Pandas Series.plot与plt.plot绘图结果不一致问题求助

我用两段逻辑看似相同的代码绘制df.cumpnl数据，但输出结果完全不同。已经尝试过去除NaN、强制使用索引作为X轴等调试操作，问题仍未解决。

两段代码如下：

• Pandas内置绘图：

df.cumpnl.plot()
plt.show()

• Matplotlib原生绘图：

plt.plot(df.cumpnl)
plt.show()

附上该DataFrame的统计描述信息：

GLD          GDX          USO       spread  moving_average  
count   2033.000000  2033.000000  2033.000000  2033.000000     2019.000000   
unique          NaN          NaN          NaN          NaN             NaN   
top             NaN          NaN          NaN          NaN             NaN   
freq            NaN          NaN          NaN          NaN             NaN   
mean     138.444161    24.877939    82.818234     4.947196        4.936297   
std       24.804896     6.822558    31.199880    11.654489       11.282190   
min      100.500000    11.713412    17.040001   -26.767277      -24.238099   
25%      118.129997    20.289474    65.540001    -1.851543       -2.149600   
50%      126.139999    23.060490    84.959999     3.581103        3.482795   
75%      164.919998    30.179216    98.720001    10.767963       10.545780   
max      193.889999    42.812782   166.559998    46.173454       33.801446   

        moving_std_dev   upper_band   lower_band long_entry long_exit  
count      2019.000000  2019.000000  2019.000000       2033      2033   
unique             NaN          NaN          NaN          2         2   
top                NaN          NaN          NaN      False     False   
freq               NaN          NaN          NaN       1511      1043   
mean          2.696286     7.632582     2.240011        NaN       NaN   
std           1.618263    11.343639    11.451420        NaN       NaN   
min           0.419066   -22.795539   -27.101549        NaN       NaN   
25%           1.564900     0.601110    -4.709357        NaN       NaN   
50%           2.397069     5.720233     1.190496        NaN       NaN   
75%           3.396123    12.700594     8.270555        NaN       NaN   
max          13.845905    41.026057    29.988603        NaN       NaN   

        positions_long short_entry short_exit  positions_short    positions  
count       2019.00000        2033       2033      2018.000000  2018.000000   
unique             NaN           2          2              NaN          NaN   
top                NaN       False       True              NaN          NaN   
freq               NaN        1548       1029              NaN          NaN   
mean           0.39574         NaN        NaN        -0.376115     0.019822   
std            0.48913         NaN        NaN         0.484529     0.878659   
min            0.00000         NaN        NaN        -1.000000    -1.000000   
25%            0.00000         NaN        NaN        -1.000000    -1.000000   
50%            0.00000         NaN        NaN         0.000000     0.000000   
75%            1.00000         NaN        NaN         0.000000     1.000000   
max            1.00000         NaN        NaN         0.000000     1.000000   

        spread_difference          pnl       cumpnl
count         2032.000000  2017.000000  2017.000000
unique                NaN          NaN          NaN
top                   NaN          NaN          NaN
freq                  NaN          NaN          NaN
mean             0.004847     0.050814    36.617689
std              2.203791     1.976904    27.411697
min            -16.347592   -25.266641   -28.377081
25%             -1.100998    -0.632126    17.994602
50%              0.010404     0.000000    33.423554
75%              1.075803     0.785296    57.287054
max             25.266641    16.347592   102.491103

原因分析与解决办法 #

这两种绘图方式的核心差异在于X轴的数据源：

• df.cumpnl.plot() 会自动使用Series的原索引作为X轴，哪怕索引是非连续或带时间戳的；
• plt.plot(df.cumpnl) 则默认使用**连续整数位置（0、1、2...）**作为X轴，直接忽略原Series的索引结构。

结合你的DataFrame统计信息来看，cumpnl的有效数据量是2017，远小于整个DataFrame的2033行，说明cumpnl存在缺失值且索引可能不连续。Matplotlib原生绘图会跳过NaN但仍按连续整数排列，而Pandas绘图会保留原索引的间隔，最终导致两者的X轴对齐逻辑完全不同，图像自然差异巨大。

具体解决步骤： #

1. 统一X轴数据源：强制Matplotlib使用原索引作为X轴，和Pandas绘图保持一致：

   # Pandas绘图（默认用原索引，无需修改）
   df.cumpnl.plot()
   plt.show()
   
   # Matplotlib绘图，显式传入原索引作为X轴
   plt.plot(df.cumpnl.index, df.cumpnl)
   plt.show()
   

2. 清理缺失值：先删除cumpnl列的NaN行，保证数据索引连续：

   df_clean = df.dropna(subset=['cumpnl'])
   # 再分别绘图
   df_clean.cumpnl.plot()
   plt.show()
   
   plt.plot(df_clean.cumpnl)
   plt.show()
   

3. 处理时间索引：如果原索引是时间序列，可添加自动格式化代码优化显示：

   plt.plot(df.cumpnl.index, df.cumpnl)
   plt.gcf().autofmt_xdate() # 自动旋转日期标签，避免重叠
   plt.show()
   

执行以上操作后，两种绘图方式的输出就能保持一致了。

内容的提问来源于stack exchange，提问作者Kazien