', legend=True)

自定义颜色映射

1	df.plot(colormap='viridis')

按条件着色

# 正负值不同颜色
returns = df['销售额'].pct_change()
colors = ['green' if x > 0 else 'red' for x in returns]
returns.plot(kind='bar', color=colors)

与Matplotlib结合

import matplotlib.pyplot as plt

# Pandas绘图返回Axes对象
ax = df.plot(figsize=(12, 6))

# 用Matplotlib进一步美化
ax.set_title('销售分析', fontsize=16, fontweight='bold')
ax.grid(True, alpha=0.3)
ax.axhline(y=df['销售额'].mean(), color='r', linestyle='--', label='平均值')
ax.legend()

plt.tight_layout()
plt.show()

实战：完整的数据探索

import pandas as pd
import numpy as np

# 生成模拟数据
np.random.seed(42)
df = pd.DataFrame({
    '产品A': np.random.randint(100, 200, 12),
    '产品B': np.random.randint(80, 150, 12),
    '产品C': np.random.randint(60, 120, 12)
}, index=pd.date_range('2024-01', periods=12, freq='M'))

print("=== 快速可视化探索 ===\n")

# 1. 整体趋势
print("1. 产品销售趋势")
df.plot(figsize=(12, 6), title='月度产品销售对比', marker='o')
plt.ylabel('销量')
plt.show()

# 2. 占比分析
print("\n2. 产品占比（年末）")
df.iloc[-1].plot(kind='pie', autopct='%1.1f%%', title='12月产品销售占比')
plt.ylabel('')
plt.show()

# 3. 分布情况
print("\n3. 销量分布")
df.plot(kind='box', title='各产品销量分布')
plt.ylabel('销量')
plt.show()

# 4. 累计趋势
print("\n4. 累计销量")
df.cumsum().plot(kind='area', alpha=0.5, title='累计销量趋势')
plt.ylabel('累计销量')
plt.show()

# 5. 增长率
print("\n5. 环比增长率")
growth = df.pct_change() * 100
growth.plot(kind='bar', title='月度环比增长率（%）')
plt.axhline(y=0, color='black', linestyle='-', linewidth=0.5)
plt.ylabel('增长率（%）')
plt.show()