您好,登錄后才能下訂單哦!
這篇文章主要講解了“有哪些流行的Python可視化工具包”,文中的講解內(nèi)容簡(jiǎn)單清晰,易于學(xué)習(xí)與理解,下面請(qǐng)大家跟著小編的思路慢慢深入,一起來(lái)研究和學(xué)習(xí)“有哪些流行的Python可視化工具包”吧!
Matplotlib、Seaborn 和 Pandas
把這三個(gè)包放在一起有幾個(gè)原因:首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的,當(dāng)你在用 Seaborn 或 Pandas 中的 df.plot() 時(shí),用的其實(shí)是別人用 Matplotlib 寫(xiě)的代碼。因此,這些圖在美化方面是相似的,自定義圖時(shí)用的語(yǔ)法也都非常相似。
當(dāng)提到這些可視化工具時(shí),我想到三個(gè)詞:探索(Exploratory)、數(shù)據(jù)(Data)、分析(Analysis)。這些包都很適合第一次探索數(shù)據(jù),但要做演示時(shí)用這些包就不夠了。
Matplotlib 是比較低級(jí)的庫(kù),但它所支持的自定義程度令人難以置信(所以不要簡(jiǎn)單地將其排除在演示所用的包之外?。?,但還有其它更適合做展示的工具。
Matplotlib 還可以選擇樣式(style selection),它模擬了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相關(guān)工具所做的示例圖:
在處理籃球隊(duì)薪資數(shù)據(jù)時(shí),我想找出薪資中位數(shù)最高的團(tuán)隊(duì)。為了展示結(jié)果,我將每個(gè)球隊(duì)的工資用顏色標(biāo)成條形圖,來(lái)說(shuō)明球員加入哪一支球隊(duì)才能獲得更好的待遇。
import seaborn as sns import matplotlib.pyplot as plt color_order = ['xkcd:cerulean', 'xkcd:ocean', 'xkcd:black','xkcd:royal purple', 'xkcd:royal purple', 'xkcd:navy blue', 'xkcd:powder blue', 'xkcd:light maroon', 'xkcd:lightish blue','xkcd:navy'] sns.barplot(x=top10.Team, y=top10.Salary, palette=color_order).set_title('Teams with Highest Median Salary') plt.ticklabel_format(style='sci', axis='y', scilimits=(0,0))
第二個(gè)圖是回歸實(shí)驗(yàn)殘差的 Q-Q 圖。這張圖的主要目的是展示如何用盡量少的線(xiàn)條做出一張有用的圖,當(dāng)然也許它可能不那么美觀。
import matplotlib.pyplot as plt import scipy.stats as stats #model2 is a regression model log_resid = model2.predict(X_test)-y_test stats.probplot(log_resid, dist="norm", plot=plt) plt.title("Normal Q-Q plot") plt.show()
最終證明,Matplotlib 及其相關(guān)工具的效率很高,但就演示而言它們并不是最好的工具。
ggplot(2)
你可能會(huì)問(wèn),「Aaron,ggplot 是 R 中最常用的可視化包,但你不是要寫(xiě) Python 的包嗎?」。人們已經(jīng)在 Python 中實(shí)現(xiàn)了 ggplot2,復(fù)制了這個(gè)包從美化到語(yǔ)法的一切內(nèi)容。
在我看過(guò)的所有材料中,它的一切都和 ggplot2 很像,但這個(gè)包的好處是它依賴(lài)于 Pandas Python 包。不過(guò) Pandas Python 包最近棄用了一些方法,導(dǎo)致 Python 版本不兼容。
如果你想在 R 中用真正的 ggplot(除了依賴(lài)關(guān)系外,它們的外觀、感覺(jué)以及語(yǔ)法都是一樣的),我在另外一篇文章中對(duì)此進(jìn)行過(guò)討論。
也就是說(shuō),如果你一定要在 Python 中用 ggplot,那你就必須要安裝 0.19.2 版的 Pandas,但我建議你最好不要為了使用較低級(jí)的繪圖包而降低 Pandas 的版本。
ggplot2(我覺(jué)得也包括 Python 的 ggplot)舉足輕重的原因是它們用「圖形語(yǔ)法」來(lái)構(gòu)建圖片?;厩疤崾悄憧梢詫?shí)例化圖,然后分別添加不同的特征;也就是說(shuō),你可以分別對(duì)標(biāo)題、坐標(biāo)軸、數(shù)據(jù)點(diǎn)以及趨勢(shì)線(xiàn)等進(jìn)行美化。
下面是 ggplot 代碼的簡(jiǎn)單示例。我們先用 ggplot 實(shí)例化圖,設(shè)置美化屬性和數(shù)據(jù),然后添加點(diǎn)、主題以及坐標(biāo)軸和標(biāo)題標(biāo)簽。
#All Salaries ggplot(data=df, aes(x=season_start, y=salary, colour=team)) + geom_point() + theme(legend.position="none") + labs(title = 'Salary Over Time', x='Year', y='Salary ($)')
Bokeh
Bokeh 很美。從概念上講,Bokeh 類(lèi)似于 ggplot,它們都是用圖形語(yǔ)法來(lái)構(gòu)建圖片,但 Bokeh 具備可以做出專(zhuān)業(yè)圖形和商業(yè)報(bào)表且便于使用的界面。為了說(shuō)明這一點(diǎn),我根據(jù) 538 Masculinity Survey 數(shù)據(jù)集寫(xiě)了制作直方圖的代碼:
import pandas as pd from bokeh.plotting import figure from bokeh.io import show # is_masc is a one-hot encoded dataframe of responses to the question: # "Do you identify as masculine?" #Dataframe Prep counts = is_masc.sum() resps = is_masc.columns #Bokeh p2 = figure(title='Do You View Yourself As Masculine?', x_axis_label='Response', y_axis_label='Count', x_range=list(resps)) p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black') show(p2) #Pandas counts.plot(kind='bar')
用 Bokeh 表示調(diào)查結(jié)果
紅色的條形圖表示 538 個(gè)人關(guān)于「你認(rèn)為自己有男子漢氣概嗎?」這一問(wèn)題的答案。9~14 行的 Bokeh 代碼構(gòu)建了優(yōu)雅且專(zhuān)業(yè)的響應(yīng)計(jì)數(shù)直方圖——字體大小、y 軸刻度和格式等都很合理。
我寫(xiě)的代碼大部分都用于標(biāo)記坐標(biāo)軸和標(biāo)題,以及為條形圖添加顏色和邊框。在制作美觀且表現(xiàn)力強(qiáng)的圖片時(shí),我更傾向于使用 Bokeh——它已經(jīng)幫我們完成了大量美化工作。
用 Pandas 表示相同的數(shù)據(jù)
藍(lán)色的圖是上面的第 17 行代碼。這兩個(gè)直方圖的值是一樣的,但目的不同。在探索性設(shè)置中,用 Pandas 寫(xiě)一行代碼查看數(shù)據(jù)很方便,但 Bokeh 的美化功能非常強(qiáng)大。
Bokeh 提供的所有便利都要在 matplotlib 中自定義,包括 x 軸標(biāo)簽的角度、背景線(xiàn)、y 軸刻度以及字體(大小、斜體、粗體)等。下圖展示了一些隨機(jī)趨勢(shì),其自定義程度更高:使用了圖例和不同的顏色和線(xiàn)條。
Bokeh 還是制作交互式商業(yè)報(bào)表的絕佳工具。
Plotly
Plotly 非常強(qiáng)大,但用它設(shè)置和創(chuàng)建圖形都要花費(fèi)大量時(shí)間,而且都不直觀。在用 Plotly 忙活了大半個(gè)上午后,我?guī)缀跏裁炊紱](méi)做出來(lái),干脆直接去吃飯了。我只創(chuàng)建了不帶坐標(biāo)標(biāo)簽的條形圖,以及無(wú)法刪掉線(xiàn)條的「散點(diǎn)圖」。Ploty 入門(mén)時(shí)有一些要注意的點(diǎn):
安裝時(shí)要有 API 秘鑰,還要注冊(cè),不是只用 pip 安裝就可以;
Plotly 所繪制的數(shù)據(jù)和布局對(duì)象是獨(dú)一無(wú)二的,但并不直觀;
圖片布局對(duì)我來(lái)說(shuō)沒(méi)有用(40 行代碼毫無(wú)意義!)
但它也有優(yōu)點(diǎn),而且設(shè)置中的所有缺點(diǎn)都有相應(yīng)的解決方法:
你可以在 Plotly 網(wǎng)站和 Python 環(huán)境中編輯圖片;
支持交互式圖片和商業(yè)報(bào)表;
Plotly 與 Mapbox 合作,可以自定義地圖;
很有潛力繪制優(yōu)秀圖形。
以下是我針對(duì)這個(gè)包編寫(xiě)的代碼:
#plot 1 - barplot # **note** - the layout lines do nothing and trip no errors data = [go.Bar(x=team_ave_df.team, y=team_ave_df.turnovers_per_mp)] layout = go.Layout( title=go.layout.Title( text='Turnovers per Minute by Team', xref='paper', x=0 ), xaxis=go.layout.XAxis( title = go.layout.xaxis.Title( text='Team', font=dict( family='Courier New, monospace', size=18, color='#7f7f7f' ) ) ), yaxis=go.layout.YAxis( title = go.layout.yaxis.Title( text='Average Turnovers/Minute', font=dict( family='Courier New, monospace', size=18, color='#7f7f7f' ) ) ), autosize=True, hovermode='closest') py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite') #plot 2 - attempt at a scatterplot data = [go.Scatter(x=player_year.minutes_played, y=player_year.salary, marker=go.scatter.Marker(color='red', size=3))] layout = go.Layout(title="test", xaxis=dict(title='why'), yaxis=dict(title='plotly')) py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot2', sharing='public') [Image: image.png]
表示不同 NBA 球隊(duì)每分鐘平均失誤數(shù)的條形圖
表示薪水和在 NBA 的打球時(shí)間之間關(guān)系的散點(diǎn)圖
總體來(lái)說(shuō),開(kāi)箱即用的美化工具看起來(lái)很好,但我多次嘗試逐字復(fù)制文檔和修改坐標(biāo)軸標(biāo)簽時(shí)卻失敗了。但下面的圖展示了 Plotly 的潛力,以及我為什么要在它身上花好幾個(gè)小時(shí):
Plotly 頁(yè)面上的一些示例圖
Pygal
Pygal 的名氣就不那么大了,和其它常用的繪圖包一樣,它也是用圖形框架語(yǔ)法來(lái)構(gòu)建圖像的。由于繪圖目標(biāo)比較簡(jiǎn)單,因此這是一個(gè)相對(duì)簡(jiǎn)單的繪圖包。使用 Pygal 非常簡(jiǎn)單:
實(shí)例化圖片;
用圖片目標(biāo)屬性格式化;
用 figure.add() 將數(shù)據(jù)添加到圖片中。
我在使用 Pygal 的過(guò)程中遇到的主要問(wèn)題在于圖片渲染。必須要用 render_to_file 選項(xiàng),然后在 web 瀏覽器中打開(kāi)文件,才能看見(jiàn)我剛剛構(gòu)建的東西。
最終看來(lái)這是值得的,因?yàn)閳D片是交互式的,有令人滿(mǎn)意而且便于自定義的美化功能??偠灾@個(gè)包看起來(lái)不錯(cuò),但在文件的創(chuàng)建和渲染部分比較麻煩。
Networkx
雖然 Networkx 是基于 matplotlib 的,但它仍是圖形分析和可視化的絕佳解決方案。圖形和網(wǎng)絡(luò)不是我的專(zhuān)業(yè)領(lǐng)域,但 Networkx 可以快速簡(jiǎn)便地用圖形表示網(wǎng)絡(luò)之間的連接。以下是我針對(duì)一個(gè)簡(jiǎn)單圖形構(gòu)建的不同的表示,以及一些從斯坦福 SNAP 下載的代碼(關(guān)于繪制小型 Facebook 網(wǎng)絡(luò))。
我按編號(hào)(1~10)用顏色編碼了每個(gè)節(jié)點(diǎn),代碼如下:
options = { 'node_color' : range(len(G)), 'node_size' : 300, 'width' : 1, 'with_labels' : False, 'cmap' : plt.cm.coolwarm } nx.draw(G, **options)
用于可視化上面提到的稀疏 Facebook 圖形的代碼如下:
import itertools import networkx as nx import matplotlib.pyplot as plt f = open('data/facebook/1684.circles', 'r') circles = [line.split() for line in f] f.close() network = [] for circ in circles: cleaned = [int(val) for val in circ[1:]] network.append(cleaned) G = nx.Graph() for v in network: G.add_nodes_from(v) edges = [itertools.combinations(net,2) for net in network] for edge_group in edges: G.add_edges_from(edge_group) options = { 'node_color' : 'lime', 'node_size' : 3, 'width' : 1, 'with_labels' : False, } nx.draw(G, **options)
這個(gè)圖形非常稀疏,Networkx 通過(guò)最大化每個(gè)集群的間隔展現(xiàn)了這種稀疏化。
有很多數(shù)據(jù)可視化的包,但沒(méi)法說(shuō)哪個(gè)是最好的。希望閱讀本文后,你可以了解到在不同的情境下,該如何使用不同的美化工具和代碼。
感謝各位的閱讀,以上就是“有哪些流行的Python可視化工具包”的內(nèi)容了,經(jīng)過(guò)本文的學(xué)習(xí)后,相信大家對(duì)有哪些流行的Python可視化工具包這一問(wèn)題有了更深刻的體會(huì),具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云,小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章,歡迎關(guān)注!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。