Trazado diferente usando pandas y matplotlib

Tenemos diferentes tipos de gráficos en la biblioteca matplotlib que pueden ayudarnos a hacer un gráfico adecuado según lo necesite. Según los datos proporcionados, podemos hacer muchos gráficos y, con la ayuda de pandas, podemos crear un marco de datos antes de trazar los datos. Discutamos los diferentes tipos de gráficos en matplotlib usando Pandas.

Use estos comandos para instalar matplotlib, pandas y numpy: 

pip install matplotlib
pip install pandas
pip install numpy 

Tipos de Parcelas:

• Trazado básico: en este gráfico básico podemos usar los datos generados aleatoriamente para trazar gráficos usando series y matplotlib.

# import libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
ts = pd.Series(np.random.randn(1000), index = pd.date_range(
                                '1/1/2000', periods = 1000))
ts = ts.cumsum()
ts.plot()
 
plt.show()

Producción: 

• Gráfico de datos diferentes: uso de más de una lista de datos en un gráfico.

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
ts = pd.Series(np.random.randn(1000), index = pd.date_range(
                                '1/1/2000', periods = 1000))
 
df = pd.DataFrame(np.random.randn(1000, 4),
   index = ts.index, columns = list('ABCD'))
 
df = df.cumsum()
plt.figure()
df.plot()
plt.show()

Producción: 

• Trazar en el eje dado: podemos definir explícitamente el nombre del eje y trazar los datos sobre la base de este eje.

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
ts = pd.Series(np.random.randn(1000), index = pd.date_range(
                                '1/1/2000', periods = 1000))
 
df = pd.DataFrame(np.random.randn(1000, 4), index = ts.index,
                                      columns = list('ABCD'))
 
df3 = pd.DataFrame(np.random.randn(1000, 2),
               columns =['B', 'C']).cumsum()
 
df3['A'] = pd.Series(list(range(len(df))))
df3.plot(x ='A', y ='B')
plt.show()

Producción: 

• Diagrama de barras usando matplotlib: encuentre diferentes tipos de diagramas de barras para comprender claramente el comportamiento de los datos dados.

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
ts = pd.Series(np.random.randn(1000), index = pd.date_range(
                                '1/1/2000', periods = 1000))
 
df = pd.DataFrame(np.random.randn(1000, 4), index = ts.index,
                                      columns = list('ABCD'))
 
df3 = pd.DataFrame(np.random.randn(1000, 2),
               columns =['B', 'C']).cumsum()
 
df3['A'] = pd.Series(list(range(len(df))))
df3.iloc[5].plot.bar()
plt.axhline(0, color ='k')
 
plt.show()

Producción: 

• Histogramas: 

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
df4 = pd.DataFrame({'a': np.random.randn(1000) + 1,
                    'b': np.random.randn(1000),
                    'c': np.random.randn(1000) - 1},
                           columns =['a', 'b', 'c'])
plt.figure()
 
df4.plot.hist(alpha = 0.5)
plt.show()

Producción: 

• Diagrama de caja usando Series y matplotlib: use el cuadro para trazar los datos del marco de datos.

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.rand(10, 5),
      columns =['A', 'B', 'C', 'D', 'E'])
 
df.plot.box()
plt.show()

Producción: 

• Diagrama de densidad: 

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.rand(10, 5),
      columns =['A', 'B', 'C', 'D', 'E'])
 
ser = pd.Series(np.random.randn(1000))
ser.plot.kde()
 
plt.show()

Producción: 

• Diagrama de área usando matplotlib: 

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.rand(10, 5),
       columns =['A', 'B', 'C', 'D', 'E'])
 
df.plot.area()
plt.show()

Producción: 

• Gráfico de dispersión:

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.rand(500, 4),
           columns =['a', 'b', 'c', 'd'])
 
df.plot.scatter(x ='a', y ='b')
plt.show()

Producción: 

• Parcela de bin hexagonal: 

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.randn(1000, 2), columns =['a', 'b'])
 
df['a'] = df['a'] + np.arrange(1000)
df.plot.hexbin(x ='a', y ='b', gridsize = 25)
plt.show()

Producción: 

• Gráfico circular: 

# importing libraries
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
series = pd.Series(3 * np.random.rand(4),
  index =['a', 'b', 'c', 'd'], name ='series')
 
series.plot.pie(figsize =(4, 4))
plt.show()

Producción: