Teradata Package for Python Function Reference | 20.00 - plot - Teradata Package for Python - Look here for syntax, methods and examples for the functions included in the Teradata Package for Python.

Teradata® Package for Python Function Reference - 20.00

Deployment
VantageCloud
VantageCore
Edition
Enterprise
IntelliFlex
VMware
Product
Teradata Package for Python
Release Number
20.00
Published
March 2024
Language
English (United States)
Last Update
2024-04-10
dita:id
TeradataPython_FxRef_Enterprise_2000
Product Category
Teradata Vantage
teradataml.dataframe.dataframe.DataFrame.plot = plot(self, x, y, scale=None, kind='line', **kwargs)
DESCRIPTION:
    Generate plots on teradataml DataFrame. Following type of plots
    are supported, which can be specified using argument "kind":
        * bar plot
        * corr plot
        * line plot
        * mesh plot
        * scatter plot
        * wiggle plot
 
PARAMETERS:
    x:
        Required Argument.
        Specifies a DataFrame column to use for the x-axis data.
        Types: teradataml DataFrame Column
 
    y:
        Required Argument.
        Specifies DataFrame column(s) to use for the y-axis data.
        Types: teradataml DataFrame Column OR list of teradataml DataFrame Columns.
 
    scale:
        Optional Argument.
        Specifies DataFrame column to use for scale data to
        wiggle and mesh plots.
        Note:
            "scale" is significant for wiggle and mesh plots. Ignored for other
            type of plots.
        Types: teradataml DataFrame Column.
 
    kind:
        Optional Argument.
        Specifies the kind of plot.
        Permitted Values:
            * 'line'
            * 'bar'
            * 'scatter'
            * 'corr'
            * 'wiggle'
            * 'mesh'
        Default Value: line
        Types: str
 
    ax:
        Optional Argument.
        Specifies the axis for the plot.
        Types: Axis
 
    cmap:
        Optional Argument.
        Specifies the name of the colormap to be used for plotting.
        Notes:
             * Significant only when corresponding type of plot is mesh or geometry.
             * Ignored for other type of plots.
        Permitted Values:
            * All the colormaps mentioned in below URLs are supported.
                * https://matplotlib.org/stable/tutorials/colors/colormaps.html
                * https://matplotlib.org/cmocean/
        Types: str
 
    color:
        Optional Argument.
        Specifies the color for the plot.
        Note:
            Hexadecimal color codes are not supported.
        Permitted Values:
            * 'blue'
            * 'orange'
            * 'green'
            * 'red'
            * 'purple'
            * 'brown'
            * 'pink'
            * 'gray'
            * 'olive'
            * 'cyan'
            * Apart from above mentioned colors, the colors mentioned in
              https://xkcd.com/color/rgb are also supported.
        Default Value: blue
        Types: str OR list of str
 
    figure:
        Optional Argument.
        Specifies the figure for the plot.
        Types: Figure
 
    figsize:
        Optional Argument.
        Specifies the size of the figure in a tuple of 2 elements. First
        element represents width of plot image in pixels and second
        element represents height of plot image in pixels.
        Default Value: (640, 480)
        Types: tuple
 
    figtype:
        Optional Argument.
        Specifies the type of the image to generate.
        Permitted Values:
            * 'png'
            * 'jpg'
            * 'svg'
        Default Value: png
        Types: str
 
    figdpi:
        Optional Argument.
        Specifies the dots per inch for the plot image.
        Note:
            * Valid range for "dpi" is: 72 <= width <= 300.
        Default Value: 100 for PNG and JPG Type image.
        Types: int
 
    grid_color:
        Optional Argument.
        Specifies the color of the grid.
        Note:
            Hexadecimal color codes are not supported.
        Permitted Values:
            * 'blue'
            * 'orange'
            * 'green'
            * 'red'
            * 'purple'
            * 'brown'
            * 'pink'
            * 'gray'
            * 'olive'
            * 'cyan'
            * Apart from above mentioned colors, the colors mentioned in
              https://xkcd.com/color/rgb are also supported.
        Default Value: gray
        Types: str
 
    grid_format:
        Optional Argument.
        Specifies the format for the grid.
        Types: str
 
    grid_linestyle:
        Optional Argument.
        Specifies the line style of the grid.
        Permitted Values:
            * -
            * --
            * -.
        Default Value: -
        Types: str
 
    grid_linewidth:
        Optional Argument.
        Specifies the line width of the grid.
        Note:
            Valid range for "grid_linewidth" is: 0.5 <= grid_linewidth <= 10.
        Default Value: 0.8
        Types: int OR float
 
    heading:
        Optional Argument.
        Specifies the heading for the plot.
        Types: str
 
    legend:
        Optional Argument.
        Specifies the legend(s) for the Plot.
        Types: str OR list of str
 
    legend_style:
        Optional Argument.
        Specifies the location for legend to display on Plot image. By default,
        legend is displayed at upper right corner.
        Permitted Values:
            * 'upper right'
            * 'upper left'
            * 'lower right'
            * 'lower left'
            * 'right'
            * 'center left'
            * 'center right'
            * 'lower center'
            * 'upper center'
            * 'center'
        Default Value: 'upper right'
        Types: str
 
    linestyle:
        Optional Argument.
        Specifies the line style for the plot.
        Permitted Values:
            * -
            * --
            * -.
            * :
        Default Value: -
        Types: str OR list of str
 
    linewidth:
        Optional Argument.
        Specifies the line width for the plot.
        Note:
            Valid range for "linewidth" is: 0.5 <= linewidth <= 10.
        Default Value: 0.8
        Types: int OR float OR list of int OR list of float
 
    marker:
        Optional Argument.
        Specifies the type of the marker to be used.
        Permitted Values:
            All the markers mentioned in https://matplotlib.org/stable/api/markers_api.html
            are supported.
        Types: str OR list of str
 
    markersize:
        Optional Argument.
        Specifies the size of the marker.
        Note:
            Valid range for "markersize" is: 1 <= markersize <= 20.
        Default Value: 6
        Types: int OR float OR list of int OR list of float
 
    position:
        Optional Argument.
        Specifies the position of the axis in the figure. Accepts a tuple
        of two elements where first element represents the row and second
        element represents column.
        Default Value: (1, 1)
        Types: tuple
 
    span:
        Optional Argument.
        Specifies the span of the axis in the figure. Accepts a tuple
        of two elements where first element represents the row and second
        element represents column.
        For Example,
            Span of (2, 1) specifies the Axis occupies 2 rows and 1 column
            in Figure.
        Default Value: (1, 1)
        Types: tuple
 
    reverse_xaxis:
        Optional Argument.
        Specifies whether to reverse tick values on x-axis or not.
        Default Value: False
        Types: bool
 
    reverse_yaxis:
        Optional Argument.
        Specifies whether to reverse tick values on y-axis or not.
        Default Value: False
        Types: bool
 
    series_identifier:
        Optional Argument.
        Specifies the teradataml DataFrame Column which represents the
        identifier for the data. As many plots as distinct "series_identifier"
        are generated in a single Axis.
        For example:
            consider the below data in teradataml DataFrame.
                   ID   x   y
                0  1    1   1
                1  1    2   2
                2  2   10  10
                3  2   20  20
            If "series_identifier" is not specified, simple plot is
            generated where every 'y' is plotted against 'x' in a
            single plot. However, specifying "series_identifier" as 'ID'
            generates two plots in a single axis. One plot is for ID 1
            and another plot is for ID 2.
        Types: teradataml DataFrame Column.
 
    style:
        Optional Argument.
        Specifies the color for the plot.
        Note:
            Hexadecimal color codes are not supported.
        Permitted Values:
            * 'blue'
            * 'orange'
            * 'green'
            * 'red'
            * 'purple'
            * 'brown'
            * 'pink'
            * 'gray'
            * 'olive'
            * 'cyan'
            * Apart from above mentioned colors, the colors mentioned in
              https://xkcd.com/color/rgb are also supported.
        Default Value: blue
        Types: str
 
    title:
        Optional Argument.
        Specifies the title for the Axis.
        Types: str
 
    xlabel:
        Optional Argument.
        Specifies the label for x-axis.
        Notes:
             * When set to empty string, label is not displayed for x-axis.
             * When set to None, name of the x-axis column is displayed as
               label.
        Types: str
 
    xlim:
        Optional Argument.
        Specifies the range for xtick values.
        Types: tuple
 
    xtick_format:
        Optional Argument.
        Specifies whether to format tick values for x-axis or not.
        Types: str
 
    ylabel:
        Optional Argument.
        Specifies the label for y-axis.
        Notes:
             * When set to empty string, label is not displayed for y-axis.
             * When set to None, name of the y-axis column(s) is displayed as
               label.
        Types: str
 
    ylim:
        Optional Argument.
        Specifies the range for ytick values.
        Types: tuple
 
    ytick_format:
        Optional Argument.
        Specifies whether to format tick values for y-axis or not.
        Types: str
 
    vmin:
        Optional Argument.
        Specifies the lower range of the color map. By default, the range
        is derived from data and color codes are assigned accordingly.
        Note:
            "vmin" significant only for Geometry Plot.
        Types: int OR float
 
    vmax:
        Optional Argument.
        Specifies the upper range of the color map. By default, the range is
        derived from data and color codes are assigned accordingly.
        Note:
            "vmax" Significant only for Geometry Plot.
        For example:
            Assuming user wants to use colormap 'matter' and derive the colors for
            values which are in between 1 and 100.
            Note:
                Colormap 'matter' starts with Pale Yellow and ends with Violet.
            * If "colormap_range" is not specified, then range is derived from
              existing values. Thus, colors are represented as below in the whole range:
              * 1 as Pale Yellow.
              * 100 as Violet.
            * If "colormap_range" is specified as -100 and 100, the value 1 is at middle of
              the specified range. Thus, colors are represented as below in the whole range:
              * -100 as Pale Yellow.
              * 1 as Orange.
              * 100 as Violet.
        Types: int OR float
 
    wiggle_fill:
        Optional Argument.
        Specifies whether to fill the wiggle area or not. By default, the right
        positive half of the wiggle is not filled. If specified as True, wiggle
        area is filled.
        Note:
            Applicable only for the wiggle plot.
        Default Value: False
        Types: bool
 
    wiggle_scale:
        Optional Argument.
        Specifies the scale of the wiggle. By default, the amplitude of wiggle is scaled
        relative to RMS of the first payload.  In certain cases, it can lead to excessively
        large wiggles. Use "wiggle_scale" to adjust the relative size of the wiggle.
        Note:
            Applicable only for the wiggle and mesh plots.
        Types: int OR float
 
    ignore_nulls:
        Optional Argument.
        Specifies whether to delete rows with null values or not present in 'x', 'y' and
        'scale' params.
        Default Value: False
        Types: bool
 
 
RAISES:
    TeradataMlException
 
EXAMPLES:
    # Load example data.
    >>> load_example_data("movavg", "ibm_stock")
    >>> load_example_data("uaf", ["waveletTable", "us_air_pass"])
    >>> load_example_data("teradataml", "iris_input")
 
    # Create teradataml DataFrame objects.
    >>> ibm_stock = DataFrame("ibm_stock")
    >>> mesh = DataFrame("waveletTable")
    >>> us_air_pass = DataFrame("us_air_pass")
    >>> iris_input = DataFrame("iris_input")
 
    # Example 1: Line Plot - This example creates simple line plot
    # and composite line plot with 2 columns in y-axis.
 
    # Print the DataFrame.
    >>> print(ibm_stock)
        name    period  stockprice
    id
    244  ibm  62/05/04       475.0
    101  ibm  61/10/10       557.0
    284  ibm  62/07/02       350.0
    141  ibm  61/12/07       577.0
    120  ibm  61/11/06       592.0
    303  ibm  62/07/30       376.0
    263  ibm  62/06/01       364.0
    305  ibm  62/08/01       385.0
    122  ibm  61/11/08       596.0
    265  ibm  62/06/05       370.0
 
    # Simple Line Plot.
    >>> plot =  ibm_stock.plot(x=ibm_stock.period, y=ibm_stock.stockprice,
                               title="period vs stockprice",
                               heading="Simple Line Plot")
 
    # Display the plot.
    >>> plot.show()
 
    simple_line.png
 
    # Composite Line Plot.
    >>> figure = Figure(width=800, height=900, image_type="jpg",
                        heading="Composite Line Plot")
 
    # Print the DataFrame.
    >>> print(ibm_stock)
        name    period  stockprice
    id
    244  ibm  62/05/04       475.0
    101  ibm  61/10/10       557.0
    284  ibm  62/07/02       350.0
    141  ibm  61/12/07       577.0
    120  ibm  61/11/06       592.0
    303  ibm  62/07/30       376.0
    263  ibm  62/06/01       364.0
    305  ibm  62/08/01       385.0
    122  ibm  61/11/08       596.0
    265  ibm  62/06/05       370.0
 
    >>> n1 = ibm_stock.assign(n=ibm_stock.stockprice * 2)
    >>> plot =  n1.plot(x=n1.period, y=[n1.stockprice, n1.n],
                        color=['dark orange', 'sand'], figure=figure)
 
    # Display the plot.
    >>> plot.show()
 
    composite_line.jpeg
 
    # Example 2: Bar Plot - This example creates simple bar plot
    # and composite bar plot with 2 columns in y-axis.
 
    # Print the DataFrame.
    >>> print(ibm_stock)
        name    period  stockprice
    id
    244  ibm  62/05/04       475.0
    101  ibm  61/10/10       557.0
    284  ibm  62/07/02       350.0
    141  ibm  61/12/07       577.0
    120  ibm  61/11/06       592.0
    303  ibm  62/07/30       376.0
    263  ibm  62/06/01       364.0
    305  ibm  62/08/01       385.0
    122  ibm  61/11/08       596.0
    265  ibm  62/06/05       370.0
 
    # Simple Bar Plot.
    >>> plot =  ibm_stock.plot(x=ibm_stock.period, y=ibm_stock.stockprice,
                           kind='bar', xtick_format='MMM', ytick_format='9,99.99',
                           xlabel='xlabel', ylabel='ylabel', color="orange")
 
    # Display the plot.
    >>> plot.show()
 
    simple_bar.jpeg
 
    # Composite Bar Plot.
    # Import Figure.
    >>> from teradataml import Figure
    >>> figure = Figure(width=800, height=900, image_type="jpg", heading="Heading")
 
    # Print the DataFrame.
    >>> print(us_air_pass)
      TD_TIMECODE  id  idx  international  domestic
    0    17/11/01   0   10           7.72     61.91
    1    18/01/01   0   12           8.60     55.83
    2    18/02/01   0   13           7.64     54.08
    3    17/01/01   0    0           8.51     54.11
    4    17/03/01   0    2           9.00     63.96
    5    17/04/01   0    3           9.16     61.10
    6    17/05/01   0    4           9.24     64.44
    7    17/06/01   0    5          10.26     66.75
    8    17/02/01   0    1           7.30     51.08
    9    17/12/01   0   11           8.96     61.37
 
    >>> plot =  us_air_pass.plot(x=us_air_pass.idx, y=[us_air_pass.international, us_air_pass.domestic],
                                 kind='bar', color=['blue', 'red'], figure=figure,
                                 heading="Composite Bar Plot", figsize=(1200, 1100))
 
    # Display the plot.
    >>> plot.show()
 
    composite_bar.jpeg
 
    # Example 3: Scatter Plot - This example creates simple scatter plot
    # and composite scatter plot with 2 columns in y-axis.
 
    # Print the DataFrame.
    >>> print(iris_input)
         sepal_length  sepal_width  petal_length  petal_width  species
    id
    141           6.7          3.1           5.6          2.4        3
    99            5.1          2.5           3.0          1.1        2
    17            5.4          3.9           1.3          0.4        1
    139           6.0          3.0           4.8          1.8        3
    15            5.8          4.0           1.2          0.2        1
    137           6.3          3.4           5.6          2.4        3
    118           7.7          3.8           6.7          2.2        3
    120           6.0          2.2           5.0          1.5        3
    101           6.3          3.3           6.0          2.5        3
    122           5.6          2.8           4.9          2.0        3
 
    # Simple Scatter Plot.
    >>> plot =  plot = iris_input.plot(x=iris_input.sepal_length, y=iris_input.petal_length,
                                       kind='scatter', xlabel='sepal_length',
                                       ylabel='petal_length',
                                       color="red", grid_color='black',
                                       grid_linewidth=1, grid_linestyle="-",
                                       marker="p", marker_size=1,
                                       title="Scatter plot of sepal_length vs petal_length")
    # Display the plot.
    >>> plot.show()
 
    simple_scatter_iris.png
 
    # Composite Scatter Plot.
    # Create DataFrame objects for species 1, 2, 3.
    >>> iris_sp1 = iris_input[iris_input.species == 1]
    >>> iris_sp2 = iris_input[iris_input.species == 2]
    >>> iris_sp3 = iris_input[iris_input.species == 3]
 
    # Print the DataFrames.
    >>> print(iris_sp1)
        sepal_length  sepal_width  petal_length  petal_width  species
    id
    38           4.9          3.6           1.4          0.1        1
    7            4.6          3.4           1.4          0.3        1
    26           5.0          3.0           1.6          0.2        1
    17           5.4          3.9           1.3          0.4        1
    34           5.5          4.2           1.4          0.2        1
    13           4.8          3.0           1.4          0.1        1
    32           5.4          3.4           1.5          0.4        1
    11           5.4          3.7           1.5          0.2        1
    15           5.8          4.0           1.2          0.2        1
    36           5.0          3.2           1.2          0.2        1
 
    >>> print(iris_sp2)
        sepal_length  sepal_width  petal_length  petal_width  species
    id
    59           6.6          2.9           4.6          1.3        2
    57           6.3          3.3           4.7          1.6        2
    97           5.7          2.9           4.2          1.3        2
    99           5.1          2.5           3.0          1.1        2
    51           7.0          3.2           4.7          1.4        2
    70           5.6          2.5           3.9          1.1        2
    89           5.6          3.0           4.1          1.3        2
    68           5.8          2.7           4.1          1.0        2
    53           6.9          3.1           4.9          1.5        2
    78           6.7          3.0           5.0          1.7        2
 
    >>> print(iris_sp3)
         sepal_length  sepal_width  petal_length  petal_width  species
    id
    133           6.4          2.8           5.6          2.2        3
    131           7.4          2.8           6.1          1.9        3
    110           7.2          3.6           6.1          2.5        3
    122           5.6          2.8           4.9          2.0        3
    141           6.7          3.1           5.6          2.4        3
    120           6.0          2.2           5.0          1.5        3
    139           6.0          3.0           4.8          1.8        3
    118           7.7          3.8           6.7          2.2        3
    101           6.3          3.3           6.0          2.5        3
    112           6.4          2.7           5.3          1.9        3
 
    # Import subplots.
    >>> from teradataml import subplots
 
    # Function to create a figure and a set of subplots.
    # The function makes it convenient to create common layouts of subplots,
    # including the enclosing figure object.
    # This will help to create a figure with 3 subplots in 1 row.
    # fig and axes is passed to plot().
    >>> fig, axes = subplots(nrows=1, ncols=3)
 
    >>> p = iris_sp1.plot(x=iris_sp1.sepal_length, y=iris_sp1.petal_length,
                          ax=axes[0], xlim=(0,10), ylim=(0,8),
                          figure=fig, kind="scatter",
                          title="Scatter plot of species 1: Sepal Length v/s Petal Length", color="blue", marker="*")
 
    >>> p = iris_sp2.plot(x=iris_sp2.sepal_length, y=iris_sp2.petal_length,
                          ax=axes[1], xlim=(0,10), ylim=(0,8),
                          figure=fig, kind="scatter",
                          title="Scatter plot of species 2: Sepal Length v/s Petal Length", color="red", marker="p")
 
    >>> p = iris_sp3.plot(x=iris_sp3.sepal_length, y=iris_sp3.petal_length,
                          ax=axes[2], xlim=(0,10), ylim=(0,8),
                          figure=fig, kind="scatter",
                          title="Scatter plot of species 3: Sepal Length v/s Petal Length", color="orange", marker="1")
 
    # Display the plot.
    >>> plot.show()
 
    scatter_iris.png
 
    # Example 4: Mesh Plot - This example creates simple mesh plot.
 
    # Print the DataFrame.
    >>> print(mesh)
           x      t      y             c
    ID
    a   94.0  800.0  701.0 -2.034400e-22
    a   94.0  800.0  702.0 -4.217551e-22
    a   94.0  800.0  702.5 -5.192715e-22
    a   94.0  800.0  703.0 -5.182389e-22
    a   94.0  800.0  704.0  5.473949e-22
    a   94.0  800.0  704.5  2.389177e-21
    a   94.0  800.0  703.5 -2.592409e-22
    a   94.0  800.0  701.5 -3.051780e-22
    a   94.0  800.0  700.5 -1.266145e-22
    a   94.0  800.0  700.0 -7.378603e-23
 
    # Simple Mesh Plot.
    >>> plot =  mesh.plot(x=mesh.x, y=mesh.y, scale=mesh.c,
                          kind='mesh', cmap='ice', vmin=-0.5,
                          vmax=0.5)
 
    # Display the plot.
    >>> plot.show()
 
    simple_mesh.png
 
    # Example 5: Wiggle Plot - This example creates simple wiggle plot.
 
    # Simple Wiggle Plot.
 
    # Create teradataml DataFrame object.
    >>> wiggle = DataFrame("waveletTable")
 
    # Print the DataFrame.
    >>> print(wiggle)
           x      t      y             c
    ID
    a   94.0  800.0  701.0 -2.034400e-22
    a   94.0  800.0  702.0 -4.217551e-22
    a   94.0  800.0  702.5 -5.192715e-22
    a   94.0  800.0  703.0 -5.182389e-22
    a   94.0  800.0  704.0  5.473949e-22
    a   94.0  800.0  704.5  2.389177e-21
    a   94.0  800.0  703.5 -2.592409e-22
    a   94.0  800.0  701.5 -3.051780e-22
    a   94.0  800.0  700.5 -1.266145e-22
    a   94.0  800.0  700.0 -7.378603e-23
 
    >>> plot =  wiggle.plot(x=wiggle.x, y=wiggle.y, scale=wiggle.c, kind='wiggle')
 
    # Display the plot.
    >>> plot.show()
 
    simple_wiggle.png
 
    # Examples for subplot.
    # Example 1: This example creates a figure with subplot with scatter plots.
 
    # Load example data.
    >>> load_example_data("uaf", "house_values")
 
    # Create teradataml DataFrame objects.
    >>> house_values = DataFrame("house_values")
 
    # Print the DataFrame.
    >>> print(house_values)
                           TD_TIMECODE  house_val    salary  mortgage
    cityid
    33      2020-07-01 08:00:00.000000    66000.0   29000.0     0.039
    33      2020-04-01 08:00:00.000000    80000.0   22000.0     0.029
    33      2020-05-01 08:00:00.000000   184000.0   49000.0     0.030
    33      2020-06-01 08:00:00.000000   320000.0  112000.0     0.017
    33      2020-09-01 08:00:00.000000   195000.0   72000.0     0.049
    33      2020-10-01 08:00:00.000000   134000.0   89000.0     0.045
    33      2020-11-01 08:00:00.000000   198000.0   49000.0     0.052
    33      2020-08-01 08:00:00.000000   144000.0   74000.0     0.034
    33      2020-03-01 08:00:00.000000   220000.0   76000.0     0.035
    33      2020-02-01 08:00:00.000000   144000.0   50000.0     0.040
 
    # Import subplots.
    >>> from teradataml import subplots
 
    # This will help to create a figure with 2 subplots in 1 row.
    # fig and axes is passed to plot().
    >>> fig, axes = subplots(nrows=1, ncols=2)
 
    # Create plot with house_val, salary and salary and mortgage.
    >>> plot =  house_values.plot(x=house_values.house_val, y=house_values.salary,
                                  ax=axes[0], figure=fig, kind="scatter",
                                  xlim=(100000,250000), ylim=(25000, 100000),
                                  title="Scatter plot of House Val v/s Salary",
                                  color="green")
    >>> plot =  house_values.plot(x=house_values.salary, y=house_values.mortgage,
                                  ax=axes[1], figure=fig, kind="scatter",
                                  title="Scatter plot of House Val v/s Mortgage",
                                  color="red")
 
    # Show the plot.
    >>> plot.show()
 
    subplot_1.png
 
    Example 2:
    # Subplot with grid. This will generate a figure with 2 subplots in first row
    # first column and second column respectively and 1 subplot in second row.
    >>> fig, axes = subplots(grid = {(1, 1): (1, 1), (1, 2): (1, 1),
                                     (2, 1): (1, 2)})
 
    # Print the DataFrame.
    >>> print(house_values)
                           TD_TIMECODE  house_val    salary  mortgage
    cityid
    33      2020-07-01 08:00:00.000000    66000.0   29000.0     0.039
    33      2020-04-01 08:00:00.000000    80000.0   22000.0     0.029
    33      2020-05-01 08:00:00.000000   184000.0   49000.0     0.030
    33      2020-06-01 08:00:00.000000   320000.0  112000.0     0.017
    33      2020-09-01 08:00:00.000000   195000.0   72000.0     0.049
    33      2020-10-01 08:00:00.000000   134000.0   89000.0     0.045
    33      2020-11-01 08:00:00.000000   198000.0   49000.0     0.052
    33      2020-08-01 08:00:00.000000   144000.0   74000.0     0.034
    33      2020-03-01 08:00:00.000000   220000.0   76000.0     0.035
    33      2020-02-01 08:00:00.000000   144000.0   50000.0     0.040
 
    # Create plot with house_val, salary and salary and mortgage.
    >>> plot =  house_values.plot(x=house_values.house_val, y=house_values.salary,
                                  ax=axes[0], figure=fig, kind="scatter",
                                  title="Scatter plot of House Val v/s Salary",
                                  color="green")
    >>> plot =  house_values.plot(x=house_values.salary, y=house_values.mortgage,
                                  ax=axes[1], figure=fig, kind="scatter",
                                  title="Scatter plot of Salary v/s Mortgage",
                                  color="red")
    >>> plot =  house_values.plot(x=house_values.salary, y=house_values.mortgage,
                                  ax=axes[2], figure=fig, kind="scatter",
                                  title="Scatter plot of House Val v/s Mortgage",
                                  color="blue")
    # Show the plot.
    >>> plot.show()
 
    subplot_grid.png