导入所需要的pandas, numpy包，如下所示：
import numpy as np
import pandas as pd
from pandas import DataFrame, Series
%matplotlib inline
1. 线性图
(1). 对Series类型进行绘图：使用Series的index作为横坐标，values作为纵坐标
创建一个ndarray的数组
arr = np.random.randint(0, 10, size=10)
将数组转化为pandas的Series类型
s = Series(arr)
使用pandas的内置函数进行绘图， 默认绘制的是线形图
s.plot()
运行结果如下所示：
(2). 对DataFrame类型进行绘制，以DataFrame的index作为横坐标，每一列作为纵坐标
使用关键字的方法创建DataFrame
下面为列索引
columns = ["语文", "数学", "英语", "体育"]
下面为行索引
index = ["张三", "李四", "王五", "赵六"]
使用numpy中的routine函数创建数据
data = np.random.randint(0, 150, size=(4, 4))
df = DataFrame(data=data, index=index, columns=columns)
在图中显示中文的代码
显示中文黑体
plt.rcParams["font.sans-serif"] = "SimHei"
df.plot()
运行结果如下：
2. 柱状图(条形图)
说明：柱状图(条形图)主要用来比较数据之间的大小
df.plot(kind="bar")
结果显示如下：
水平显示结果的代码如下：
df.plot(kind="barh")
结果如下图：
3. 直方图：直方图主要反映数据的分布情况
说明：
random生成随机数百分比直方图，调用hist方法
- 柱高表示数据的频数，柱宽表示各组数据的组距
- 参数bins可以设置直方图方柱的个数上限，越大柱宽越小，数据分组越细致
- 设置density参数为True，可以把频数转换为概率密度
n = np.array([1, 1, 2, 3, 3, 4, 5, 5, 6, 6])
s = Series(data=n)
经常把直方图与kde图一起绘制
kde图：核密度估计，用于弥补直方图由于参数bins设置的不合理导致的精度缺失问题
s.plot(kind="hist", bins=10, density=True)
s.plot(kind="kde")
显示结果如下：
4. 散点图：主要反映数据之间的关系
创建DataRame如下：
df = DataFrame({'A': np.random.randn(300), 'B': np.random.randn(300), 'C': np.random.randn(300), 'D': np.random.randn(300)})
df
显示创建DataFrame结果：
画出的散点图如下所示：
