#pandas主要使用plot函數(shù)進(jìn)行數(shù)據(jù)可視化繪圖，完整表達(dá)式如下，本文僅羅列常見的參數(shù)，其他參數(shù)待用到時(shí)，可自行學(xué)習(xí)
df.plot(
    x='A',#即繪圖x軸用的數(shù)據(jù)列標(biāo)簽，如果不指定，則默認(rèn)為index
    y='B',#即繪圖y軸用的數(shù)據(jù)列標(biāo)簽，可指定一個(gè)，也可指定多個(gè)，指定多個(gè)使用列表格式['A', 'B']
    use_index=True,#設(shè)置是否用DF的index行索引作為x軸，默認(rèn)是True，當(dāng)x不傳入值時(shí)，便用index
    
    kind='line',#即繪圖用的圖表類型，枚舉有l(wèi)ine（折線）、bar（條形圖）、barh（橫向條形圖）、hist（柱狀圖）、box（箱線圖或蠟燭圖）、area（面積圖）、pie（餅圖）、scatter（散點(diǎn)圖）等
 
    subplots=True,#子圖，即如果y指定的是多列，則將每列分為一個(gè)子圖，與layout一起使用
    layout=(2,2),#2*2布局，即4個(gè)子圖
    sharex=True,#如果有子圖，子圖共x軸刻度，標(biāo)簽，默認(rèn)True
    sharey=False,#如果有子圖，子圖共y軸刻度，標(biāo)簽，默認(rèn)False，即不共享
 
    figsize=(12,8),#設(shè)置圖表大小，橫縱方向，單位英尺
    title='title',#設(shè)置圖表的標(biāo)題
    grid=True,#設(shè)置圖表的格子，默認(rèn)False，即不添加格子
    legend=True，#即設(shè)置是否添加圖例，默認(rèn)True
    color=['r', 'g', 'b'],#設(shè)置不同序列或不同組對(duì)應(yīng)展示的圖表顏色，序列格式（列表或元組），默認(rèn)none，一般不需要顯示指定，系統(tǒng)會(huì)自動(dòng)分配
    
    xticks=[],#設(shè)置x軸刻度，序列形式（列表或元組），可自定義橫軸的刻度，默認(rèn)none，一般不需要
    yticks=[],#設(shè)置y軸刻度，序列形式（列表或元組），可自定義縱軸的刻度，默認(rèn)none，一般不需要
    rot=0,#設(shè)置軸刻度旋轉(zhuǎn)角度，默認(rèn)是0，即水平展示
    fontsize=12,#設(shè)置橫縱坐標(biāo)刻度字體大小
    xlim=[0,100],#設(shè)置x軸刻度區(qū)間，序列形式（列表或元素），默認(rèn)不設(shè)置，由系統(tǒng)自動(dòng)判斷
    ylim=(0,100),#設(shè)置y軸刻度區(qū)間，序列形式（列表或元素），默認(rèn)不設(shè)置，由系統(tǒng)自動(dòng)判斷
 
    ax,#設(shè)置此次繪圖的目標(biāo)axes（坐標(biāo)系），在本文最后會(huì)詳細(xì)展開，可以理解為，其是pandas暴露的與matplotlib無(wú)縫銜接的接口
)
 
#df.plot()函數(shù)返回值為此次繪圖所生成的坐標(biāo)系，可以是1個(gè)，也可以是多個(gè)，視subplots是True或False而定
#pandas的plot繪圖后，還可結(jié)合Matplotlib，對(duì)生成的圖表的屬性進(jìn)一步定制和設(shè)置
plt.grid(linewidth=0.2, alpha=0.5) 

#為了讓該篇文章更加易懂，這次會(huì)使用真實(shí)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析及可視化的演示
#網(wǎng)上獲取公開數(shù)據(jù)源的平臺(tái)比較多，比如AkShare、Tushare、BaoStock等
#其中Tushare使用時(shí)較為便捷，但使用接口獲取數(shù)據(jù)時(shí)還需要積分達(dá)到一定的值，而AkShare數(shù)據(jù)則完全公開，調(diào)用時(shí)沒有任何限制，故本文內(nèi)均會(huì)使用AKShare的數(shù)據(jù)
 
#獲取數(shù)據(jù)方法如下：
import akshare as ak #如果沒有安裝akshare，請(qǐng)自行pip安裝
df=ak.macro_cnbs()  #每一個(gè)接口獲取的數(shù)據(jù)不一樣，此處只使用歷年中國(guó)宏觀杠桿率數(shù)據(jù)
 
#AKShare詳細(xì)教程和數(shù)據(jù)可訪問(wèn)以下鏈接
https://www.akshare.xyz/zh_CN/latest/index.html

#折線圖，一般用來(lái)分析某數(shù)據(jù)指標(biāo)（列）隨著index或另外一個(gè)數(shù)據(jù)序列的變化趨勢(shì)，也是最常見的圖表
#數(shù)據(jù)源，以下使用AkShare 數(shù)據(jù)平臺(tái)的 中國(guó)宏觀杠桿率 作為數(shù)據(jù)源
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
df=ak.macro_cnbs()  #獲取中國(guó)歷史各部門的杠桿率
#df.head()
	年份    	居民部門	    非金融企業(yè)部門	政府部門	    中央政府	    地方政府	    實(shí)體經(jīng)濟(jì)部門	金融部門資產(chǎn)方	金融部門負(fù)債方
0	1993-12	8.311222	91.658000	    4.249689	3.572548	7.822237	107.791459	8.896441	    7.128428
1	1994-12	7.808230	82.411703	    4.989987	3.144351	8.134338	98.354271	9.808787	    6.796868
2	1995-12	8.200000	81.000000	    5.700000	3.000000	8.700000	97.900000	10.000000	    7.000000
3	1996-03	8.400000	81.700000	    6.100000	3.000000	9.100000	99.200000	10.200000	    7.200000
4	1996-06	8.600000	82.100000	    6.000000	3.000000	9.000000	99.700000	10.400000	    7.400000
 
 
df.plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='line', figsize=(10,8),fontsize=12,title='金融杠桿率')  
#運(yùn)行后，生成圖表如下，可見基本來(lái)說(shuō)，杠桿率在逐年增加，其中居民部門的杠桿率，在2008年以后出現(xiàn)驟增的趨勢(shì)，可能與房?jī)r(jià)快速上漲有關(guān)

#如果使用子圖，對(duì)各個(gè)經(jīng)濟(jì)部門的杠桿率分開展示，則如下
df.plot(x='年份',y=['居民部門','政府部門','地方政府'], subplots=True, layout=(1,3),kind='line', figsize=(10,8),fontsize=12,title='金融杠桿率') 
#運(yùn)行后圖表如下，可見如果拆成子圖之后，會(huì)更加清晰些

#柱狀圖（條形圖）一般用來(lái)分析某指定時(shí)間段內(nèi)，不同指標(biāo)之間的對(duì)比，同時(shí)還可以分析變化趨勢(shì)
#相較于折線圖，會(huì)表現(xiàn)的更加直觀，條形圖，或者叫柱狀圖,一般用于分析不同時(shí)間段不同指標(biāo)或組別的表現(xiàn)對(duì)比，但如果要判斷趨勢(shì)，最好還是用折線圖會(huì)更加直觀
#數(shù)據(jù)源，仍然以中國(guó)各經(jīng)濟(jì)部門宏觀杠桿率為準(zhǔn)，但是只取前20行數(shù)據(jù)，因數(shù)據(jù)量太大
df.iloc[range(20)].plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='bar',figsize=(10,8),fontsize=12,title='金融杠桿率')#運(yùn)算后，生成的圖標(biāo)如下

#柱狀圖還有一種變種，即堆疊柱狀圖，相當(dāng)于將需要對(duì)比的不同組別的指標(biāo)值加和，并展示在一個(gè)柱內(nèi)，用不同顏色區(qū)分
#該種圖表既可以體現(xiàn)同一時(shí)期或區(qū)間不同組別的指標(biāo)占比大小（根據(jù)數(shù)值），還可以觀察不同時(shí)期對(duì)應(yīng)組別累加值的變化趨勢(shì)
#比如不同季度4個(gè)銷售團(tuán)隊(duì)的銷售業(yè)績(jī)，那么堆疊柱狀圖即可以對(duì)比不同季度各個(gè)銷售團(tuán)隊(duì)的業(yè)績(jī)，還可以觀察4個(gè)銷售團(tuán)隊(duì)在不同季度業(yè)績(jī)總和的變化趨勢(shì)
df.iloc[range(20)].plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='bar', stacked=True,figsize=(10,8),fontsize=12,title='金融杠桿率') #運(yùn)行后圖表如下

#橫向柱狀圖，基本就是將bar圖給橫過(guò)來(lái)，沒有其他區(qū)別，有橫向柱狀圖的原因，主要是長(zhǎng)短相較于高低會(huì)更加直觀些，大概可能是因?yàn)槿祟惖囊曈X習(xí)慣吧
#還是以中國(guó)宏觀杠桿率數(shù)據(jù)為數(shù)據(jù)源
df.iloc[range(20)].plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='barh', stacked=True,figsize=(10,8),fontsize=12,title='金融杠桿率') #運(yùn)行后圖表如下，為疊加效果

#以下為不疊加數(shù)據(jù)的效果
df.iloc[range(20)].plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='barh',figsize=(10,8),fontsize=12,title='金融杠桿率') #運(yùn)行后圖表如下

#直方圖一般用在統(tǒng)計(jì)數(shù)據(jù)可視化領(lǐng)域，類似概率分布，即數(shù)據(jù)序列在不同值區(qū)間內(nèi)分布的情況
#默認(rèn)情況下，plot會(huì)將序列數(shù)據(jù)值分為10個(gè)數(shù)值區(qū)間并統(tǒng)計(jì)數(shù)值在不同區(qū)間的個(gè)數(shù)，即頻數(shù)圖，如果要展示的是頻率圖，則設(shè)置density = True即可。
#仍以中央宏觀杠桿率數(shù)據(jù)為例，我們想看下不同經(jīng)濟(jì)部門歷年杠桿率區(qū)間分布情況
df.plot(y=['居民部門','地方政府'],kind='hist',figsize=(10,8),fontsize=12,title='金融杠桿率區(qū)間分布情況') #運(yùn)行后，圖表如左圖，為頻數(shù)圖
df.plot(y=['居民部門','地方政府'],kind='hist',density = True, figsize=(10,8),fontsize=12,title='金融杠桿率區(qū)間分布情況') #運(yùn)行后，圖表如中圖，為頻率圖
df.plot(y=['居民部門','地方政府'],kind='hist',density = True, figsize=(10,8),fontsize=12,title='金融杠桿率區(qū)間分布情況') #運(yùn)行后，圖表如右圖，為頻率圖，且設(shè)置透明度

#如果對(duì)系統(tǒng)自動(dòng)劃分的10個(gè)區(qū)間不太滿意，比如感覺太多或者太少，也可以自定義區(qū)間值，一般有兩種方式
#1、使用bins參數(shù)，直接指定需要?jiǎng)澐值膮^(qū)間數(shù)量，默認(rèn)是10，可設(shè)置比如15或5等
#2、使用xticks參數(shù)，直接指定橫軸的坐標(biāo)刻度值
 
#1、使用bins參數(shù)
df.plot(y=['居民部門','地方政府','中央政府'],kind='hist',figsize=(10,6),fontsize=12,title='金融杠桿率區(qū)間分布圖',bins=15) #指定將區(qū)間劃分為15個(gè)，如下左圖所示
 
#2、使用xticks參數(shù)
xtick=[5,10,15,20,25,30,35,40,45,50,55,60]
colormap=('r','g','b')
df.plot(y=['居民部門','地方政府','中央政府'],kind='hist',figsize=(10,6),fontsize=12,title='金融杠桿率區(qū)間分布圖',xticks=xtick)#指定將區(qū)間按照指定刻度劃分，如下右圖所示

#也可將不同序列數(shù)據(jù)在不同的子圖上進(jìn)行展示，這個(gè)是一個(gè)通用方法，所有的繪圖方法均可對(duì)多序列數(shù)據(jù)分幾個(gè)子圖進(jìn)行繪圖展示
#以下使用3個(gè)子圖，對(duì)不同的序列數(shù)據(jù)直方圖進(jìn)行繪制
df.plot(y=['居民部門','地方政府','中央政府'],kind='hist',figsize=(18,6),subplots=True,layout=(1,3),fontsize=12,title='金融杠桿率區(qū)間分布圖')#運(yùn)行后效果如下

#kde是直方圖的另外一種變種，相對(duì)于直方圖，可以認(rèn)為其區(qū)間數(shù)量不限，是連續(xù)性的，可以更加直觀的觀察序列數(shù)據(jù)在不同數(shù)值下的概率分布圖，看數(shù)值主要集中于哪個(gè)數(shù)值區(qū)間范圍內(nèi)
df.plot(y=['居民部門','地方政府','中央政府'],kind='kde',figsize=(18,6),fontsize=12,title='金融杠桿率區(qū)間分布圖',subplots=True,layout=(1,3))#運(yùn)行后圖表如下

#如果希望幾個(gè)數(shù)據(jù)序列，在同一區(qū)間內(nèi)的頻次或者頻率相加，則可以使用累積直方圖，相當(dāng)于將頻數(shù)或頻率在同一區(qū)間內(nèi)疊加展示
df.plot(y=['居民部門','地方政府'],kind='hist',cumulative = True,figsize=(10,8),alpha=0.5,fontsize=12,title='金融杠桿率區(qū)間分布情況') #運(yùn)行后如下圖所示

#box箱線圖一般用來(lái)直觀研究一組或多組數(shù)據(jù)分布特征的統(tǒng)計(jì)圖，要求所分析的列數(shù)據(jù)必須是數(shù)值格式
#box圖會(huì)計(jì)算出每一組數(shù)據(jù)的上四分位數(shù)、下四分位數(shù)、上邊緣、下邊緣、中位數(shù)以及異常值等6個(gè)值，并以箱狀繪制出來(lái)
#箱線圖還有其他較多變體
#仍以中國(guó)宏觀杠桿率數(shù)據(jù)為例，我們分析下幾個(gè)關(guān)鍵的部門歷年杠桿率數(shù)據(jù)的分布情況
df.plot(y=['地方政府','中央政府', '實(shí)體經(jīng)濟(jì)部門','非金融企業(yè)部門'],kind='box') #運(yùn)行后如下圖所示，可見地方政府和中央政府的杠桿率整體偏低，而實(shí)體經(jīng)濟(jì)的杠桿率則最高，但中國(guó)整體實(shí)體經(jīng)濟(jì)又整年缺乏現(xiàn)金流，數(shù)據(jù)表現(xiàn)比較奇怪

#如果希望箱線圖水平展示，則直接設(shè)置 vert=False即可
df.plot(y=['地方政府','中央政府', '實(shí)體經(jīng)濟(jì)部門','非金融企業(yè)部門'], vert=False, kind='box')#運(yùn)行后效果如下

#餅圖一般研究在同一時(shí)期或數(shù)據(jù)點(diǎn)下，不同指標(biāo)列數(shù)值的百分比占比情況，比如同一個(gè)月內(nèi)，不同銷售團(tuán)隊(duì)銷售額占比情況
#還是以中國(guó)宏觀杠桿率數(shù)據(jù)，我們?nèi)?020年9月份的數(shù)據(jù)，研究下不同經(jīng)濟(jì)部門杠桿率占比情況，看哪個(gè)部門占比最多，即杠桿率最高，以及其占比情況
#以下s，為從df中抽出2020年9月份數(shù)據(jù)，然后去掉月份列，并轉(zhuǎn)為Series格式，因?yàn)閜ie一般使用Series格式的數(shù)據(jù)進(jìn)行繪圖
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,8),fontsize=12,title='2020年9月各經(jīng)濟(jì)部門杠桿率占比') #繪圖效果如下，可見實(shí)體經(jīng)濟(jì)部門的杠桿率占比最大

#為了增強(qiáng)生成的圖表的可讀性，可對(duì)pie圖的每個(gè)slice添加陰影，不過(guò)本人不太喜歡陰影
s.plot(kind='pie',autopct='%1.1f%%',startangle=90, figsize=(10,8), fontsize=12,title='2020年9月各經(jīng)濟(jì)部門杠桿率占比') #運(yùn)行生成的圖表如下所示

#有時(shí)候?yàn)榱送怀稣故灸硯讉€(gè)slice，希望這些slice可以脫離出餅圖圓心一定距離，這樣就從餅圖分離出一部分，可以通過(guò)設(shè)置explode參數(shù)實(shí)現(xiàn)
explode_list = [0, 0, 0, 0, 0, 0.2,0.1,0.1] #此處按照數(shù)據(jù)序列順序，指定對(duì)應(yīng)silce偏離餅圖中心的距離，以半徑為單位1，如果是0，則代表不批那里
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,15),startangle=90,explode=explode_list, shadow=True,fontsize=12,title='2020年9月各經(jīng)濟(jì)部門杠桿率占比') #運(yùn)行后，效果如下，突出體現(xiàn)了最小的三個(gè)部門杠桿率占比

#可能pie圖自動(dòng)生成的百分比文案位置不太滿意，此時(shí)可以通過(guò)pctdistance參數(shù)設(shè)置其位置偏差
#默認(rèn)是在餅圖半徑的一半位置，即pctdistance=0.5，如果設(shè)置為1，則會(huì)在餅圖外邊緣位置
#以下將百分比文案位置設(shè)置在半徑的0.8位置
explode_list = [0, 0, 0, 0, 0, 0.1,0.1,0.1]
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,15),startangle=90,pctdistance=0.8,explode=explode_list, shadow=True,fontsize=12,title='2020年9月各經(jīng)濟(jì)部門杠桿率占比') #運(yùn)行后效果如下

#如果覺得將對(duì)應(yīng)slice的數(shù)據(jù)名稱直接展示在pie圖內(nèi)，整體會(huì)顯得擁擠，則可以去掉，并添加圖例
explode_list = [0, 0, 0, 0, 0, 0.1,0.1,0.1]
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,15),startangle=90,labels=None,pctdistance=0.8,explode=explode_list, shadow=True,fontsize=12,title='2020年9月各經(jīng)濟(jì)部門杠桿率占比')
plt.legend(labels=s.index, loc='upper left')  #添加圖例

#散點(diǎn)圖，一般用于分析兩列（組）二維數(shù)據(jù)的相關(guān)性規(guī)律，折線圖的x軸一般是線性變化，所以折線圖一般只能研究某一指標(biāo)列的變化趨勢(shì)，而散點(diǎn)圖則可以研究?jī)闪袛?shù)據(jù)的相關(guān)性，比如是否有線性變化關(guān)系等，且兩列數(shù)據(jù)本身已經(jīng)相對(duì)于同一個(gè)線性數(shù)據(jù)進(jìn)行了對(duì)齊（以下例子中即均與年份對(duì)齊）
#一般用法
df.plot(
    x='', #設(shè)置x軸的數(shù)據(jù)序列
    y='',#設(shè)置y周的數(shù)據(jù)序列
    s=100,#設(shè)置散點(diǎn)的大小
    c='r',#設(shè)置散點(diǎn)的顏色，也可傳入列名，傳入的列名必須是數(shù)值化的，那么散點(diǎn)會(huì)根據(jù)列名的數(shù)值大小自動(dòng)著色
    marker='*',#設(shè)置散點(diǎn)的形狀
)
#數(shù)據(jù)源還是中國(guó)各個(gè)經(jīng)濟(jì)部分宏觀杠桿率，現(xiàn)在想觀察下中央政府和地方政府杠桿率是否有相關(guān)性，則
df.plot(x='中央政府',y='地方政府',kind='scatter',figsize=(10,8),fontsize=12,title='中央政府和地方政府杠桿率相關(guān)性分析') #繪圖結(jié)果如下，可發(fā)現(xiàn)中央政府和地方政府杠桿率呈現(xiàn)一定程度的正相關(guān)

#一般散點(diǎn)圖是分析二維碼數(shù)據(jù)（兩個(gè)數(shù)據(jù)序列）之間的關(guān)系，也是數(shù)據(jù)分析最主要的任務(wù)，但是如果希望分析三維數(shù)據(jù)，即三個(gè)數(shù)據(jù)序列之間的變化關(guān)系，也可以用散點(diǎn)圖實(shí)現(xiàn)
#此時(shí)將第三個(gè)數(shù)據(jù)序列（必須是數(shù)值化的）傳給c參數(shù)，用第三個(gè)數(shù)據(jù)序列的大小，對(duì)散點(diǎn)進(jìn)行自動(dòng)著色，顏色越黑，代表第三個(gè)數(shù)據(jù)序列越大
#還是以中國(guó)宏觀杠桿率數(shù)據(jù)為例，我們不僅希望知道中央政府和地方政府之間杠桿率變化規(guī)則，還希望知道實(shí)體經(jīng)濟(jì)部門與這兩者數(shù)據(jù)的關(guān)系（用顏色深淺代表數(shù)值大?。瑒t可以使用分類散點(diǎn)圖
df.plot(x='中央政府',y='地方政府',kind='scatter',figsize=(10,8),fontsize=12,c='實(shí)體經(jīng)濟(jì)部門' ,title='中央政府、地方政府即實(shí)體經(jīng)濟(jì)部門杠桿率相關(guān)性分析') #運(yùn)行后如下圖所示，可見中央政府和地方政府杠桿率越大，實(shí)體經(jīng)濟(jì)部門杠桿率也越大（因?yàn)閷?duì)應(yīng)的顏色越深）

#分類散點(diǎn)圖是以顏色深淺來(lái)判斷第三個(gè)數(shù)據(jù)序列與指定的x和y數(shù)據(jù)序列之間的數(shù)值變化關(guān)系
#氣泡圖則是用氣泡的大小，來(lái)判斷，氣泡圖較為適用于數(shù)據(jù)點(diǎn)不太多的情況，因?yàn)閿?shù)據(jù)太多的話，各個(gè)氣泡重疊在一起，可視化效果范圍不好
df.plot(x='中央政府',y='地方政府',kind='scatter',figsize=(10,8),fontsize=12,c='c' ,alpha=0.5,s=2*df['實(shí)體經(jīng)濟(jì)部門'], title='中央政府、地方政府即實(shí)體經(jīng)濟(jì)部門杠桿率相關(guān)性分析')
#運(yùn)行后，效果如下，還是分析實(shí)體經(jīng)濟(jì)部門與中央政府、地方政府杠桿率數(shù)值變化的趨勢(shì)關(guān)系
#其中s為三點(diǎn)的大小，大小直接使用實(shí)體經(jīng)濟(jì)部門杠桿率數(shù)值設(shè)置

#面積圖，融合了折線圖和柱狀圖的優(yōu)點(diǎn)，既可以分析不同指標(biāo)（列標(biāo)簽）隨同一個(gè)列或index的變化趨勢(shì)，同時(shí)也可以直觀的看到大小。如果單純只是想對(duì)比不同指標(biāo)在同一列下不同大小和變化趨勢(shì)，則使用折線圖最理想。
#如果希望即看不同指標(biāo)的變化趨勢(shì)，又希望看不同指標(biāo)在同一時(shí)期內(nèi)疊加值的變化趨勢(shì)，且數(shù)據(jù)點(diǎn)較多，則使用面積圖最理想，比如希望看5年內(nèi)，每個(gè)月不同銷售團(tuán)隊(duì)的銷售額的大小對(duì)比和變化趨勢(shì)，又希望看每個(gè)月不同銷售團(tuán)隊(duì)總銷售額的變化趨勢(shì)，使用面積圖最理想
 
df.plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='area', stacked=False,figsize=(10,8),fontsize=12,title='金融杠桿率')#不同列值不堆疊，繪圖效果如下：

df.plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='area',  stacked=True,figsize=(10,8),fontsize=12,title='金融杠桿率')
#堆疊時(shí)繪圖效果如下，可見整體疊加杠桿率，近幾年上升較快

#還是以分析中國(guó)宏觀杠桿率數(shù)據(jù)，我們想了解中央政府和地方政府杠桿率數(shù)值的分布情況，且最好還可以體現(xiàn)兩者之間的變化關(guān)系
df.plot(x='中央政府',y='地方政府',kind='hexbin',figsize=(10,8),fontsize=12,title='中央政府、地方政府杠桿率分布和變化趨勢(shì)圖')
 #運(yùn)行效果如下，其中最右側(cè)的標(biāo)尺，代表分布頻數(shù)，即每個(gè)六邊形狀內(nèi)分布的數(shù)據(jù)點(diǎn)數(shù)，圖表中用頻數(shù)代表顏色深淺，頻數(shù)越大，顏色越深

#gridsize默認(rèn)大小是100，即會(huì)將數(shù)據(jù)歸集到100個(gè)區(qū)間范圍內(nèi)，包括x軸和y軸，但是一般情況下，100比較多，設(shè)置個(gè)比如20個(gè)相對(duì)可視化效果會(huì)比較好
df.plot(x='中央政府',y='地方政府',kind='hexbin',figsize=(10,8),fontsize=12, gridsize=20,title='中央政府、地方政府杠桿率分布和變化趨勢(shì)圖') 
#運(yùn)行后效果如下，可見中央政府和地方政府的杠桿率分布比較不均勻，在最小值、中間值、最大值處分布較多

#比如上面的面積圖，希望看下stacked參數(shù)不同時(shí)，繪圖效果，則可分別將數(shù)據(jù)繪制在指定的子圖內(nèi)
fig, (ax1, ax2) = plt.subplots(2)  #首先創(chuàng)建2個(gè)子圖
df.plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='area', ax=ax1,stacked=False,figsize=(10,12),fontsize=12,title='金融杠桿率') #將圖表1繪制到子圖1內(nèi)
df.plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='area',ax=ax2, figsize=(10,12),fontsize=12,title='金融杠桿率')#將圖表1繪制到子圖1內(nèi)，數(shù)據(jù)和x軸數(shù)據(jù)也可完全不相同

#可通過(guò)color參數(shù)指定在繪制不同數(shù)據(jù)序列時(shí)，對(duì)應(yīng)的顏色，或者pie圖中不同slice的顏色，序列格式，一般用列表格式
colors=['r','g','b']
df.plot(x='年份',y=['居民部門','政府部門','地方政府'], color=colors, subplots=True, layout=(1,3),kind='line', figsize=(15,8),fontsize=12,title='金融杠桿率') 
#運(yùn)行后如下圖所示，指定了居民部門、政府部門、地方政府相應(yīng)的折線的顏色

#可通過(guò)matplotlib庫(kù)中的xlabel和ylabel設(shè)置x和y坐標(biāo)軸的標(biāo)簽名，一般這些pandas的plot函數(shù)會(huì)根據(jù)實(shí)際情況自動(dòng)添加，不過(guò)也可以根據(jù)自己需要自行設(shè)置
df.plot(x='年份',y=['居民部門','政府部門','地方政府'],kind='line', figsize=(15,8),fontsize=12,title='金融杠桿率') 
plt.xlabel('年份')
plt.ylabel('杠桿率')
#運(yùn)行后如下圖所示，指定了居民部門、政府部門、地方政府相應(yīng)的折線的顏色

#可以使用ax參數(shù)指定此次繪圖對(duì)應(yīng)的坐標(biāo)系（axes）對(duì)象
#1、用plt生成的axes賦值給ax
#這種方法最為靈活，一般用于希望將多種（kind）圖表拼接展示在一起的時(shí)候，如下左圖所示
fig,axes=plt.subplots(1,2,figsize=(16,8)) #生成一個(gè)1行2列的繪圖區(qū)，并返回圖表本身和對(duì)應(yīng)的2個(gè)坐標(biāo)系
df.plot(x='年份',y='居民部門',ax=axes[0],title='居民部門杠桿率') #將圖表繪制到第1個(gè)坐標(biāo)系內(nèi)
df.plot(x='年份',y=['非金融企業(yè)部門','政府部門'],ax=axes[1],title='非金&政府部門杠桿率')#將圖表繪制到第2個(gè)坐標(biāo)系內(nèi)
 
#2、用上次plot函數(shù)返回的ax賦值給ax
#這種方法，一般不常用，因?yàn)樵瓌t性一次plot調(diào)用，就是一次完整的繪圖動(dòng)作，相當(dāng)于此次在之前的坐標(biāo)系內(nèi)進(jìn)行繪圖，如下右圖所示
ax1=df.plot(x='年份',y='居民部門',title='居民部門杠桿率') #首先繪圖并返回ax1坐標(biāo)系
df.plot(x='年份',y=['非金融企業(yè)部門','政府部門'],ax=ax1)#指定在ax1坐標(biāo)系繼續(xù)繪圖，就是追加繪圖

#使用時(shí)，原則性，一次df.plot()就是一次完整的繪圖動(dòng)作，如果希望將多次df.plot繪圖動(dòng)作生成的圖表集中展示，則使用下面的方法
fig,axes=plt.subplots(3,3,figsize=(24,24))  #首先生成一個(gè)3×3的繪圖區(qū)，共9個(gè)坐標(biāo)系
df.plot(x='年份',y=['中央政府','地方政府','居民部門'],kind='line',ax=axes[0,0],title='各部門杠桿率') #將圖繪制到第1行第1列的坐標(biāo)系
df.iloc[range(10)].plot(x='年份',y=['居民部門','地方政府'],kind='bar',ax=axes[0,1] ,stacked=True,title='金融杠桿率') #將圖繪制到第1行第2列的坐標(biāo)系
df.plot(y=['居民部門','地方政府'],kind='hist',density = True,ax=axes[0,2] ,title='金融杠桿率區(qū)間分布情況') #將圖繪制到第1行第3列的坐標(biāo)系
df.plot(y=['居民部門','地方政府','中央政府'],kind='kde',ax=axes[1,0],title='金融杠桿率區(qū)間分布圖') #將圖繪制到第2行第1列的坐標(biāo)系
df.plot(y=['地方政府','中央政府', '實(shí)體經(jīng)濟(jì)部門'],kind='box',ax=axes[1,1],title='各部門杠桿率箱線圖')#將圖繪制到第2行第2列的坐標(biāo)系
df.plot(x='中央政府',y='地方政府',kind='scatter',ax=axes[1,2] ,title='中央政府和地方政府杠桿率相關(guān)性分析')#將圖繪制到第2行第3列的坐標(biāo)系
df.plot(x='中央政府',y='地方政府',kind='scatter',ax=axes[2,0] ,c='c' ,alpha=0.5,s=2*df['實(shí)體經(jīng)濟(jì)部門'], title='中央政府、地方政府即實(shí)體經(jīng)濟(jì)部門杠桿率相關(guān)性分析')#將圖繪制到第3行第1列的坐標(biāo)系
df.plot(x='中央政府',y='地方政府',kind='hexbin', ax=axes[2,1], gridsize=20,title='中央政府、地方政府杠桿率分布和變化趨勢(shì)圖') #將圖繪制到第3行第2列的坐標(biāo)系
df.plot(x='中央政府',y='地方政府',kind='scatter',ax=axes[2,2] ,c='實(shí)體經(jīng)濟(jì)部門' ,title='中央政府、地方政府即實(shí)體經(jīng)濟(jì)部門杠桿率相關(guān)性分析')#將圖繪制到第3行第3列的坐標(biāo)系

#1、根據(jù)df.plot函數(shù)返回的ax直接設(shè)置x和y坐標(biāo)軸label,效果如下左圖所示
ax=df.plot(x='年份',y=['中央政府','地方政府','居民部門'],kind='line',title='各部門杠桿率')
ax.set_xlabel('年月')
ax.set_ylabel('各部門杠桿率')
 
#2、先由plt生成坐標(biāo)系，然后使用plt生成的坐標(biāo)系設(shè)置x和y坐標(biāo)軸label，效果如下右圖所示
fig,axes=plt.subplots(1,2,figsize=(10,5)) #生成一個(gè)1×2的2個(gè)坐標(biāo)系繪圖區(qū)
df.plot(x='年份' ,y='居民部門',ax=axes[0],title='居民部門杠桿率') #繪制到第1個(gè)坐標(biāo)系
df.plot(x='年份' ,y='政府部門',ax=axes[1],title='政府部門杠桿率')#繪制到第2個(gè)坐標(biāo)系
axes[0].set_xlabel('年月')
axes[0].set_ylabel('居民部門杠桿率')
axes[1].set_xlabel('年月')
axes[1].set_ylabel('政府部門杠桿率')

#以下演示當(dāng)df.plot設(shè)置subplots=True時(shí)的效果
fig,axes=plt.subplots(1,2)
df.plot(x='年份',y=['居民部門','政府部門'],subplots=True,layout=(1,2),ax=axes)

#當(dāng)圖表繪制好之后，一般可能希望將其保存到本地留作他用，需要用fig對(duì)象進(jìn)行保存，fig對(duì)象的獲取一般有以下兩種方式，本質(zhì)道理一樣
#1、使用plt.subplots方法返回的fig并保存
fig,axes=plt.subplots(1,1)
df.plot(x='年份',y='居民部門',ax=axes)
fig.savefig('filename.png')
 
#2、使用df.plot函數(shù)返回的ax簡(jiǎn)介獲取fig并保存
ax=df.plot(x='年份',y='居民部門')
ax.get_figure().savefig('filename.png')