Pandas и Matplotlib: эффективная визуализация табличных данных

Расширенные примеры совместного использования

Ниже приведены более сложные сценарии, демонстрирующие гибкость связки Pandas и Matplotlib.

Многопанельный график с разными типами данных

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

# Создание данных
dates = pd.date_range('2023-01-01', periods=50, freq='D')
df = pd.DataFrame({'Дата': dates,
                   'Температура': np.random.normal(20, 5, 50),
                   'Осадки': np.random.exponential(2, 50)})

fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10,8), sharex=True)

# Линейный график температуры
ax1.plot(df['Дата'], df['Температура'], color='red', marker='o', linestyle='-', linewidth=0.8)
ax1.set_ylabel('Температура (°C)')
ax1.set_title('Метеоданные: температура и осадки')
ax1.grid(True, alpha=0.3)

# Столбчатая диаграмма осадков
ax2.bar(df['Дата'], df['Осадки'], width=0.8, color='skyblue', edgecolor='navy')
ax2.set_ylabel('Осадки (мм)')
ax2.set_xlabel('Дата')
ax2.grid(axis='y', alpha=0.3)

fig.autofmt_xdate()  # наклон подписей дат
plt.tight_layout()
plt.show()

Результат: фигура с двумя панелями, на верхней - красный линейный график, на нижней - синие столбцы. Оси X синхронизированы по датам.

Построение нескольких кривых на одном графике с легендой

df = pd.DataFrame({
    'Месяц': ['Янв','Фев','Мар','Апр','Май'],
    'Отдел A': [100,120,90,140,130],
    'Отдел B': [80,95,110,105,120],
    'Отдел C': [110,115,100,125,135]
})
df.plot(x='Месяц', y=['Отдел A','Отдел B','Отдел C'], marker='s')
plt.title('Динамика продаж по отделам')
plt.ylabel('Продажи (тыс. руб.)')
plt.legend(loc='upper left')
plt.grid(axis='y', linestyle=':')
plt.show()

График с тремя линиями разных цветов и маркерами-квадратами. Легенда расположена в левом верхнем углу.

Кастомизация с использованием циклов и колонок

# Данные о нескольких продуктах
products = ['Товар A','Товар B','Товар C']
data = {p: np.cumsum(np.random.randn(20)*10 + 50) for p in products}
df = pd.DataFrame(data, index=range(1,21))

colors = ['#e74c3c','#3498db','#2ecc71']
for i, col in enumerate(df.columns):
    df[col].plot(label=col, color=colors[i], linewidth=1.5)
plt.legend()
plt.xlabel('Временной период')
plt.ylabel('Накопленный объём')
plt.title('Сравнение динамики продуктов')
plt.show()

Каждый продукт отображается отдельной линией с уникальным цветом. Цикл позволяет гибко управлять параметрами.

Работа с пропущенными данными и аномалиями

df = pd.DataFrame({
    'Дата': pd.date_range('2024-01-01', periods=10),
    'Цена': [100, 105, np.nan, 110, 115, 112, 108, np.nan, 120, 125]
})

# Интерполяция пропусков
df['Цена_инт'] = df['Цена'].interpolate()

plt.figure(figsize=(8,4))
plt.plot(df['Дата'], df['Цена_инт'], 'b-', label='Интерполированная цена')
plt.scatter(df['Дата'], df['Цена'], color='red', zorder=5, label='Исходные точки')
plt.legend()
plt.title('Цена с пропущенными значениями и интерполяция')
plt.xticks(rotation=45)
plt.grid(True, alpha=0.3)
plt.show()

На графике видны исходные точки (красные) и непрерывная линия, полученная интерполяцией. Пропуски не отображаются.

Создание тепловой карты корреляции

# Матрица корреляции из DataFrame
df = pd.DataFrame(np.random.randn(100, 5), columns=['A','B','C','D','E'])
corr = df.corr()

fig, ax = plt.subplots(figsize=(6,5))
im = ax.imshow(corr, cmap='coolwarm', aspect='auto', vmin=-1, vmax=1)
ax.set_xticks(range(len(corr.columns)))
ax.set_yticks(range(len(corr.columns)))
ax.set_xticklabels(corr.columns)
ax.set_yticklabels(corr.columns)
plt.colorbar(im, ax=ax, shrink=0.8)
for i in range(len(corr.columns)):
    for j in range(len(corr.columns)):
        ax.text(j, i, f'{corr.iloc[i,j]:.2f}', ha='center', va='center', color='white' if abs(corr.iloc[i,j])>0.5 else 'black')
plt.title('Тепловая карта корреляции')
plt.show()

Цветная матрица с подписанными коэффициентами корреляции. Используется imshow и ручное добавление текста.

Использование pandas.plotting для специальных диаграмм

from pandas.plotting import scatter_matrix

df = pd.DataFrame(np.random.randn(100, 4), columns=['Признак1','Признак2','Признак3','Признак4'])
scatter_matrix(df, alpha=0.5, figsize=(10,10), diagonal='hist')
plt.suptitle('Матрица точечных диаграмм и гистограмм', y=1.02)
plt.show()

Матрица 4x4, где на диагонали - гистограммы, на остальных - точечные графики с корреляцией.