图表绘制工具--Matplotlib 2

'''
【课程3.】  基本图表绘制 plt.plot()

图表类别：线形图、柱状图、密度图，以横纵坐标两个维度为主
同时可延展出多种其他图表样式

plt.plot(kind='line', ax=None, figsize=None, use_index=True, title=None, grid=None, legend=False,
style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None,
rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, label=None, secondary_y=False, **kwds)

'''

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline

# Series直接生成图表

ts = pd.Series(np.random.randn(), index=pd.date_range('1/1/2000', periods=))
ts = ts.cumsum()
ts.plot(kind='line',
       label = 'hehe',
       style = '--g.',
       color = 'red',
       alpha = 0.4,
       use_index = True,
       rot = ,
       grid = True,
       ylim = [-,],
       yticks = list(range(-,,)),
       figsize = (,),
       title = 'test',
       legend = True)
#plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'x')  # 网格
plt.legend()
# Series.plot()：series的index为横坐标，value为纵坐标
# kind → line,bar,barh...（折线图，柱状图，柱状图-横...）
# label → 图例标签，Dataframe格式以列名为label
# style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）
# color → 颜色，有color指定时候，以color颜色为准
# alpha → 透明度，-
# use_index → 将索引用为刻度标签，默认为True
# rot → 旋转刻度标签，-
# grid → 显示网格，一般直接用plt.grid
# xlim,ylim → x,y轴界限
# xticks,yticks → x,y轴刻度值
# figsize → 图像大小
# title → 图名
# legend → 是否显示图例，一般直接用plt.legend()
# 也可以 → plt.plot()

　　输出：

# Dataframe直接生成图表

df = pd.DataFrame(np.random.randn(, ), index=ts.index, columns=list('ABCD'))
df = df.cumsum()
df.plot(kind='line',
       style = '--.',
       alpha = 0.4,
       use_index = True,
       rot = ,
       grid = True,
       figsize = (,),
       title = 'test',
       legend = True,
       subplots = False,
       colormap = 'Greens')
# subplots → 是否将各个列绘制到不同图表，默认False
# 也可以 → plt.plot(df)

　　输出：

'''
【课程3.】  柱状图、堆叠图

plt.plot(kind='bar/barh') , plt.bar()

'''

# 柱状图与堆叠图

fig,axes = plt.subplots(,,figsize = (,))
s = pd.Series(np.random.randint(,,),index = list('abcdefghijklmnop'))
df = pd.DataFrame(np.random.rand(,), columns=['a','b','c'])

s.plot(kind='bar',color = 'k',grid = True,alpha = 0.5,ax = axes[])  # ax参数 → 选择第几个子图
# 单系列柱状图方法一：plt.plot(kind='bar/barh')

df.plot(kind='bar',ax = axes[],grid = True,colormap='Reds_r')
# 多系列柱状图

df.plot(kind='bar',ax = axes[],grid = True,colormap='Blues_r',stacked=True)
# 多系列堆叠图
# stacked → 堆叠

df.plot.barh(ax = axes[],grid = True,stacked=True,colormap = 'BuGn_r')
# 新版本plt.plot.<kind>

　　输出：

# 柱状图 plt.bar()

plt.figure(figsize=(,))
x = np.arange()
y1 = np.random.rand()
y2 = -np.random.rand()

plt.bar(x,y1,width = ,facecolor = 'yellowgreen',edgecolor = 'white',yerr = y1*0.1)
plt.bar(x,y2,width = ,facecolor = 'lightskyblue',edgecolor = 'white',yerr = y2*0.1)
# x,y参数：x，y值
# width：宽度比例
# facecolor柱状图里填充的颜色、edgecolor是边框的颜色
# left-每个柱x轴左边界,bottom-每个柱y轴下边界 → bottom扩展即可化为甘特图 Gantt Chart
# align：决定整个bar图分布，默认left表示默认从左边界开始绘制,center会将图绘制在中间位置
# xerr/yerr ：x/y方向error bar

for i,j in zip(x,y1):
    plt.text(i+0.3,j-0.15,'%.2f' % j, color = 'white')
for i,j in zip(x,y2):
    plt.text(i+0.3,j+0.05,'%.2f' % -j, color = 'white')
# 给图添加text
# zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

　　输出：

# 外嵌图表plt.table()
# table(cellText=None, cellColours=None,cellLoc='right', colWidths=None,rowLabels=None, rowColours=None, rowLoc='left',
# colLabels=None, colColours=None, colLoc='center',loc='bottom', bbox=None)

data = [[ , ,  , ,  ],
        [ , ,  ,  , ],
        [ ,  , , , ],
        [ ,  , , ,  ],
        [, , , ,  ]]
columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail')
rows = ['%d year' % x for x in (, , , , )]
df = pd.DataFrame(data,columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail'),
                 index = ['%d year' % x for x in (, , , , )])
print(df)

df.plot(kind='bar',grid = True,colormap='Blues_r',stacked=True,figsize=(,))
# 创建堆叠图

plt.table(cellText = data,
          cellLoc='center',
          cellColours = None,
          rowLabels = rows,
          rowColours = plt.cm.BuPu(np.linspace(, 0.5,))[::-],  # BuPu可替换成其他colormap
          colLabels = columns,
          colColours = plt.cm.Reds(np.linspace(, 0.5,))[::-],
          rowLoc='right',
          loc='bottom')
# cellText：表格文本
# cellLoc：cell内文本对齐位置
# rowLabels：行标签
# colLabels：列标签
# rowLoc：行标签对齐位置
# loc：表格位置 → left，right，top，bottom

plt.xticks([])
# 不显示x轴标注

　　输出：

          Freeze    Wind   Flood   Quake    Hail
 year
 year
 year
 year
 year             

'''
【课程3.】  面积图、填图、饼图

plt.plot.area()
plt.fill(), plt.fill_between()
plt.pie()

'''

# 面积图

fig,axes = plt.subplots(,,figsize = (,))
df1 = pd.DataFrame(np.random.rand(, ), columns=['a', 'b', 'c', 'd'])
df2 = pd.DataFrame(np.random.randn(, ), columns=['a', 'b', 'c', 'd'])

df1.plot.area(colormap = 'Greens_r',alpha = 0.5,ax = axes[])
df2.plot.area(stacked=False,colormap = 'Set2',alpha = 0.5,ax = axes[])
# 使用Series.plot.area()和DataFrame.plot.area()创建面积图
# stacked：是否堆叠，默认情况下，区域图被堆叠
# 为了产生堆积面积图，每列必须是正值或全部负值！
# 当数据有NaN时候，自动填充0，所以图标签需要清洗掉缺失值

　　输出：

# 填图

fig,axes = plt.subplots(,,figsize = (,))

x = np.linspace(, , )
y1 = np.sin( * np.pi * x) * np.exp(- * x)
y2 = -np.sin( * np.pi * x) * np.exp(- * x)
axes[].fill(x, y1, 'r',alpha=0.5,label='y1')
axes[].fill(x, y2, 'g',alpha=0.5,label='y2')
# 对函数与坐标轴之间的区域进行填充，使用fill函数
# 也可写成：plt.fill(x, y1, 'r',x, y2, 'g',alpha=0.5)

x = np.linspace(,  * np.pi, )
y1 = np.sin(x)
y2 = np.sin( * x)
axes[].fill_between(x, y1, y2, color ='b',alpha=0.5,label='area')
# 填充两个函数之间的区域，使用fill_between函数

for i in range():
    axes[i].legend()
    axes[i].grid()
# 添加图例、格网

　　输出：

# 饼图 plt.pie()
# plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None,
# radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(, ), frame=False, hold=None, data=None)

s = pd.Series( * np.random.rand(), index=['a', 'b', 'c', 'd'], name='series')
plt.axis('equal')  # 保证长宽相等
plt.pie(s,
       explode = [0.1,,,],
       labels = s.index,
       colors=['r', 'g', 'b', 'c'],
       autopct='%.2f%%',
       pctdistance=0.6,
       labeldistance = 1.2,
       shadow = True,
       startangle=,
       radius=1.5,
       frame=False)
print(s)
# 第一个参数：数据
# explode：指定每部分的偏移量
# labels：标签
# colors：颜色
# autopct：饼图上的数据标签显示方式
# pctdistance：每个饼切片的中心和通过autopct生成的文本开始之间的比例
# labeldistance：被画饼标记的直径,默认值：1.1
# shadow：阴影
# startangle：开始角度
# radius：半径
# frame：图框
# counterclock：指定指针方向，顺时针或者逆时针

　　输出：

'''
【课程3.】  直方图

plt.hist(x, bins=, range=None, normed=False, weights=None, cumulative=False, bottom=None,
histtype='bar', align='mid', orientation='vertical',rwidth=None, log=False, color=None, label=None,
stacked=False, hold=None, data=None, **kwargs)

'''

# 直方图+密度图

s = pd.Series(np.random.randn())
s.hist(bins = ,
       histtype = 'bar',
       align = 'mid',
       orientation = 'vertical',
       alpha=0.5,
       normed =True)
# bin：箱子的宽度
# normed 标准化
# histtype 风格，bar，barstacked，step，stepfilled
# orientation 水平还是垂直{‘horizontal’, ‘vertical’}
# align : {‘left’, ‘mid’, ‘right’}, optional(对齐方式)

s.plot(kind='kde',style='k--')
# 密度图

　　输出：

# 堆叠直方图

plt.figure(num=)
df = pd.DataFrame({'a': np.random.randn() + , 'b': np.random.randn(),
                    'c': np.random.randn() - , 'd': np.random.randn()-},
                   columns=['a', 'b', 'c','d'])
df.plot.hist(stacked=True,
             bins=,
             colormap='Greens_r',
             alpha=0.5,
             grid=True)
# 使用DataFrame.plot.hist()和Series.plot.hist()方法绘制
# stacked：是否堆叠

df.hist(bins=)
# 生成多个直方图

　　输出：

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E3E70B8>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C0F50F0>],
       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000BA11E48>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E434B70>]], dtype=object)
<matplotlib.figure.Figure at 0xbcbbb00>

'''
【课程3.】  散点图、矩阵散点图

plt.scatter(), pd.scatter_matrix()

'''

# plt.scatter()散点图
# plt.scatter(x, y, s=, c=None, marker='o', cmap=None, norm=None, vmin=None, vmax=None,
# alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

plt.figure(figsize=(,))
x = np.random.randn()
y = np.random.randn()
plt.scatter(x,y,marker='.',
           s = np.random.randn()*,
           cmap = 'Reds',
           c = y,
           alpha = 0.8,)
plt.grid()
# s：散点的大小
# c：散点的颜色
# vmin,vmax：亮度设置，标量
# cmap：colormap

　　输出：

# pd.scatter_matrix()散点矩阵
# pd.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None,
# grid=False, diagonal='hist', marker='.', density_kwds=None, hist_kwds=None, range_padding=0.05, **kwds)

df = pd.DataFrame(np.random.randn(,),columns = ['a','b','c','d'])
pd.scatter_matrix(df,figsize=(,),
                 marker = 'o',
                 diagonal='kde',
                 alpha = 0.5,
                 range_padding=0.1)
# diagonal：({‘hist’, ‘kde’})，必须且只能在{‘hist’, ‘kde’}中选择1个 → 每个指标的频率图
# range_padding：(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点

　　输出：

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E55AB38>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E889320>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E8D1EF0>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E911518>],
       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E95AFD0>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E99C080>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E9E5C50>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E5403C8>],
       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E84DAC8>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E4085C0>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000D1384A8>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000D17D5F8>],
       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E3A19E8>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000CE99128>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000D0D73C8>,
        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000EA51F98>]], dtype=object)

'''
【课程3.】  极坐标图

调用subplot()创建子图时通过设置projection='polar',便可创建一个极坐标子图，然后调用plot()在极坐标子图中绘图

'''

# 创建极坐标轴

s = pd.Series(np.arange())
theta=np.arange(,*np.pi,0.02)
print(s.head())
print(theta[:])
# 创建数据

fig = plt.figure(figsize=(,))
ax1 = plt.subplot(, projection = 'polar')
ax2 = plt.subplot()
# 创建极坐标子图
# 还可以写：ax = fig.add_subplot(,polar=True)

ax1.plot(theta,theta*,linestyle = '--',lw=)
ax1.plot(s, linestyle = '--', marker = '.',lw=)
ax2.plot(theta,theta*,linestyle = '--',lw=)
ax2.plot(s)
plt.grid()
# 创建极坐标图，参数1为角度（弧度制），参数2为value
# lw → 线宽

　　输出：

dtype: int32
[ .    0.02  0.04  0.06  0.08  0.1   0.12  0.14  0.16  0.18]

# 极坐标参数设置

theta=np.arange(,*np.pi,0.02)
plt.figure(figsize=(,))
ax1= plt.subplot(, projection='polar')
ax2= plt.subplot(, projection='polar')
ax1.plot(theta,theta/,'--',lw=)
ax2.plot(theta,theta/,'--',lw=)
# 创建极坐标子图ax

ax2.set_theta_direction(-)
# set_theta_direction()：坐标轴正方向，默认逆时针

ax2.set_thetagrids(np.arange(0.0, 360.0, ),['a','b','c','d'])
ax2.set_rgrids(np.arange(0.2,,0.4))
# set_thetagrids()：设置极坐标角度网格线显示及标签 → 网格和标签数量一致
# set_rgrids()：设置极径网格线显示，其中参数必须是正数

ax2.set_theta_offset(np.pi/)
# set_theta_offset()：设置角度偏移，逆时针，弧度制

ax2.set_rlim(0.2,1.2)
ax2.set_rmax()
ax2.set_rticks(np.arange(0.1, 1.5, 0.2))
# set_rlim()：设置显示的极径范围
# set_rmax()：设置显示的极径最大值
# set_rticks()：设置极径网格线的显示范围

　　输出：

[<matplotlib.axis.YTick at 0xec59fd0>,
 <matplotlib.axis.YTick at 0xec5fc50>,
 <matplotlib.axis.YTick at 0xec7dc50>,
 <matplotlib.axis.YTick at 0xec813c8>,
 <matplotlib.axis.YTick at 0xec81b00>,
 <matplotlib.axis.YTick at 0xec76160>,
 <matplotlib.axis.YTick at 0xec84a90>]

# 雷达图1 - 极坐标的折线图/填图 - plt.plot()

plt.figure(figsize=(,))

ax1= plt.subplot(, projection='polar')
ax1.set_title('radar map\n')  # 创建标题
ax1.set_rlim(,)

data1 = np.random.randint(,,)
data2 = np.random.randint(,,)
data3 = np.random.randint(,,)
theta=np.arange(,*np.pi,*np.pi/)
# 创建数据

ax1.plot(theta,data1,'.--',label='data1')
ax1.fill(theta,data1,alpha=0.2)
ax1.plot(theta,data2,'.--',label='data2')
ax1.fill(theta,data2,alpha=0.2)
ax1.plot(theta,data3,'.--',label='data3')
ax1.fill(theta,data3,alpha=0.2)
# 绘制雷达线

　　输出：

# 雷达图2 - 极坐标的折线图/填图 - plt.polar()
# 首尾闭合

labels = np.array(['a','b','c','d','e','f']) # 标签
dataLenth =  # 数据长度
data1 = np.random.randint(,,)
data2 = np.random.randint(,,) # 数据

angles = np.linspace(, *np.pi, dataLenth, endpoint=False) # 分割圆周长
data1 = np.concatenate((data1, [data1[]])) # 闭合
data2 = np.concatenate((data2, [data2[]])) # 闭合
angles = np.concatenate((angles, [angles[]])) # 闭合

plt.polar(angles, data1, 'o-', linewidth=) #做极坐标系
plt.fill(angles, data1, alpha=0.25)# 填充
plt.polar(angles, data2, 'o-', linewidth=) #做极坐标系
plt.fill(angles, data2, alpha=0.25)# 填充

plt.thetagrids(angles * /np.pi, labels) # 设置网格、标签
plt.ylim(,)  # polar的极值设置为ylim

　　输出：

# 极轴图 - 极坐标的柱状图

plt.figure(figsize=(,))

ax1= plt.subplot(, projection='polar')
ax1.set_title('radar map\n')  # 创建标题
ax1.set_rlim(,)

data = np.random.randint(,,)
theta=np.arange(,*np.pi,*np.pi/)
# 创建数据

bar = ax1.bar(theta,data,alpha=0.5)
for r,bar in zip(data, bar):
    bar.set_facecolor(plt.cm.jet(r/.))  # 设置颜色
plt.thetagrids(np.arange(0.0, 360.0, ), []) # 设置网格、标签（这里是空标签，则不显示内容）

　　输出：

'''
【课程3.】  箱型图

箱型图：又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图
包含一组数据的：最大值、最小值、中位数、上四分位数（Q3）、下四分位数（Q1）、异常值
① 中位数 → 一组数据平均分成两份，中间的数
② 上四分位数Q1 → 是将序列平均分成四份，计算(n+)/4与(n-)/4两种，一般使用(n+)/
③ 下四分位数Q3 → 是将序列平均分成四份，计算(+n)/*=6.75
④ 内限 → T形的盒须就是内限，最大值区间Q3+.5IQR,最小值区间Q1-.5IQR （IQR=Q3-Q1）
⑤ 外限 → T形的盒须就是内限，最大值区间Q3+3IQR,最小值区间Q1-3IQR （IQR=Q3-Q1）
⑥ 异常值 → 内限之外 - 中度异常，外限之外 - 极度异常

plt.plot.box(),plt.boxplot()

'''

# plt.plot.box()绘制

fig,axes = plt.subplots(,,figsize=(,))
df = pd.DataFrame(np.random.rand(, ), columns=['A', 'B', 'C', 'D', 'E'])
color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')
# 箱型图着色
# boxes → 箱线
# whiskers → 分位数与error bar横线之间竖线的颜色
# medians → 中位数线颜色
# caps → error bar横线颜色

df.plot.box(ylim=[,1.2],
           grid = True,
           color = color,
           ax = axes[])
# color：样式填充

df.plot.box(vert=False,
            positions=[, , , , ],
            ax = axes[],
            grid = True,
           color = color)
# vert：是否垂直，默认True
# position：箱型图占位

　　输出：

# plt.boxplot()绘制
# pltboxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None,
# usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None,
# labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_xticks=True, autorange=False,
# zorder=None, hold=None, data=None)

df = pd.DataFrame(np.random.rand(, ), columns=['A', 'B', 'C', 'D', 'E'])
plt.figure(figsize=(,))
# 创建图表、数据

f = df.boxplot(sym = 'o',  # 异常点形状，参考marker
               vert = True,  # 是否垂直
               whis = 1.5,  # IQR，默认1.，也可以设置区间比如[,]，代表强制上下边缘为数据95%和5%位置
               patch_artist = True,  # 上下四分位框内是否填充，True为填充
               meanline = False,showmeans=True,  # 是否有均值线及其形状
               showbox = True,  # 是否显示箱线
               showcaps = True,  # 是否显示边缘线
               showfliers = True,  # 是否显示异常值
               notch = False,  # 中间箱体是否缺口
               return_type='dict'  # 返回类型为字典
              )
plt.title('boxplot')
print(f)

for box in f['boxes']:
    box.set( color='b', linewidth=)        # 箱体边框颜色
    box.set( facecolor = 'b' ,alpha=0.5)    # 箱体内部填充颜色
for whisker in f['whiskers']:
    whisker.set(color='k', linewidth=0.5,linestyle='-')
for cap in f['caps']:
    cap.set(color='gray', linewidth=)
for median in f['medians']:
    median.set(color='DarkBlue', linewidth=)
for flier in f['fliers']:
    flier.set(marker='o', color='y', alpha=0.5)
# boxes, 箱线
# medians, 中位值的横线,
# whiskers, 从box到error bar之间的竖线.
# fliers, 异常值
# caps, error bar横线
# means, 均值的横线,

　　输出：

{'caps': [<matplotlib.lines.Line2D object at 0x0000000010042CF8>, <matplotlib.lines.Line2D object at 0x0000000010047BE0>, <matplotlib.lines.Line2D object at 0x0000000010057C88>, <matplotlib.lines.Line2D object at 0x000000001005DB70>, <matplotlib.lines.Line2D object at 0x000000001006EC18>, <matplotlib.lines.Line2D object at 0x0000000010074B00>, <matplotlib.lines.Line2D object at 0x0000000010085BA8>, <matplotlib.lines.Line2D object at 0x000000001008BA90>, <matplotlib.lines.Line2D object at 0x00000000104896D8>, <matplotlib.lines.Line2D object at 0x00000000104998D0>], 'whiskers': [<matplotlib.lines.Line2D object at 0x0000000010042198>, <matplotlib.lines.Line2D object at 0x0000000010042B70>, <matplotlib.lines.Line2D object at 0x0000000010057208>, <matplotlib.lines.Line2D object at 0x0000000010057B00>, <matplotlib.lines.Line2D object at 0x000000001006E198>, <matplotlib.lines.Line2D object at 0x000000001006EA90>, <matplotlib.lines.Line2D object at 0x0000000010085128>, <matplotlib.lines.Line2D object at 0x0000000010085A20>, <matplotlib.lines.Line2D object at 0x000000001009B0B8>, <matplotlib.lines.Line2D object at 0x000000001009B9B0>], 'medians': [<matplotlib.lines.Line2D object at 0x0000000010047D68>, <matplotlib.lines.Line2D object at 0x000000001005DCF8>, <matplotlib.lines.Line2D object at 0x0000000010074C88>, <matplotlib.lines.Line2D object at 0x000000001008BC18>, <matplotlib.lines.Line2D object at 0x0000000010497828>], 'fliers': [<matplotlib.lines.Line2D object at 0x000000001004CD30>, <matplotlib.lines.Line2D object at 0x0000000010062CC0>, <matplotlib.lines.Line2D object at 0x000000001007BC50>, <matplotlib.lines.Line2D object at 0x0000000010090BE0>, <matplotlib.lines.Line2D object at 0x00000000100A37B8>], 'means': [<matplotlib.lines.Line2D object at 0x000000001004C5C0>, <matplotlib.lines.Line2D object at 0x0000000010062550>, <matplotlib.lines.Line2D object at 0x000000001007B4E0>, <matplotlib.lines.Line2D object at 0x0000000010090470>, <matplotlib.lines.Line2D object at 0x00000000102CFC18>], 'boxes': [<matplotlib.patches.PathPatch object at 0x00000000104BAB00>, <matplotlib.patches.PathPatch object at 0x0000000010051C50>, <matplotlib.patches.PathPatch object at 0x0000000010069B00>, <matplotlib.patches.PathPatch object at 0x000000001007EA90>, <matplotlib.patches.PathPatch object at 0x0000000010096B00>]}

# plt.boxplot()绘制
# 分组汇总

df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )
df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])
df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])
print(df.head())
df.boxplot(by = 'X')
df.boxplot(column=['Col1','Col2'], by=['X','Y'])
# columns：按照数据的列分子图
# by：按照列分组做箱型图

　　输出：

       Col1      Col2  X  Y
  0.884439  0.801121  A  A
  0.802741  0.390957  A  B
  0.139452  0.805676  A  A
  0.030047  0.571676  A  B
  0.654272  0.733307  A  A