在进行数据分析时，绘图是必不可少的模式探索方式。用Python进行数据分析时，matplotlib和pandas是最常用到的两个库。
1、matplotlib库的应用
准备工作如下：打开ipython，输入命令分别导入numpy和matplotlib.pylab库。
- import numpy as np
- import matplotlib.pylab as plt
1）创建fig
绘图第一步是创建绘图窗口fig。
- fig1 = plt.figure()
2）创建subplot
在窗口上添加AxesSubplot类型的子绘图区域，一个窗口可以添加多个子绘图区。
- ax1 = fig1.add_subplot(2,2,1)
- ax4 = fig1.add_subplot(2,2,4)
3）subplot中绘图
调用子绘图区的方法，可以绘制点线图、频数图、散点图等常用图形。
注意：在同一个subplot中多次调用plot()，所得到的图形是相互覆盖的。
- ax1.plot(np.random.randn(50).cumsum(),'k--')
- ax4.hist(np.random.randn(30))
4）各类参数设置
主要关注以下几种方法：set_xlims设置坐标轴的上下限、set_ticks设置坐标刻度、set_ticklabel设置坐标标注。
- ax1.set_xlim(-10,60)
- ax1.set_xticks([0,20,40,60])
- ax1.set_xticklabels(['a','b','c','d'])
5）清除和保存图形
用subplot的clear()方法可以清除现有的图形，用figure的savefig()保存图形到指定路径。
- ax1.clear()
- #windows下的路径
- fig1.savefig(‘.\test.jpg’)
2、pandas库的应用
相比于利用matplotlib库绘图，采用pandas绘图要便捷得多。参照前一部分，同样需要导入pandas、numpy库。
- import pandas as pd
- from pandas import Series,DataFrame
- import numpy as np
1）plot方法及参数
对于Series和DataFrame类型的数据，可以直接调用两种类型对应的plot方法，绘图时自动采用索引值绘制横坐标，采用每一列数据绘制纵坐标。这里分别以两类数据为例。
- se1 = Series(np.random.randn(30).cumsum())
- df = DataFrame({'a':np.random.randn(30),'b':np.random.randn(30)})
参数设置很方便，在plot()方法参数列表中添加相应参数值即可。常用的有：类型kind可设置为line（线图）、bar（垂直柱状图）、barh（水平柱状图）、kde（核密度估计图），另外还有color颜色设置、linestyle线型设置、alpha设置透明度、grid设置网格等。
- se1.plot(kind = 'bar', color = 'g', alpha = 0.5, grid=True)
- df.plot(kind = 'bar', alpha=0.5)
2）频数图、散点图
频数图采用hist绘制即可，单幅的散点图还得依靠matplotlib库，但pandas提供多幅散点图矩阵的快速绘图方法。
- se1.plot(kind = 'bar', color = 'g')
- #对角线上图形设置为核密度图
- pd.scatter_matrix(df, diagonal='kde')
3）清除和保存图形
有时候，我们希望清除掉当前图形或者干脆关闭绘图窗口。可以采用figure的clear()方法清除图形，采用matplotlib.pylab的close（）方法则能够直接关闭图形窗口。
- df.plot()
- #清除绘图
- _.get_figure().clear()
- #关闭窗口
- plt.close()
3、python绘图的未来
Python同时具备强大的数据分析功能和Web开发功能，未来绘图的趋势将是更加紧密的联系数据分析和Web发布功能，所有绘制的图形应当能够方便的在网页上发布。数据分析人员和网页开发人员的工作耦合将会更加紧密。