上一篇介绍了DataFrame的显示参数，主要是对DataFrame中值进行调整。
本篇介绍DataFrame的显示样式的调整，显示样式主要是对表格本身的调整，
比如颜色，通过颜色可以突出显示重要的值，观察数据时可以更加高效的获取主要信息。
下面介绍一些针对单个数据和批量数据的样式调整方式，让DataFrame的数据信息更加的一目了然。
1. 多列显示格式
每个DataFrame都有个style属性，通过这个属性可以来调整显示的样式。
下面的示例，一次调整多个类型的列的显示。
import pandas as pd df = pd.DataFrame( { "日期": ["2022-10-01", "2022-11-11", "2022-12-12", "2023-01-01", "2023-02-02"], "单价": [1099.5, 8790.0, 12.55, 10999.0, 999.5], "数量": [1, 3, 1200, 4, 5], } ) df["日期"] = pd.to_datetime(df["日期"]) col_format = { "日期": "{:%Y/%m/%d}", "单价": "¥{:,.2f}", "数量": "{:,} 件" } df.style.format(col_format) 
调整之后：
- 日期格式改成用
/来分割 - 单价前加了人民币符号，并且用逗号作为千位分隔符
- 数量用逗号作为千位分隔符，加了单位 件
调整之后，表格中的内容放入报告中会更加美观。
2. 背景色样式
除了调整数值的显示样式，更强大的功能是，我们可以调整单元格的颜色。
比如，下面的数据，我们先计算出总价，
然后用红色背景标记出总价最小的订单，用绿色背景标记出总价最大的订单。
df = pd.DataFrame( { "订单号": ["0001", "0002", "0003", "0004", "0005"], "单价": [1099.5, 8790.0, 12.55, 10999.0, 999.5], "数量": [1, 3, 1200, 4, 5], } ) df["总价"] = df["单价"] * df["数量"] col_format = { "单价": "¥{:,.2f}", "总价": "¥{:,.2f}", } df.style.format(col_format).highlight_min( "总价", color="red" ).highlight_max( "总价", color="lightgreen" )
3. 渐变色样式
添加背景色之后，只能看出哪个订单总价最高，哪个订单总价最低。
对于其他的订单，没有直观的印象，所以，下面我们更进一步用渐变色来标记总价列。
总价越高，背景色越深，这样就对所有订单的总价有了直观的印象。
df = pd.DataFrame( { "订单号": ["0001", "0002", "0003", "0004", "0005"], "单价": [1099.5, 8790.0, 12.55, 10999.0, 999.5], "数量": [1, 3, 1200, 4, 5], } ) df["总价"] = df["单价"] * df["数量"] col_format = { "单价": "¥{:,.2f}", "总价": "¥{:,.2f}", } df.style.format( col_format ).background_gradient( subset="总价", cmap="Greens" )
4. 条形图样式
再进一步，用条形图+渐变色的方式显示总价信息。
这样，不仅可以看出总价的高低，还能大致看出究竟高了多少。
df = pd.DataFrame( { "订单号": ["0001", "0002", "0003", "0004", "0005"], "单价": [1099.5, 8790.0, 12.55, 10999.0, 999.5], "数量": [1, 3, 1200, 4, 5], } ) df["总价"] = df["单价"] * df["数量"] col_format = { "单价": "¥{:,.2f}", "总价": "¥{:,.2f}", } df.style.format( col_format ).bar( subset="总价", cmap="Wistia" )
5. 总结回顾
通过pandas本身的样式参数，可以美化分析的结果，直接用于最后的报告或者PPT中。
pandas小技巧系统至此暂时告一段落，接下来，准备开始另一个关键的数据分析库：numpy。
