df=pandas.DataFrame()
常见的画图方法如下：
df.plot()
也可以传入参数：df.plot(kind=value)决定画什么类型的图
kind=line 画折线图
kind=bar x轴画矩形图
kind=barh y轴画矩形图
kind=pie 画饼图
kind=scatter 画散点
kind=box 画盒子图
kind=kde 画核密度估计图
或者:
df.plot.line()
df.plot.bar()
df.plot.barh()
df.plot.pie()
df.plot.scatter()
df.plot.box()
df.plot.kde()
pandas读取csv文件绘图
import pandas as pd
import matplotlib.pyplot as plt
filename=r"D:\output\dstat.csv"
df=pd.read_csv(filename,index_col="time",parse_dates=True)
df.index=map(lambda x:x.time(),df.index)
#df.index=df.index.map(lambda x:x.time()) 这种方法在python3中才能使用，不推荐这种写法，推荐map(f,list)写法
df_max=df['cpu'].max()
df_avg=df['cpu'][df['cpu']>0].sum()/len(df['cpu'][df['cpu']>0])
#或者：df_avg=df['cpu'].sum()/len(df['cpu'])
df_avg=round(df_avg,2) #取df_avg的2位有效数字
plt.title(" cpu(%) max;"+str(df_max)+"% avg:"+str(df_avg)+"%")
plt.plot(df)
plt.savefig("D:/png/cpu.png") #将plt的画图保存至图片.png格式
用自己的方法方式再写一遍:
import pandas as pd
import matplotlib.pyplot as plt
df=pd.read_csv('./dstat_cpu.csv')
print(type(df))
#结果：
#print(df.index)
#print(type(df.index[0]))
"""
将time列指定为索引(行索引)后，time列的各值即变为str字符串类型
DatetimeIndex(
['2019-10-17 17:02:27', '2019-10-17 17:02:28',
'2019-10-17 17:02:29', '2019-10-17 17:02:30'],
dtype='datetime64[ns]', name='time', freq=None)
"""
#对used这列的值进行换算单位：G
used=df['used']/(1024*1024)
#画折线图，横轴x参数未传，则默认使用行索引作为横轴，used列作为纵轴
#这样就不用画整个所有的列的折线图来，且这样画图能够使用经过转换的数据
used.plot.line()
'''
或者：
df.plot.line(y="used")
x轴未传，则默认使用行索引作为横轴
但这样画图有个问题：直接使用df的列used原生数据，无法使用转换后的数据
df.plot.line(x="time",y="used")
如果要传入横轴x="time"，那么在df=pd.read_csv('./dstat_cpu.csv')读取csv时，便不能将time列作为行索引，否则报错！
'''
plt.rcParams['font.sans-serif']=['SimHei']
plt.title("内存used列使用情况统计")
plt.ylabel('单位:G')
plt.xlabel('时间:time')
plt.show()
自己的方法画图.png
df.plot.line方法画图.png
df.plot.line方法画图2.png
import pandas as pd
import matplotlib.pyplot as plt
file=r"./dstat_test.csv"
df=pd.read_csv(file,index_col="time",parse_dates=True)
'''
指定行索引为time列，否则就默认加上数字0开始作为行索引
parse_dates=True 指定是否解析时间格式，为什么要加呢？
这样画图时，横轴的time才能在横轴上显出时间值，否则无法显示
'''
df.plot.line(y=["usr","sys"])
'''
横轴x参数未传，则默认使用行索引作为横轴，纵轴可以是单个参数也可是一个多个参数组成的列表
注：这里不能传参x="time"，因为time列已经在读取csv文件时被指定为行索引，故不能传参x
'''
plt.rcParams['font.sans-serif']=['SimHei']
plt.title("CPU% usr：用户使用占比，sys；系统使用占比")
plt.xlabel("时间")
plt.ylabel("使用CPU占比")
plt.savefig(r"./dstat_test.png")
plt.show()
####################################################################################
或如下方法：
df=pd.read_csv(file)
print(df.head())
结果：
默认是以数字0开始作为行索引
新增一列，取值时原time列去除年月日，只保留时分秒
df['times']=pd.DatetiemIndex(df.time).time
'''
time是DatetimeIndex类的一个属性，如还有date,day,year等
注：
使用pd.DatetiemIndex(df.time)，对于df.time该列的值，必须得是标准的年月日时分秒的格式，如：
2020/12/15 10:30:30 、 15/12/2020 10:30:00
'''
print(df.head())
plt.plot.line(x="times",y=["usr","sys"])
'''
为什么这里可以传入x="times"？因为新增的times列并不是行索引，所以可以传入
'''
或：
pd.set_index("times")
'''
这样，times列就被设置为行索引，即不能传入x="times"，即默认使用行索引来画图
'''
plt.plot.line(y=["usr","sys"])
plt.rcParams['font.sans-serif']=['SimHei']
plt.title("CPU% usr：用户使用占比，sys；系统使用占比")
plt.xlabel("时间")
plt.ylabel("使用CPU占比")
plt.savefig(r"./dstat_test.png")
plt.show()
usr和sys使用CPU占比.png
import pandas as pd
import matplotlib.pyplot as plt
data={"age":[10,20,30,40],"height":[150,152,172,181]}
index=["2019-05-22","2019-06-23","2019-07-24","2019-08-25"]
或
index=pd.Index(["2019-05-22","2019-06-23","2019-07-24","2019-08-25"])
df=pd.DataFrame(data=data,index=index)
print(df)
"""
age height
2019-05-22 10 150
2019-06-23 20 152
2019-07-24 30 172
2019-08-25 40 181
"""
如果line()不加参数，则默认以DataFrame的index作为横轴，各列值作为纵轴
lines=df.plot.line()
plt.show()
默认索引作为横轴.png
subplots=True表示每个列值的纵轴单独一个子图显示
lines=df.plot.line(subplots=True)
plt.show()
各列值值单独子图.png
line(x="age",y="height")指定"age"列作为横轴，"height"列作为纵轴
lines=df.plot.line(x="age",y="height")
plt.show()
指定列为坐标轴.png
举例
dstat -tcm --output /tmp/dstat_cpu.csv
"time","usr","sys","idl","wai","hiq","siq","used","buff","cach","free"
17:02:27,0.0,0.0,100.0,0.0,0.0,0.0,582262784.0,110592.0,1218052096.0,128589824.0
17:02:28,0.0,0.0,100.0,0.0,0.0,0.0,582262784.0,110592.0,1218052096.0,128589824.0
17:02:29,0.0,0.0,100.0,0.0,0.0,0.0,582262784.0,110592.0,1218052096.0,128589824.0
17:02:30,0.0,0.0,100.0,0.0,0.0,0.0,582262784.0,110592.0,1218052096.0,128589824.0
统计linux系统的内存使用率，保存至csv文件，pandas读取csv文件后生成DataFrame对象，DataFrame对象利用matplotlib画图成像
import pandas ad pd
cpu=pd.read_csv("./dstat_cpu.csv")
print(cpu)
#y轴也可以指定一个列表，以用来画多个不同的纵轴曲线，如y=["usr","sys","idl"]
cpu_plot=cpu.plot.line(x="time",y=["usr","sys","idl","wai","hiq","siq","used","buff","cach","free"])
plt.show()
cpu使用率.png
cpu_plot=cpu.plot.line(x="time",y="used")
plt.title("cpu %") #给此图命名标签
plt.xlabel("x time") #给x轴命名标签
plt.ylabel("cpu used%") #给y轴命名标签
plt.show()
cpu使用率2.png
cpu=pd.read_csv("./dstat_cpu.csv")
cpu1=cpu['used']/(1024*1024)
cpu2=cpu['time']
cpu3=pd.concat([cpu1,cpu2],axis=1)
print(cpu3)
cpu3.plot.line(x='time',y='used')
结果：
used time
0 561.583313 17:02:27
1 562.477859 17:02:28
2 557.424339 17:02:29
3 553.513321 17:02:30
......
plt.title("cpu %")
plt.xlabel("x time")
plt.ylabel("cpu used%")
plt.show()
dataFrame对象画图.png