优雅的解决方案是：

• 将DataFrame中的 Dates 列设置为索引。
• 创建一个具有所需数量的子图（在您的案例中为4）的图形，调用 plt.subplots。
• 从DataFrame绘制一个图，传递：
• ax -* 子图 * 的 ax 结果（这里是 Axes 对象的数组，而不是单个 Axes），
• subplots=True -在单独的子图中绘制每列。

代码如下：

fig, a = plt.subplots(2, 2, figsize=(12, 6), tight_layout=True)
df.plot(ax=a, subplots=True, rot=60);

为了测试上面的代码，我创建了以下DataFrame：

np.random.seed(1)
ind = pd.date_range('2005-01-01', '2006-12-31', freq='7D')
df = pd.DataFrame(np.random.rand(ind.size, 4),
    index=ind, columns=['ES1', 'Z 1', 'VG1', 'NK1'])

得到了下面的图片：

由于我的测试数据是随机的，我假设“7天”的频率，使图片没有太多的“混乱”。在您的真实的数据的情况下，考虑例如使用“7 D”频率和 mean（） 聚合函数进行重新排序。

• 我认为更简洁的选择是不要做太多的框架，这会造成不必要的工作和复杂性。
• 绘制数据是关于为plot API塑造框架的
• 在这种情况下，一个更好的选择是使用.melt从宽格式转换为长（整洁）格式。
• 这会将所有标签放在一列中，将值放在另一列中
• 使用seaborn.relplot，它可以从一个长格式的框架创建一个FacetGrid。
• seaborn是matplotlib的高级API，使绘图变得更加容易。
• 如果框架包含许多股票，但只有少数股票需要绘制，则可以使用布尔索引来选择它们

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# import data from excel, or setup test dataframe
data = {'Dates': ['2005-01-04', '2005-01-05', '2005-01-06', '2005-01-07', '2005-01-11', '2020-09-16', '2020-09-17', '2020-09-18', '2020-09-23', '2020-09-24'],
        'ES1': [-0.0126, -0.0065, 0.0042, -0.0017, -0.0065, -0.0046, -0.0083, -0.0024, -0.0206, 0.0021],
        'Z 1': [0.0077, -0.0057, 0.0017, 0.0061, -0.004, -0.0065, -0.0034, -0.0009, 0.0102, -0.0136],
        'VG1': [-0.003, 0.0007, 0.0051, 0.001, -0.0147, -0.0003, -0.0039, -0.0009, 0.0022, -0.0073],
        'NK1': [0.0052, -0.0095, 0.0044, -0.0009, 0.007, -0.0009, -0.0086, 0.0052, -0.0013, -0.0116]}

df = pd.DataFrame(data)

# cleanup the column names
df = df.rename(columns={'Dates': 'Date', 'ES1': 'Eminis', 'Z 1': 'FTSE', 'VG1': 'Stoxx','NK1': 'Nikkei'})

# set Date to a datetime
df.Date = pd.to_datetime(df.Date)

# convert from wide to long format
dfm = df.melt(id_vars='Date', var_name='Stock', value_name='val')

# to select only a subset of values from Stock, to plot, select them with Boolean indexing
df_select = dfm[dfm.Stock.isin(['Eminis', 'FTSE', 'Stoxx', 'Nikkei'])]`

# df_select.head()
        Date   Stock     val
0 2005-01-04  Eminis -0.0126
1 2005-01-04    FTSE  0.0077
2 2005-01-04   Stoxx -0.0030
3 2005-01-04  Nikkei  0.0052
4 2005-01-05  Eminis -0.0065

# plot
g = sns.relplot(data=df_select, x='Date', y='val', col='Stock', col_wrap=2, kind='line')

我到底做错了什么

• 当前的实现效率低下，有许多不正确的方法调用和未定义的变量。
• Date未为x = Date定义
• y2 = Notes：Notes未定义
• .line不是plt方法，并导致AttributeError;它应该是plt.plot
• y1 - y4是DataFrames，但传递给y轴的plot方法，这会导致TypeError: unhashable type: 'numpy.ndarray';一列应该作为y传递。
• .legends不是一个方法;它是.legend
• 如果需要，必须为每个子图显示图例。

Eminis = df[['Date','Eminis']]
FTSE = df[['Date','FTSE']]
Stoxx = df[['Date','Stoxx']]
Nikkei = df[['Date','Nikkei']]

# create multiple plots via plt.subplots(rows,columns)
fig, axes = plt.subplots(2,2, figsize=(20,15))
x = df.Date
y1 = Eminis.Eminis
y2 = FTSE.FTSE
y3 = Stoxx.Stoxx
y4 = Nikkei.Nikkei

# one plot on each subplot
axes[0][0].plot(x,y1, label='Eminis')
axes[0][0].legend()
axes[0][1].plot(x,y2, label='FTSE')
axes[0][1].legend()
axes[1][0].plot(x,y3, label='Stoxx')
axes[1][0].legend()
axes[1][1].plot(x,y4, label='Nikkei')
axes[1][1].legend()

plt.show()