一般来说，我们先用pandas分析数据，然后用matplotlib之类的可视化库来显示分析结果。
而pandas库中有一个强大的工具--plot函数，可以使数据可视化变得简单而高效。
1. plot 函数简介
plot函数是pandas中用于数据可视化的一个重要工具，
通过plot函数，可以轻松地将DataFrame或Series对象中的数据以图形的形式展示出来。
plot函数支持多种类型的图形，包括折线图、柱状图、散点图、饼图等，这些不同类型的图形适用于不同的数据分析场景。
此外，plot函数还支持通过参数设置来调整图形的样式，如颜色、标签、图例等，以满足更加个性化的可视化需求。
plot函数的参数名称和含义了matplotlib绘图时的参数是类似的，
如果熟悉matplotlib绘图的话，上手更快。
2. 数据准备
下面的示例中使用的数据采集自A股2024年1月和2月的真实交易数据。
数据下载地址：databook.top/。
导入数据：
python
import pandas as pd
import matplotlib.pyplot as plt
fp = r'D:\data\2024\历史行情数据-不复权-2024.csv'
df = pd.read_csv(fp)
df = df.loc[:, ["股票代码", "日期", "开盘", "收盘", "最高", "最低", "成交量"]]
df
3. 使用示例
针对上面的交易数据，下面演示如何用plot函数快速绘图。
3.1. 折线图
折线图一般用于展示时间序列数据，可以提取某一支股票的数据并绘制出来。
python
# 提取870299这支股票
data = df.query("股票代码==870299")
data.index = data["日期"]
# 绘制每天最高价和最低价的曲线
data.loc[:, ["最高", "最低"]].plot(kind="line", title="股票870299", rot=45)
plt.show()
代码中有几个注意点：
data.index = data["日期"]：plot函数将索引列 作为横轴 ，所以这里设置日期列 为索引（index）kind参数：设置图形的类型，这里设置line，表示折线图title参数：设置图形的标题rot参数：调整刻度的角度，这里将X轴 的刻度旋转了45度，防止日期之间的重叠
3.2. 柱状图
柱状图 多用于比对数据，下面我们用pandas挑选几支股票，然后比对它们的开盘价 和收盘价的平均值。
python
# 随便挑选一些股票代码
codes = [870299, 301138, 603825, 600579, 600640]
data = df.loc[:,["股票代码", "开盘", "收盘"]].query("股票代码==@codes")
# groupby之后，绘制各个股票开盘价和收盘价的平均值
data.groupby(by=["股票代码"]).mean().plot(kind="bar")
plt.show()
代码中的注意点：
kind参数：设置图形的类型，这里设置bar，表示柱状图groupby之后，**"股票代码"**变为索引列，所以绘图时作为横轴
如果要绘制横向的柱状图，只要把kind参数设置成barh即可。
python
data.groupby(by=["股票代码"]).mean().plot(kind="barh")
3.3. 饼图
饼图 是另一种比较数据的方式，它可以比较数据之间的占比，更好的看出各种数据的分布情况。
下面也随机挑选一些股票，用饼图 比较它们的成交量情况。
python
codes = [870299, 301138, 603825, 600579, 600640]
data = df.loc[:,["股票代码", "成交量"]].query("股票代码==@codes")
data.groupby(by=["股票代码"]).sum()["成交量"].plot(kind="pie", autopct="%1.1f%%")
plt.show()
代码中的注意点：
kind参数：设置图形的类型，这里设置饼图pie，表示饼图autopct参数：各个区域所占百分比的显示方式
3.4. 其他...
除了上面常用的图形，plot函数还支持其他多种图形，其kind参数目前支持的图形包括：
line: 折线图bar: 柱状图barh: 横向柱状图hist: 直方图box: 箱型图kde: 核密度估计图area: 面积图pie: 饼图scatter: 散点图hexbin: 六边形箱图
4. 总结
总的来说，plot函数为数据分析师提供了一个强大而灵活的数据可视化工具。
通过plot函数，我们可以快速地将数据转化为直观的图形，从而更好地理解数据的分布、趋势和关系。
这种直观的理解有助于我们发现数据中的潜在模式，进而做出更加准确和有效的决策。
无论是初学者还是资深的数据分析师，都可以通过掌握plot函数来提升自己的数据分析能力。