Pandas核心语法[7]

“Pandas 的 DataFrame 提供了强大的样式功能，可以通过 Styler 对象实现类似 Excel 的条件着色效果。此外，Pandas 内置的绘图方法支持多种图表类型，轻松满足数据可视化需求。”

---

1. 表格和样式

Pandas 的 DataFrame 提供了强大的样式功能，可以通过 Styler 对象实现类似 Excel 的条件着色效果。以下是关键方法和示例：

1.1. ​基础样式设置

通过 DataFrame.style 访问样式功能，支持链式调用：

df.style.set_caption("标题").set_properties(**{'background-color': 'lightgray'})

1.2. ​条件着色

1.2.1. 单列条件着色

---

def color_negative_red(val):
    color = 'red' if val < 0.2 else 'black'
    return f'color: {color}'
df.style.applymap(color_negative_red)

1.2.2. 多列条件着色

df.style.apply(lambda x: ['background: yellow' if v > 0.2 else '' for v in x], 
                        subset=['A', 'C'])

1.2.3. ​极值高亮

---

df.style.highlight_max(color='lightgreen').highlight_min(color='pink')

1.2.4. 渐变色背景

df.style.background_gradient(cmap='Blues', subset=['B'])

1.2.5. 条形图样式

df.style.bar(subset=['C'], color='#5fba7d')

---

1.2.6. 自定义表格样式

headers = {'selector': 'th',
    'props': 'background-color: #5e17eb; color: white;'}
df.style.set_table_styles([headers])

1.2.7. 动态条件着色（复杂逻辑）​

def highlight_risk(row):
    # 当A列>90且B列<50时标黄
    return ['background: yellow' if (row['A']>0.3) & 
    (row['B']<0.5) else '' for _ in row]  # 返回与行等长的样式列表
df.style.apply(highlight_risk, axis=1)  # axis=1表示按行处理

Notes

• 样式仅在 Jupyter Notebook 或导出为 HTML 时生效，不支持直接修改原始数据。
• 使用 subset 参数可限定着色范围。
• 渐变色 (background_gradient) 支持调整色域范围 (low=0.2, high=0.8)。

---

2. Pandas 内置绘图功能

在 pandas 中，我们可能有多列数据，还有行标签和列标签。pandas 自身就有内置的方法，用于简化从 DataFrame 和 Series 绘制图形。

2.1. 线形图

Series 和 DataFrame 都有一个 plot 属性，用于绘制基本图表。默认情况下，plot() 生成的是线形图。

s = pd.Series(np.random.standard_normal(10).cumsum(), index=np.arange(0, 100, 10))
s.plot()

---

该 Series 对象的索引会被传给matplotlib，并用于绘制 x 轴。可以通过 use_index=False 来禁用索引。x 轴的刻度和界限可以通过 xtick 和 xlim 选项进行调节，y 轴用 yticks 和 ylim 调节。plot 参数的部分列表参见下表：

参数	说明
alpha	图形填充透明度（0~1 之间）
ax	matplotlib 的 Axes 对象，默认为当前 Axes (gca())
colormap	指定颜色映射（如 'viridis'）
figsize	图像尺寸，格式为 (宽度, 高度)（单位：英寸）
fontsize	刻度标签字体大小
grid	是否显示网格线（默认为 None，遵循 matplotlib 默认样式）
kind	图形类型，可选：'line'（折线图，默认）、'bar'（柱状图）、'barh'（横向柱状图）、'hist'（直方图）、'box'（箱线图）、'kde'/'density'（核密度估计）、'area'（面积图）、'pie'（饼图）
label	图例标签名称
legend	是否显示图例（默认为 False）
logx/logy	是否对 x/y 轴使用对数刻度（默认为 False）
loglog	是否对 x/y 轴同时使用对数刻度
position	柱状图的柱子位置（需避免与 kind='bar' 冲突）
rot	刻度标签旋转角度（如 45 表示 45 度）
secondary_y	是否使用右侧的第二个 y 轴（默认为 False）
style	线条样式（如 'k--' 表示黑色虚线）
table	是否在图表下方显示数据表格（默认为 False）
title	图表标题（字符串）
use_index	是否使用 Series 的索引作为 x 轴刻度标签（默认为 True）
xerr/yerr	为柱状图添加误差线
xlim/ylim	设置 x/y 轴显示范围（格式：(min, max)）
xticks/yticks	自定义 x/y 轴刻度值（列表）
**kwds	其他 matplotlib 绘图参数（如 color='red'）

---

pandas 的大部分绘图方法都接收一个可选的 ax 参数，它可以是 matplotlib 的子图对象，这使你能够在网格布局中更为灵活地处理子图的位置。

DataFrame 的 plot 方法将各个列绘制成同一子图中的线，并自动创建图例。

df = pd.DataFrame(np.random.standard_normal((10, 4)).cumsum(0),
                  columns=['A', 'B', 'C', 'D'],
                  index=np.arange(0, 100, 10))
plt.style.use('grayscale')
df.plot()

Notes

这里使用了 plt.style.use('grayscale') 将配色模式设置为灰度模式。

对于不同的绘图类型，plot 属性包含很多方法。例如，df.plot() 等价于 df.plot.line()。

---

Notes

plot 的额外关键字参数会传递给相应的 matplotlib 绘图函数，所以要更进一步自定义图表，就必须学习更多有关matplotlib API的知识。

DataFrame 还有一些用于对列进行灵活处理的选项。例如：要将所有列都绘制到同一个子图中还是分别创建各自的子图。下表展示了专属于DataFrame的plot参数：

参数	说明
subplots	是否为每一列数据创建子图，默认为 False
sharex	如果 subplots=True，是否共享 x 轴，默认为 True（当 ax=None 时）
sharey	如果 subplots=True，是否共享 y 轴，默认为 False
layout	子图的行列布局，格式为 (rows, columns)
legend	添加子图图例（默认为True）
sort_columns	是否按列名排序，默认为 False

2.2. 柱状图

plot.bar() 和 plot.barh() 分别用于绘制水平柱状图和垂直柱状图。对于柱状图，Series 或 DataFrame 的索引将被用作x轴（bar）或y轴（barh）的刻度。

fig, axes = plt.subplots(2,1)
data = pd.Series(np.random.uniform(size=16), index=list('abcdefghijklmnop'))
data.plot.bar(ax=axes[0], color='k', alpha=0.7)
data.plot.barh(ax=axes[1], color='k', alpha=0.7)

---

对于 DataFrame，柱状图会将每一行的值分为一组，并排显示。

df = pd.DataFrame(np.random.uniform(size=(6, 4)),
        index=["one", "two", "three", "four", "five", "six"],
        columns=pd.Index(["A", "B", "C", "D"], name="Genus"))
df.plot.bar()

注意，DataFrame 各列的名称“Genus”被用作图例标题。

---

传入stacked=True即可为DataFrame生成堆积柱状图，这样每行的值就会水平堆积在一起。

df.plot.bar(stacked=True,alpha=0.5)