import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv("data/Amazon.csv", comment="#",
                 parse_dates=["Date"], index_col="Date")
df[["High", "Low"]].tail(60).plot()

pandas enveloppe matplotlib : l'index en abscisse, une courbe par colonne, la légende en prime.

subplots=True : une sous-figure par colonne.

Les variantes (plot.hist, plot.bar, plot.scatter, boxplot…), une par question : c'est le guide Quel graphique pour quelles données, plus loin.

df = df.dropna(subset=["Date"])   # 24 dates vides (NaT) : on retire ces lignes
d = df["Date"]
d.dt.year, d.dt.month, d.dt.dayofweek   # 0 = lundi
d.dt.day_name()                          # 'Friday'…
df.groupby(d.dt.year)["Close"].mean().plot.bar()

Une fois en datetime64, chaque composante devient une clé de groupby.

df = df.set_index("Date").sort_index()
df.loc["2019"]                          # toute l'année
df.loc["2020-04":"2020-06", "Close"].plot()

Une chaîne partielle désigne toute la période, bornes incluses (juin jusqu'au 30).

sort_index() d'abord : sur un index en désordre, le slicing échoue ou ment.

s = df["Close"].loc["2019":]
s.plot(alpha=0.4, label="chaque jour")
s.resample("ME").mean().plot(marker="o",
                             label="moyenne du mois")
plt.legend()

Moins de points, à dates régulières ; il faut dire comment agréger (.mean(), .sum()…).

D jour · W semaine · ME mois · YE année

s.plot(alpha=0.4, label="chaque jour")
s.rolling(28).mean().plot(label="moyenne sur 28 jours")
plt.legend()

Chaque point devient la moyenne de la fenêtre qui le précède ; les 27 premiers sont NaN.

resample réduit, rolling lisse : ça tombe souvent en quiz !

import numpy as np
x = np.linspace(0, 2 * np.pi, 100)
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(x, np.sin(x), label="sin")
ax.plot(x, np.cos(x), "--", label="cos")
ax.set_title("deux fonctions")
ax.set_xlabel("x"); ax.set_ylabel("y")
ax.legend()

fig : la page ; ax : un repère dessus. df.plot(ax=ax) dessine dans un repère existant.

fig, axes = plt.subplots(2, 2, figsize=(10, 6))
axes[0, 0].plot(x, np.sin(x))
axes[0, 0].set_title("sin")
axes[0, 1].plot(x, np.cos(x))
axes[0, 1].set_title("cos")
axes[1, 0].hist(np.random.randn(1000), bins=30)
s.unstack().plot(ax=axes[1, 1])
fig.tight_layout()

axes est un tableau numpy : axes.shape == (2, 2).

Pour : une tendance, des pics, une saisonnalité.

Données : une ou quelques colonnes numériques, des dates en index.

df = pd.read_csv("data/Amazon.csv", comment="#",
                 parse_dates=["Date"], index_col="Date")
df["Close"].plot(ylabel="cours de clôture ($)")

au-delà de 5 ou 6 courbes, c'est un plat de spaghettis : subplots=True.

Pour : un total et la part de chacun dans ce total, au fil du temps.

Données : plusieurs colonnes positives qui s'additionnent.

cv = pd.read_csv("data/corona-par-pays.csv", sep=";", comment="#",
                 parse_dates=["Date"])
deces = cv.pivot_table(index="Date", columns="Pays", values="Deces")
deces[["Italie", "Espagne", "France", "Belgique"]].plot.area()

seule la couche du bas se lit bien ; pour comparer les pays entre eux, des courbes.

Pour : classer et comparer une quantité entre catégories.

Données : une colonne catégorielle et un nombre par catégorie.

cv = pd.read_csv("data/corona-par-pays.csv", sep=";", comment="#")
dernier = cv[cv["Date"] == cv["Date"].max()].set_index("Pays")
(dernier["Deces"].nlargest(8) / 1000).sort_values().plot.barh()
plt.xlabel("décès (milliers)")

les barres partent de zéro ; on trie, sauf si l'ordre a un sens (mois, classes d'âge).

Pour : croiser deux catégories, c-à-d. lire un tableau croisé.

Données : un pivot_table : une catégorie en ligne, l'autre en colonne.

titanic = pd.read_csv("data/titanic.csv")
taux = titanic.pivot_table(index="Pclass", columns="Sex", values="Survived")
taux.plot.bar(rot=0, ylabel="taux de survie")

groupées pour des taux ; empilées (stacked=True) seulement pour des effectifs qui s'additionnent.

Pour : des effectifs par catégorie, et leur composition.

Données : un tableau de comptages (pd.crosstab), dont les colonnes s'additionnent.

titanic = pd.read_csv("data/titanic.csv")
effectifs = pd.crosstab(titanic["Pclass"], titanic["Sex"])
effectifs.plot.bar(stacked=True, rot=0, ylabel="passagers")

seul le bas de la pile se compare facilement ; pour comparer des proportions, pd.crosstab(..., normalize="index").

Pour : où se trouvent la plupart des valeurs, leur étalement, une asymétrie.

Données : une colonne numérique, une valeur par individu.

titanic = pd.read_csv("data/titanic.csv")
titanic["Age"].plot.hist(bins=30, xlabel="âge")

le nombre de classes (bins) change la forme : essayez-en plusieurs.

Pour : comparer des distributions entre groupes : médiane, quartiles, valeurs atypiques.

Données : une colonne numérique et une colonne de groupe.

titanic = pd.read_csv("data/titanic.csv")
titanic.boxplot(column="Age", by="Pclass")

une boîte cache l'effectif : 30 ou 500 passagers ont la même allure.

Pour : une tendance, des groupes, des points isolés ; une 3e variable en couleur (c=).

Données : deux colonnes numériques, une ligne par individu.

iris = pd.read_csv("data/iris.csv")
iris.plot.scatter(x="PetalLength", y="PetalWidth",
                  c="SepalLength", colormap="viridis")

beaucoup de points se recouvrent : alpha=0.3 ; et un lien n'est pas une cause.

Pour : une valeur selon deux variables : jour × heure, matrice de corrélations.

Données : un tableau à deux entrées (groupby + unstack).

fr = pd.read_csv("data/fremont.csv", index_col="Date", parse_dates=["Date"],
                 date_format="%m/%d/%Y %I:%M:%S %p")
v = fr["Fremont Bridge Total"]
tab = v.groupby([v.index.dayofweek, v.index.hour]).mean().unstack()
plt.imshow(tab, aspect="auto"); plt.colorbar(label="vélos / heure")
plt.yticks(range(7), ["lun", "mar", "mer", "jeu", "ven", "sam", "dim"])

une palette du clair au foncé, et toujours la barre de couleurs.