Python 编程入门

Python

Python 可以做什么？
1.网站
2.爬虫
3.大数据处理
4.机器学习

python 的介绍

• math 数学函数: 更多详情,点击查看

  import math
  math.floor(9.23432)   #9
  math.ceil(9.234)      #10
  math.sin(math.pi/2)   #1

• n次方和开根

  10 ** 3      #10的3次方
  10 ** (1/3)  #10的1/3次方即开3次方根

• format 增强的格式化字符串函数
  format 函数
  输出格式化

"第一个参数：{}，第二个参数：{}，第三个参数：{}".format(a,b,c)

• 保留小数点后多少位

  round(100/3)       #33
  round(100/3, 3)    #33.333

• 变量类型-数值类型
  int float complex tuple list dict

max(1,2,3,4,5,6)   #6
min(1,2,3,4,5,6)   #1
sum([1,2,3,4,5,6])   #21
divmod(10,3)         #(3,1)   3是商，1是余数

• 变量类型-字符串类型

  line="fff"
  line * 2     # "ffffff"   字符串乘法
  id(line)     #line 在内存中的身份标识,即内存单元地址
  a="123456789"
  a[0:5]   #前5个字符  12345
  a[0:5:2] #前5个字符，隔一个字符一取,即初始下标0，后一个下标是前一个下标加2.   135
  a[-5:]  #后5个字符  56789
  a[::-1] #字符串反转 987654321
  a.count('1')      #统计字符串中字符1出现的次数
  a.endswith("9")   #字符串是否以字符9结尾. True
  a.startswith("1") #字符串是否以字符1开头. True
  a.find("4")       #字符4第一次出现的下标. 3

• 变量类型-列表

  a=[1,2]
  a+[2,3]  #[1,2,2,3]
  a*2      #[1,2,1,2]
  > 序列类型的数据，都有加，乘，切片操作
  a.clear()             #清空
  a=[1,2,3,4]
  b=a.copy()            #列表复制
  c=[1,2]
  d=[3,4]
  c.extend(d)           #c后拼接 d  [1,2,3,4]
  c.insert(0, 100)      #[100, 1,2,3,4]  0位置插入100
  c.pop(0)              #弹出下标为0的值，不写默认最后一个弹出 [1,2,3,4]
  c.remove(100)         #移除第一个匹配的值
  c.sort()              #从小到大排序
  c.sort(reverse=True)  #从大到小排序
  5 in c                #是否在列表中
  c.count(1)            #统计列表 c 中1出现的次数
  c.index(1)            #找出1在列表 c 中的下标
  len(c)                #列表 c 的长度

• 变量类型-字典

  dic = {"a":2, "b":2}
  list = ["a", "b"]
  dict.fromkeys(list, 5)   #{'a': 5, 'b': 5}
  dic["c"] = 3             #{"a":2, "b":2, "c":3}
  dic.pop("c")             #{"a":2, "b":2}
  dic.keys()               #dict_keys(['a', 'b'])
  dic.values()             #dict_values([2, 2])
  dic.items()              #dict_items([('a', 2), ('b', 2)])

Python数据库和爬虫

1.数据库管理软件: SequelPro
2.Python 数据结构: 可视化工具
3.MySQL数据类型
数据库分为关系数据库(mysql)和非关系数据库(mongodb,redis)；非关系数据库json 格式存储.

1.mysql数据库的基本操作

mysql -u root -p          链接数据库
show database;            查看数据库
use database_name;        选择数据库
show tables;              查看数据库表
desc table_name;          查看数据库表的结构
select * from table_name; 查看数据库表中的数据
select * from table_name limit number; 查看表中数据并限制个数
create database database_name;  创建数据库
drop database database_name;    删除数据库
重置密码(8.0)
ALTER USER 'root'@'localhost' IDENTIFIED BY 'your_password'; 
重置密码(以前的)
SET PASSWORD FOR 'root'@'localhost' = PASSWORD('your_password')
1.创建数据库表 
语法: 
    CREATE TABLE `table_name` (column_name column_type);
实例:
    CREATE TABLE `user`(
        `id` INT UNSIGNED AUTO_INCREMENT,
        `name` VARCHAR(40),
        `sex` VARCHAR(10) NOT NULL,
        PRIMARY KEY(`id`)
    );
解析:
    1.如果你不想字段为 NULL 可以设置字段的属性为 NOT NULL;
    2.AUTO_INCREMENT为自增属性，一般用于主键，数值会自动加1;
    3.PRIMARY KEY关键字用于定义主键字段; 
2.表中插入数据
语法:
    INSERT INTO table_name (field1, field2,...) VALUES ( value1, value2,...);
实例:
    insert into user(name, sex) values ("小明", "男");
3.查询数据
语法:
    select * from table_name;
实例:
    select * from user;
4.删除数据库表
    drop table table_name

2. Python 操作数据库

#pip3 install pymysql
import pymysql
DATABASE = {
    'host':'127.0.0.1',     #如果是远程数据库，则是远程数据库的ip 地址
    'database':'student',
    'user':'root',
    'password':'root1234'
}
db = pymysql.connect(**DATABASE)
cursor = db.cursor()       #游标
#插入数据
sql = "insert into user (name, age) values ('小姚', '20');"
cursor.execute(sql)
db.commit()
#更新数据
sql = "update user set name='小可爱' where id=5;"
cursor.execute(sql)
db.commit()
#查询数据
sql = "select * from user;"
cursor.execute(sql)
results = cursor.fetchall()
for row in results:
    print(row)
#删除数据
sql = "delete from user where name='小姚';"
cursor.execute(sql)
db.commit()

Numpy 的基本操作

数组跟列表的区别，列表可以存储任意类型的数据，数组只能放一种类型的。

中文文档链接
英文文档链接

1. numpy 的安装

pip3 install numpy

2. 列表转为数组

import numpy as np
a_list = list(range(10))  #[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
a_arr = np.array(a_list)  #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
type(a_list)              #<class 'list'>
type(a_arr)               #<class 'numpy.ndarray'>

3. 生成数组

#1.一维数组
import numpy as np
a_zeros_arr=np.zeros(3)    #生成一个3个元素的数组, array([0., 0., 0.])
a.dtype                    #查看数组类型, dtype('float64')
#指定数组类型
a_zeros_arr = np.zeros(3, dtype=int) #array([0, 0, 0])
#2.多维数组
a_zeros_arr = np.zeros((2,2), dtype=int) #array([[0, 0],[0, 0]])  值为0
a_ones_arr = np.ones((2,2), dtype=int)   #array([[1, 1],[1, 1]])  值为1
a_full_arr = np.full((2,2), 3)           #array([[3, 3],[3, 3]])  值为指定的任意值
b_zeros_arr = np.zeros_like(a_zeros_arr) #array([[0, 0],[0, 0]])
b_ones_arr = np.ones_like(a_ones_arr)    #array([[1, 1],[1, 1]])
b_full_arr = np.full_like(a_full_arr, 4) #array([[4, 4],[4, 4]])

4. 生成数组(随机数)

random.random()     #0~1之间的随机数 0<x<1
random.randint(1,3) #1~3之间的数 1<=x<=3
a_random_arr = np.random.random((2,2))   #array([[0.64581359, 0.75547149],[0.96443955, 0.69208698]])   0<x<1
a_randint_arr = np.random.randint(1,3, (2,2))  #array([[1, 1], [1, 2]])    1<=x<3

5. 生成数组(范围取值)

a_list = list(range(0,10, 2))      #[0, 2, 4, 6, 8]
a_range_arr = np.arange(0, 10, 2)  #array([0, 2, 4, 6, 8])
a_lin_arr = np.linspace(1,3,5)     #array([1. , 1.5, 2. , 2.5, 3. ])
#n维的单位矩阵
a_arr = np.eye(3)
"""
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
"""

6. 访问数组中的元素

a_list = [[1,2,3], [4,5,6]]
b_arr = np.array(a_list)
"""
array([[1, 2, 3],
       [4, 5, 6]])
"""
b_arr[1][1]  #5
b_arr[1, 1]  #5，等同于上面的访问方式
b_arr[:2][:2]  #先去前2个数组，在新数组基础上再取前两个
"""
array([[1, 2, 3],
       [4, 5, 6]])
"""
b_arr[:2, :2]  #取出二维数组中的前俩个元素组成新的数组
"""
array([[1, 2],
       [4, 5]])
"""

7. 数组的属性

a_list = [[1,2,3], [4,5,6]]
b_arr = np.array(a_list)
"""
array([[1, 2, 3],
       [4, 5, 6]])
"""
b_arr.ndim          #维度 2
b_arr.shape         #形状 (2, 3)
b_arr.size          #个数 6
b_arr.dtype         #数组数据类型
b_arr.itemsize      #数组单个元素占内存的大小 8
b_arr.nbytes        #数组所有元素总的内存大小 48

8. 运算

a_arr = np.array(list(range(10))) #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
#加(+)、减(-)、乘(*)、除(/)、求余(%)、求商(//)、次方(**)、求反(-负数)
加法   a_arr+10    等同于   np.add(a_arr, 10) 
#array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19])
乘法   a_arr*10    等同于   np.multiply(a_arr, 10) 
#array([ 0, 10, 20, 30, 40, 50, 60, 70, 80, 90])
减法   a_arr-10    等同于   np.subtract(a_arr, 10)
#array([-10,  -9,  -8,  -7,  -6,  -5,  -4,  -3,  -2,  -1])
除法   a_arr/10    等同于   np.divide(a_arr, 10)
#array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9])
求余   a_arr%5     等同于   np.mod(a_arr, 5)
#array([0, 1, 2, 3, 4, 0, 1, 2, 3, 4])
求商   a_arr//2    等同于   np.floor_divide(a_arr, 2)
#array([0, 0, 1, 1, 2, 2, 3, 3, 4, 4])
次方   a_arr**2    等同于   np.power(a_arr, 2)
#array([ 0,  1,  4,  9, 16, 25, 36, 49, 64, 81])
求反   -a_arr      等同于   np.negative(a_arr)
#array([ 0, -1, -2, -3, -4, -5, -6, -7, -8, -9])
b_arr = np.linspace(0, np.pi, 3)
#array([0.        , 1.57079633, 3.14159265])
np.sin(b_arr) 
#array([0.0000000e+00, 1.0000000e+00, 1.2246468e-16])

9. 统计

#求和
#数组一维求和
a = np.full(5, 1)  #array([1, 1, 1, 1, 1])
sum(a)
np.sum(a)  (推荐使用这种形式)
#数组多维求和
a = np.array([[1,2], [3,4]]) 
"""
array([[1, 2],
       [3, 4]])
"""
np.sum(a)               #所有元素求和  10
np.sum(a, axis=1)       #按行求和 array([3, 7])
np.sum(a, axis=0)       #按列求和 array([4, 6])
同理, 
np.max(a)
np.max(a, axis=1)
np.max(a, axis=0)

10. 比较

a = np.array(range(5)) #array([0, 1, 2, 3, 4])
a > 3                  #array([False, False, False, False,  True])
a != 3                 #array([ True,  True,  True, False,  True])
a == a                 #array([ True,  True,  True,  True,  True])
np.all(a>1)            #False, 所有数都大于1
np.any(a>1)            #True,  至少一个大于1

11. 变形

a = np.full((3,4), 3)
#注意,reshape变形之后的总个数要等于变形之前的
a.reshape(4,3)
a.reshape(2,6)
"""
array([[3, 3, 3, 3, 3, 3],
       [3, 3, 3, 3, 3, 3]])
"""

12. 排序

li = [[1,2,3], [31,12,4], [32, 2, 33]]
a = np.array(li)
"""
array([[ 1,  2,  3],
       [31, 12,  4],
       [32,  2, 33]])
"""
np.sort(a)          #按行排序, a不变
a.sort()            #默认按行排序, a 变
"""
array([[ 1,  2,  3],
       [ 4, 12, 31],
       [ 2, 32, 33]])
"""
a.sort(axis=0)      #按列排序, a变
"""
array([[ 1,  2,  3],
       [ 2, 12, 31],
       [ 4, 32, 33]])
"""

13. 拼接

a = np.array([1,2,3])
b = np.array([0,2,4], [1,3,5])
"""
array([[0, 2, 4],
       [1, 3, 5]])
"""
np.concatenate([b,b], axis=0)   #按行拼接
"""
array([[0, 2, 4],
       [1, 3, 5],
       [0, 2, 4],
       [1, 3, 5]])
"""
np.concatenate([b,b], axis=1)   #按列拼接
"""
array([[0, 2, 4, 0, 2, 4],
       [1, 3, 5, 1, 3, 5]])
"""

14. random 讲解

1. np.random.rand()      #生成(0,1)之间的一个数
2. np.random.rand(5)     #生成5个元素的数组,随机取值(0,1)
    """
    array([0.79607008, 0.81415032, 0.51516127, 0.29400689, 0.10346322])
    """
3. np.random.rand(5,4)   #生成5行4列的数组,随机取值(0,1)
    """
    array([[0.11204402, 0.56018237, 0.29255916, 0.3400223 ],
       [0.6379297 , 0.73085658, 0.92353737, 0.43426313],
       [0.89570646, 0.44098276, 0.80479348, 0.91783251],
       [0.18535441, 0.62034598, 0.17123969, 0.21449212],
       [0.16348938, 0.86119781, 0.11963413, 0.07361377]])
    """
4. np.random.random()    #生成(0,1)之间的一个数
5. np.random.random(5)   #生成5个元素的数组,随机取值(0,1)
    """
    array([0.28560097, 0.62186389, 0.999904  , 0.12896292, 0.36700434])
    """
6. np.random.random((5,4))  #生成5行4列的数组,随机取值(0,1)
    """
    array([[0.0796853 , 0.20823343, 0.81220792, 0.03378476],
       [0.05286695, 0.39902488, 0.33382217, 0.31498118],
       [0.28531483, 0.76593973, 0.81974177, 0.46401695],
       [0.28562308, 0.79488005, 0.29246923, 0.63715793],
       [0.47336978, 0.69501443, 0.11519155, 0.07043233]])
    """
7. np.random.randint(3)   #生成[0,3)之间的一个整数
8. np.random.randint(1,3) #生成[1,3)之间的一个整数
9. np.random.randint(1,3, (2,2)) #生成两行两列的数组，随机取值[1,3)之间的整数
    """
    array([[2, 2],
       [1, 1]])
    """

15. cumsum用法

b=np.array([[1,2,3],[4,5,6]])
    """
    array([[1, 2, 3],
       [4, 5, 6]])
    """
b.cumsum()          
    """
    当前位置元素值等于它与前面（先行后列）的所有数相加
    array([ 1,  3,  6, 10, 15, 21])
    """
b.cumsum(0)
    """
    当前位置元素值等于它与前面(列)的所有数相加
    array([[1, 2, 3],
       [5, 7, 9]])
    """
b.cumsum(1)
    """
    当前位置元素值等于它与前面(行)的所有数相加
    array([[ 1,  3,  6],
       [ 4,  9, 15]])
    """

Pandas

1. Pandas基本操作

pandas中的 dataframe的操作，很大一部分跟 numpy中的二维数组操作是近似的.

1. 基本使用

import pandas as pd
df = pd.read_csv("/Users/chen/Desktop/user.csv")
df.tail(2)  #取后2行，默认是5
df.head(2)  #取前2行，默认是5
"""
    id  name   age  数学  语文
0   1   小明    20   90    78
1   2   小兰    10   70    23
"""
type(df)      #<class 'pandas.core.frame.DataFrame'>
df.columns    #列名 Index(['id', 'name', 'age', '数学', '语文'], dtype='object')
df.index      #索引 (stop 代表共有几行) RangeIndex(start=0, stop=6, step=1)

2.条件筛选

df.数学 > 80   #判断所有的数学成绩是否大于80
"""
0     True
1    False
2    False
3    False
4     True
5    False
"""
df[df.数学 > 80] #筛选出数学成绩大于80的
"""
   id name  age  数学  语文
0   1   小明   20  90  78
4   5  小可爱   20  97  93
"""
df[(df.数学>80) & (df.语文>80)]   #复杂筛选(多重条件)
"""
   id  name  age  数学  语文
4   5  小可爱  20  97   93
"""

3.排序

df.sort_values(["age", "数学"]).head()   #排序，先按 age，然后在数学，升序, 最后取前5行

4.访问

df.loc[0]     #访问第0行, 按照索引去访问的
df.iloc[0]    #实实在在的第几行,像列表访问一样的原理
df.ix[0]      #loc,iloc 融合,数字索引存在，则按索引访问，不存在则按 iloc 形式访问
df.ix[:2]     #访问前两行
df[0]         #访问某行，是错误的 
df[0:2]       #访问多行数据是可以用切片的
"""
    id  name  age  数学  语文
0   1   小明   20   90  78
1   2   小兰   10   70  23
"""

5.创建表dataframe

dic = {
    "数学":[70,80,70],
    "语文":[78,86,96],
    "name":["小一", "小二", "小三"]
}
df2 = pd.DataFrame(dic)  #可以指定索引pd.DataFrame(dic, index=["one", "two", "three])
"""
    数学  语文 name
0  70  78   小一
1  80  86   小二
2  70  96   小三
"""

6.dataframe 中的数组(values 用法)

df.values     #访问所有的数据，返回的是数组
"""
array([[1, '小明', 20, 90, 78],
       [2, '小兰', 10, 70, 23],
       [3, '小花', 30, 80, 89],
       [4, '小李', 18, 66, 65],
       [5, '小可爱', 20, 97, 93],
       [6, '小命名', 20, 78, 90]], dtype=object)
"""
df.数学.values  #dataframe 中的数组
"""
array([90, 70, 80, 66, 97, 78])
"""
df.数学.value_counts()    #简单的统计，对应分数共有几人
"""
78    1
70    1
66    1
90    1
97    1
80    1
Name: 数学, dtype: int64
"""

7.提取多列，单列

df.数学 或 df["数学"]         #提取单列
df[["数学", "语文"]].head(2)  #提取多列
"""
    数学  语文
0  90  78
1  70  23
"""
a = df[["数学", "name"]].head(2)
a*2                           #对应字段是数字的话，则乘2,字符串的话，则拼接
"""
    数学  name
0  180  小明小明
1  140  小兰小兰
"""

8.增加新列和删除列(重点)

1. map 用法

def func(score):
    if score >= 80:
        return "优秀"
    elif score >= 70:
        return "良"
    elif score >= 60:
        return "及格"
    else:
        return "差"
df["数学等级"] = df.数学.map(func)
df
"""
    id  name  age  数学  语文 数学等级
0   1   小明   20  90   78   优秀
1   2   小兰   10  70   23    良
2   3   小花   30  80   89   优秀
3   4   小李   18  66   65   及格
4   5  小可爱   20  97  93   优秀
5   6  小命名   20  78  90    良
"""

2.applymap 用法

#applymap 是对 dataframe中所有数据进行操作的一个函数,非常重要
df func(number):
    return number + 10
等价于
func = lambda number:number+10
df.applymap(lambda number:str(number)+" -").head(2)
"""
    id  name   age    数学    语文  数学等级
0   1 -  小明 -  20 -  90 -  78 -  优秀 -
1   2 -  小兰 -  10 -  70 -  23 -   良 -
"""

3.apply 用法

#根据多列生成新列的操作, apply
df["score"] = df.apply(lambda x:x.数学+x.语文, axis=1) #x 代表dataframe
"""
   id name  age  数学  语文 数学等级  score
0   1   小明   20  90  78   优秀    168
1   2   小兰   10  70  23    良     93
2   3   小花   30  80  89   优秀    169
3   4   小李   18  66  65   及格    131
4   5  小可爱   20  97  93   优秀    190
5   6  小命名   20  78  90    良    168
"""

4.删除列

df.drop(["score"], axis=1)
"""
   id name  age  数学  语文 数学等级
0   1   小明   20  90  78   优秀
1   2   小兰   10  70  23    良
2   3   小花   30  80  89   优秀
3   4   小李   18  66  65   及格
4   5  小可爱   20  97  93   优秀
5   6  小命名   20  78  90    良
"""

2. Pandas绘图

matplotlib.pylot的文档
pandas.DataFrame 文档

import pandas as pd
import matplotlib
import numpy as np
import matplotlib.pyplot as plt
#%matplotlib inline 
#上一行必不可少(notebook中可以直接在命令行中运行显示效果图的，可以注释掉)
plt.show()    #用来展示图片

1. matplotlib.pyplot 绘制图形

1. plot()、subplot()、legend()、scatter()用法

plt.plot(x, y, [format], color='gray', markersize=15, linewidth=4, markerfacecolor='white', markeredgecolor='gray', markeredgewidth=2, label='图形1')
"""
    format:图形的样式('-p', 'o', '--')
    color: 图形的颜色(坐标点和连线)
    markersize:坐标点的大小
    linewidth: 点之间连线的宽度
    markerfacecolor:坐标点的填充颜色
    markeredgecolor:坐标点的边框颜色
    markeredgewidth:坐标点的边框线宽
    label: 图形的标签
    详情请看:https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html#matplotlib.pyplot.plot
"""
plt.subplot(row, column, index, facecolor='yellow')
"""
    row: 行数
    column: 列数
    index: 在第几个单元格绘制图形
    facecolor: 坐标系的填充色
"""
plt.legend(loc=0)  legend 控制 label 的显示效果，loc 是控制 label 位置,不填默认最好
"""
    0:'best'
    1:'upper right'(右上)
    2:'upper left'（左上）
    3:'lower left'(左下)
    4:'lower right'(右下)
    5:'right'(中右)
    6:'center left'(中左)
    7:'center right'(中右)
    8:'lower center(中下)
    9:'upper center'（中上）
    10:'center'(中间)
"""
plt.scatter(x, y, s=50, c='gray', marker='o', alpha=0.4)
"""
    s:坐标点大小
    c:坐标点颜色
    marker:坐标点样式, 更多参考:https://matplotlib.org/api/markers_api.html#module-matplotlib.markers
    alpha:坐标点颜色透明度
"""

2. 绘制多个图形

x = np.linspace(0, 10, 20)
plt.subplot(2,2,1)
plt.plot(x, np.sin(x), label='p1')
plt.legend(loc=4)
plt.subplot(2,2,2, facecolor='yellow')
plt.plot(x, np.sin(x), '--', markersize=15, linewidth=4, markerfacecolor='white', markeredgecolor='red', markeredgewidth=2, label='p2')
plt.legend(loc=4)
plt.subplot(2,2,3)
plt.plot(x, np.sin(x), '-o', color='green', markersize=5, linewidth=4, markerfacecolor='white', markeredgecolor='red', markeredgewidth=2, label='p3')
plt.legend(loc=4)
plt.subplot(2,2,4)
plt.plot(x, np.sin(x), '-p', color='gray', markersize=10, linewidth=4, markerfacecolor='white', markeredgecolor='red', markeredgewidth=2, label='p4')
plt.legend(loc=4)
plt.show()

3. 单个图形绘制多条线

x=np.linspace(0, 7, 20)
plt.plot(x, np.sin(x), '-o', label='p1')
plt.plot(x, np.cos(x), '--', label='p2')
plt.plot(range(6), range(6), '-p', label='p3')
plt.legend()
plt.show()

4. ylim、xlim 限定范围绘制图

#ylim、xlim限定范围
x=np.linspace(0, 7, 20)
plt.plot(x, np.sin(x), '-p')
plt.ylim(-0.5, 1)
plt.xlim(0, 5)
plt.show()

5. 绘制散点图

plt.style.use('classic')    #设置主题样式, classic经典样式
x = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)   #0~1之间取值, 生成100个元素的一维数组
sizes = 1000 * np.random.rand(100)
plt.scatter(x, y, s=sizes, c=colors, alpha=0.4)
plt.colorbar()
plt.show()

未设经典样式和颜色条，见图4
未设经典样式，见图5
设经典样式和颜色条，见图6

6. 保存绘制的图片

fig = plt.figure()
x=np.linspace(0, 7, 20)
plt.plot(x, np.sin(x), '-o', label='p1')
plt.legend()
fig.savefig("/Users/chen/Desktop/python3/project/project1/0-0.png")

2. pandas本身自带制图

1. 线形图

df = pd.DataFrame(np.random.rand(100, 4).cumsum(0), columns=['A','B','C','D'])
df.plot()      #整个数组     
df.A.plot()    #某一列
plt.show()

2. 柱状图📊

df = pd.DataFrame(np.random.randint(10, 50, (3,4)), columns=['A', 'B', 'C', 'D'], index=["one", "two", "three"])
df.plot(kind='bar', stacked=True)   #stacked 叠加
df.plot.bar()       #整个数组  df.plot.bar() <===> df.plot(kind='bar')
df.A.plot.bar()     #某一列
plt.show()

3. 直方图

df = pd.DataFrame(np.random.randn(100, 4), columns=['A','B','C','D'])
df.hist()
df.hist(column='A', grid=False)   #grid:图形的背景网格
plt.show()

4. 密度图

df = pd.DataFrame(np.random.randn(100, 4), columns=['A','B','C','D'])
df.plot.kde()
plt.show()