Pandas万花筒:让绘图变得更美观

栏目: IT技术 · 发布时间: 4年前

内容简介:本文转载自公众号“读芯术”(ID:AI_Discovery)。流行 Python 数据分析库 Pandas 中的绘图功能一直是迅速绘制图表的首选之一。但是,其可用的可视化效果总是十分粗略,实用有余、美观不足。笔者常用 Pandas 的绘图功能快速地执行一些可视的数据探索,但在介绍数据洞察时,我会使用“更美观”的绘图库(如 Plotly 或 Bokeh )来重做可视化。

本文转载自公众号“读芯术”(ID:AI_Discovery)。

流行 Python 数据分析库 Pandas 中的绘图功能一直是迅速绘制图表的首选之一。但是,其可用的可视化效果总是十分粗略,实用有余、美观不足。

笔者常用 Pandas 的绘图功能快速地执行一些可视的数据探索,但在介绍数据洞察时,我会使用“更美观”的绘图库(如 Plotly 或 Bokeh )来重做可视化。

自最新的 Pandas 版本0.25.3发布后,无需这样做了,现在我们可以使用第三方可视化库作为 Pandas 绘图功能的后端。Plotly是一款基于 web 实现交互式可视化的流行Python库,其最近发布了 Pandas绘图后端。

来看看如何使用 Plotly 和 Bokeh 后端创建更丰富的可视化效果。

Pandas万花筒:让绘图变得更美观

使用不同的后端

想要激活绘图功能的不同后端需在导入 pandas 后,添加此行代码:

pd.options.plotting.backend = 'plotly' 

当前可用的后端有:

  • Plotly
  • Holoviews
  • Matplotlib
  • Pandas _bokeh
  • Hyplot

Plotly后端

Plotly是一个 Python库,其支持丰富的交互式可视化效果。Plotly包的好处之一在于它是在库的 Javascript 版本之上构建的,这意味着图表会基于Web,可以显示为 HTML 文件或嵌入到基于Python的Web应用程序中。用户还可以将可视化内容下载为高质量的图像文件,以便在文档或论文中使用。

下面来浏览一些Plotly作为Pandas绘图后端的快速示例。

如果还没有安装Plotly ,则需要使用pip intsall plotly来安装。如果是在Jupyterlab中使用 Plotly ,则需要额外执行几个安装步骤来显示可视化效果。首先,安装IPywaidgets:

pipenv install jupyterlab " ipywidgets>=7.5" 
pip install jupyterlab "ipywidgets>=7.5" 

然后运行以下命令以安装Plotly扩展:

jupyter labextension install jupyterlab-plotly@4.8.1 

为了说明绘图后端的用法,使用openml.org名为“wine(葡萄酒)”的数据集。

import pandas as pd 
      import numpy as np 
             from sklearn.datasets import fetch_openml 
             pd.options.plotting.backend ='plotly' 
             X,y = fetch_openml("wine",  version=1, as_frame= True,  return_X_y= True) 
      data =  pd.concat([X,y],  axis=1) 
      data.head() 

该数据集由各类葡萄酒的多个特征和相应的标签组成。下图显示了数据集的前几行。

Pandas万花筒:让绘图变得更美观

绘图功能的工作方式与标准Pandas绘图功能的工作方式大致相同,只是现在可视化效果同Plotly一样丰富。下面的代码绘制了数据集中两个特征之间的关系。

fig =  data[['Alcohol', 'Proline']].plot.scatter( y='Alcohol', x='Proline') 
fig.show() 

Pandas万花筒:让绘图变得更美观

Pandas万花筒:让绘图变得更美观

可以通过组合 Pandas 的groupby函数创建一个柱状图来总结类之间的平均色调差异:

data[['Hue','class']].groupby(['class']).mean().plot.bar() 

Pandas万花筒:让绘图变得更美观

将类添加到之前创建的散点图中。使用Plotly,可以轻松地给每个类使用不同的颜色,以便直观地区分:

fig =  data[['Alcohol', 'Proline']].plot.scatter( y='Alcohol', x='Proline') 
                                      fig.show() 

Pandas万花筒:让绘图变得更美观

Bokeh 后端

Bokeh 也可以提供丰富交互式可视化效果。其可视化图表可以在 Web 浏览器中查看,嵌入到 Web应用程序中或用于创建交互式仪表板。Bokeh 甚至有一个流式 API,可以为流数据(如金融市场数据)创建实时可视化图表。

库可以通过pip来安装:

pip install pandas-bokeh 

要在 Jupyterlab中显示 Bokeh的可视化效果,需要安装两个新的扩展:

jupyter labextension install @jupyter-widgets/jupyterlab-managerjupyterlabextension install @bokeh/jupyter_bokeh 

使用 Bokeh 后端重新创建之前的散点图:

pd.options.plotting.backend ='pandas_bokeh' 
             import pandas_bokeh 
                            from bokeh.io import output_notebook 
                            from bokeh.plotting import figure, show 
             output_notebook() 
                            p1= data.plot_bokeh.scatter( x='Hue', 
                                                          y='Proline', 
                                                          category='class', 
                                                          title='Proline and Hue by wine class', 
                                                          show_figure= False) 
                            show(p1) 

可视化效果如下:

Pandas万花筒:让绘图变得更美观

Bokeh 有一个plot_grid函数,可为多个图表创建仪表板式布局。下面的代码在网格布局中创建四个图表:

output_notebook() 
             p1 = data.plot_bokeh.scatter( x='Hue', 
                                               y='Proline', 
                                               category='class', 
                                               title='Proline and Hue by wine class', 
                                               show_figure= False) 
    
                                   p2 = data[['Hue','class']].groupby(['class']).mean().plot.bar( title='Mean Hue per Class') 
             df_hue =  pd.DataFrame({ 
                     'class_1': data[data['class'] =='1']['Hue'], 
                     'class_2': data[data['class'] =='2']['Hue'], 
                     'class_3': data[data['class'] =='3']['Hue']}, 
                     columns=['class_1', 'class_2', 'class_3']) 
             p3 = df_hue.plot_bokeh.hist( title='Distribution perClass: Hue') 
             df_proline =  pd.DataFrame({ 
                     'class_1': data[data['class'] =='1']['Proline'], 
                     'class_2': data[data['class'] =='2']['Proline'], 
                     'class_3': data[data['class'] =='3']['Proline']}, 
                     columns=['class_1', 'class_2', 'class_3']) 
             p4 =df_proline.plot_bokeh.hist( title='Distribution per Class: Proline') 
             pandas_bokeh.plot_grid([[p1, p2], 
                                         [p3, p4]], plot_width=450) 

Pandas万花筒:让绘图变得更美观

为内置的Pandas绘图功能添加多个第三方后端,这大大增强了该库用于数据可视化的能力。从此之后,pandas就可以集美貌与实用于一身啦。


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

C语言从入门到精通

C语言从入门到精通

王娣//韩旭 / 清华大学 / 2010-7 / 49.80元

《C语言从入门到精通》从初学者的角度出发,以通俗易懂的语言,丰富多彩的实例,详细介绍了使用C语言进行程序开发应该掌握的各方面知识。全书共分17章,包括C语言概述,算法,数据类型,运算符与表达式,常用的数据输入、输出函数,选择结构程序设计,循环控制,数组,函数,指针,结构体和共用体,位运算,预处理,文件,存储管理,网络套接字编程和学生成绩管理系统等。所有知识都结合具体实例进行介绍,涉及的程序代码给出......一起来看看 《C语言从入门到精通》 这本书的介绍吧!

随机密码生成器
随机密码生成器

多种字符组合密码

Base64 编码/解码
Base64 编码/解码

Base64 编码/解码

MD5 加密
MD5 加密

MD5 加密工具