Python 如何将单独的数据帧绘制为子图？

我有几个数据帧共享相同的值范围，但有不同的列和索引。调用

df.plot（）

时，我会得到单独的绘图图像。我真正想要的是把它们都作为子情节放在同一个情节中，但不幸的是，我没能想出一个解决方案，我非常感谢你的帮助

您可以使用matplotlib手动创建子地块，然后使用

ax

关键字在特定子地块上绘制数据帧。例如，对于4个子批次（2x2）：

这里的

axes

是一个数组，它包含不同的子批次轴，您可以通过索引

axes

如果您想要共享x轴，那么您可以向

plt.subplot

提供

sharex=True

，您可以看到e.gs。答案是这样的。同样从文档中，您还可以在pandas

plot

函数中设置

subplot=True

和

layout=（，）

：

df.plot(subplots=True, layout=(1,2))

---

您还可以使用

图add_subplot（）

，它获取子地块网格参数，如221、222、223、224等，如本文所述。pandas数据框上的绘图示例（包括子绘图）可以在中看到。

您可以使用熟悉的Matplotlib样式调用

图和
子绘图
，但只需使用
plt.gca（）
指定当前轴即可。例如：

plt.figure(1)
plt.subplot(2,2,1)
df.A.plot() #no need to specify for first axis
plt.subplot(2,2,2)
df.B.plot(ax=plt.gca())
plt.subplot(2,2,3)
df.C.plot(ax=plt.gca())

等等。
基于上面的@joris响应，如果您已经建立了子地块的引用，您也可以使用该引用。比如说,

ax1 = plt.subplot2grid((50,100), (0, 0), colspan=20, rowspan=10)
...

df.plot.barh(ax=ax1, stacked=True)

您可以使用以下选项：

fig = plt.figure()
ax = fig.add_subplot(221)
plt.plot(x,y)

ax = fig.add_subplot(222)
plt.plot(x,z)
...

plt.show()

你可能根本不需要使用熊猫。以下是cat频率的matplotlib图：


您可以使用matplotlib绘制多个pandas数据帧的多个子图，只需制作所有数据帧的列表。然后使用for循环绘制子地块

工作代码：

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# dataframe sample data
df1 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df2 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df3 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df4 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df5 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df6 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
#define number of rows and columns for subplots
nrow=3
ncol=2
# make a list of all dataframes 
df_list = [df1 ,df2, df3, df4, df5, df6]
fig, axes = plt.subplots(nrow, ncol)
# plot counter
count=0
for r in range(nrow):
    for c in range(ncol):
        df_list[count].plot(ax=axes[r,c])
        count=+1


使用此代码，您可以在任何配置中绘制子地块。您只需定义行数
nrow
和列数
ncol
。此外，您还需要列出要打印的数据帧
df_list
。
如何从包含长（整齐）数据的数据帧字典中创建多个打印

假设


有一个包含多个整齐数据帧的字典

通过从文件中读入创建
通过将单个数据帧分离为多个数据帧创建


类别
cat
可能重叠，但所有数据帧可能不包含
cat
hue='cat'


因为数据帧正在迭代，所以不能保证每个绘图的颜色映射相同


需要从所有数据帧的唯一
'cat'
值创建自定义颜色映射
由于颜色相同，请在绘图的一侧放置一个图例，而不是在每个绘图中放置一个图例



进口和合成数据
将熊猫作为pd导入
将numpy导入为np#用于随机数据
导入随机#用于随机数据
将matplotlib.pyplot作为plt导入
从matplotlib.patches导入用于自定义图例的补丁#
导入seaborn作为sns
导入数学导入单元#确定子批次的正确数量
#合成数据
df_dict=dict（）
对于范围（1,7）内的i：
np.随机种子（i）
随机种子（一）
数据长度=100
数据={'cat'：[random.choice（['A'，'B'，'C']），用于范围内的u（数据长度）]，
“x”：np.random.rand（数据长度），
“y”：np.random.rand（数据长度）}
df_dict[i]=局部放电数据帧（数据）
#显示（df_dict[1].head（））
猫x y
0 A 0.417022 0.326645
1 C 0.720324 0.527058
2 A 0.000114 0.885942
3 B 0.302333 0.357270
4 A 0.146756 0.908535

创建颜色映射和打印
这里是一个工作子批示例，其中modes是数据帧的列名

    dpi=200
    figure_size=(20, 10)
    fig, ax = plt.subplots(len(modes), 1, sharex="all", sharey="all", dpi=dpi)
    for i in range(len(modes)):
        ax[i] = pivot_df.loc[:, modes[i]].plot.bar(figsize=(figure_size[0], figure_size[1]*len(modes)),
                                                   ax=ax[i], title=modes[i], color=my_colors[i])
        ax[i].legend()
    fig.suptitle(name)

请注意，令人烦恼的是，
.subplot（）
根据要创建的子地块数组的尺寸返回不同的坐标系。因此，如果返回子批，例如，
nrows=2，ncols=1
，则需要将轴索引为
轴[0]
和
轴[1]
。在我的数据里看到“金丝雀”谢谢，这真的很烦人。。。您的评论为我节省了一些时间：）无法理解为什么我会得到
索引器错误：数组中的数组
@canary\u索引太多，只有在使用
.subplot（）
的默认参数时，这才令人讨厌。设置
squage=False
强制
.subplot（）
在任何行和列的情况下始终返回
ndarray
。尽管joris的答案对于matplotlib的一般用法来说是非常好的，但对于希望使用pandas进行快速数据可视化的任何人来说都是非常好的。它也更适合这个问题。请记住，
子图
和
布局
kwargs将仅为单个数据帧生成多个图。这与OP将多个数据帧绘制到一个绘图中的问题有关，但不是一个解决方案。这是纯熊猫使用的更好答案。这不需要直接导入matplotlib（尽管您通常应该这样做），也不需要对任意形状进行循环（例如，可以使用
layout=（df.shape[1]，1）
）。请注意最后一行的打字错误：不是
count=+1
，而是
count+=1
我认为使用
ax=plt.gca（）
也在第一个绘图上。
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# dataframe sample data
df1 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df2 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df3 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df4 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df5 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df6 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
#define number of rows and columns for subplots
nrow=3
ncol=2
# make a list of all dataframes 
df_list = [df1 ,df2, df3, df4, df5, df6]
fig, axes = plt.subplots(nrow, ncol)
# plot counter
count=0
for r in range(nrow):
    for c in range(ncol):
        df_list[count].plot(ax=axes[r,c])
        count=+1

# create color mapping based on all unique values of cat
unique_cat = {cat for v in df_dict.values() for cat in v.cat.unique()}  # get unique cats
colors = sns.color_palette('husl', n_colors=len(unique_cat))  # get a number of colors
cmap = dict(zip(unique_cat, colors))  # zip values to colors

# iterate through dictionary and plot
col_nums = 3  # how many plots per row
row_nums = math.ceil(len(df_dict) / col_nums)  # how many rows of plots
plt.figure(figsize=(10, 5))  # change the figure size as needed
for i, (k, v) in enumerate(df_dict.items(), 1):
    plt.subplot(row_nums, col_nums, i)  # create subplots
    p = sns.scatterplot(data=v, x='x', y='y', hue='cat', palette=cmap)
    p.legend_.remove()  # remove the individual plot legends
    plt.title(f'DataFrame: {k}')

plt.tight_layout()
# create legend from cmap
patches = [Patch(color=v, label=k) for k, v in cmap.items()]
# place legend outside of plot; change the right bbox value to move the legend up or down
plt.legend(handles=patches, bbox_to_anchor=(1.06, 1.2), loc='center left', borderaxespad=0)
plt.show()

    dpi=200
    figure_size=(20, 10)
    fig, ax = plt.subplots(len(modes), 1, sharex="all", sharey="all", dpi=dpi)
    for i in range(len(modes)):
        ax[i] = pivot_df.loc[:, modes[i]].plot.bar(figsize=(figure_size[0], figure_size[1]*len(modes)),
                                                   ax=ax[i], title=modes[i], color=my_colors[i])
        ax[i].legend()
    fig.suptitle(name)