在数据分析领域，最出名的绘图工具就是matlib。在Python同样有类似的功能。就是matplotlib。前面几章我们都在介绍数据的生成，整理，存储。那么这一章将介绍如果图形化的呈现这些数据。来看下面的代码
这个代码通过numpy生成50个随机数，然后进行求和，最后将50个数绘制成图像，k--代表以虚线的方式
import matplotlib.pyplot as plt
from numpy.random import randn
if __name__=="__main__":
plt.plot(randn(50).cumsum(),'k--')
plt.show()
得到的图片如下
我们还可以在一副图中显示多个图片。
fig=plt.figure()
ax1=fig.add_subplot(2,2,1)
ax2=fig.add_subplot(2,2,2)
ax3=fig.add_subplot(2,2,3)
ax4=fig.add_subplot(2,2,4)
plt.show()
matplotlib的图像都位于Figure对象中，通过fig.add_subplot可以创建多个图片。比如fig.add_subplot(2,2,1)代表总共4个图像，1代表为第1个图像。那么这样我们就可以绘制多个图像，每个图像用不同的方式来呈现
fig=plt.figure()
ax1=fig.add_subplot(2,2,1)
ax2=fig.add_subplot(2,2,2)
ax3=fig.add_subplot(2,2,3)
ax4=fig.add_subplot(2,2,4)
ax1.plot(randn(50).cumsum(), 'k--')
ax2.hist(randn(50).cumsum())
ax3.scatter(np.arange(30),np.arange(30)+3*randn(30))
ax4.plot(randn(50).cumsum())
plt.show()
下面4 张图分别绘制了4种图形。
subplots的参数如下
我们还可以针对subplot调整各个图的间距，通过subplots_adjust就可以达到
下面的代码通过创造4个图像，且共享x,y坐标轴。通过wspace和hsapce设置为0，将各个图像的左右，上下边界都连接在了一起。
fig,axis=plt.subplots(2,2,sharex=True,sharey=True)
[axis[i,j].hist(randn(50),bins=50,color='k',alpha=0.5) for i in range(2) for j in range(2)]
plt.subplots_adjust(wspace=0, hspace=0)
plt.show()
结果如下：
前面介绍了如何作图，下面将对图片进行更细化的操作，设置x,y轴的刻度以及设置图片标题。在下面的代码中，设置x的刻度为0,10,25,40,50几个区间并设置图片的标题为test
fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.plot(randn(50).cumsum(),'k',label='one')
ax.set_xticks([0,10,25,40,50])
ax.set_title("test")
plt.show()
结果如下：
还可以通过ax.text(x,y,"2010")的方式对图标上的某一点坐标进行文本标注
比如ax.text(0,0,"2010")就在0,0的坐标上标注2010的样式
既然生成了图片，那么该如何保存呢. 通过savefig的方式就可以进行保存，通过指定不同的图片后缀名就可以进行文件的保存。
plt.savefig("figure.svg")
plt.savefig("figure.jpg")
plt.savefig("figure.png")
pandas中的绘图函数：
前面介绍了matplotlib中的绘图方法，这一章将介绍pandas中绘图方法。代码如下
首先通过Series产生数据，然后Series对象的索引会被传递给matplotlib用于绘制X轴
s=Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot(color='k',alpha=0.7)
plt.title('pandas test')
plt.show()
结果如下所示：
接下来看下DataFrame的结果图：
d=DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D'],index=np.arange(0,100,10))
d.plot()
plt.show()
结果如下：
通过上图可以看到DataFrame的plot方法会在一个subplot中为各列绘制一条线，并自动创建图例。
Series.plot方法的参数：
DataFrame的plot参数
在plot中通过指定kind可以生成不同的图形，比如kind=’bar’就是生成柱状图
我们在来看下下面的这组数据，通过设置stacked=True即可为DataFrame生成堆积柱状图，这样可以使得每行的值就会被堆积在一起。
frame=DataFrame([[1,16,1,1,0,0],[2,53,18,13,1,0],[0,39,15,18,3,1],[1,48,4,5,1,3]],columns=[1,2,3,4,5,6],index=['Fri','Sat','Sun','Thur'])
frame.index.name=['day']
frame.columns.names=['size']
print frame
frame.plot(kind='barh',stacked=True)
plt.show()
数据如下：该数据的列表示人的索引。行代表是天数。这个数据的意义在与指示每个人在从周四到周日的消费情况
size 1 2 3 4 5 6
[day]
Fri 1 16 1 1 0 0
Sat 2 53 18 13 1 0
Sun 0 39 15 18 3 1
Thur 1 48 4 5 1 3
通过下面得到的结果来看，我们可以看到在周末的时候消费明显增加。
密度图：
密度图也成为kde图，这个图是生成标准正态分布图
s=Series(np.random.randn(20))
s.plot(kind='kde')
plt.show()
得到的正态分布图如下：
