Pandas如何讓繪圖變得更美觀

小編給大家分享一下Pandas如何讓繪圖變得更美觀，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

流行 Python 數(shù)據(jù)分析庫 Pandas 中的繪圖功能一直是迅速繪制圖表的首選之一。但是，其可用的可視化效果總是十分粗略，實(shí)用有余、美觀不足。

筆者常用 Pandas 的繪圖功能快速地執(zhí)行一些可視的數(shù)據(jù)探索，但在介紹數(shù)據(jù)洞察時(shí)，我會使用“更美觀”的繪圖庫(如 Plotly 或 Bokeh )來重做可視化。

自最新的 Pandas 版本0.25.3發(fā)布后，無需這樣做了，現(xiàn)在我們可以使用第三方可視化庫作為 Pandas 繪圖功能的后端。Plotly是一款基于 web 實(shí)現(xiàn)交互式可視化的流行Python庫，其最近發(fā)布了 Pandas繪圖后端。

來看看如何使用 Plotly 和 Bokeh 后端創(chuàng)建更豐富的可視化效果。

使用不同的后端

想要激活繪圖功能的不同后端需在導(dǎo)入 pandas 后，添加此行代碼：

pd.options.plotting.backend = 'plotly'

當(dāng)前可用的后端有：

• Plotly

• Holoviews

• Matplotlib

• Pandas _bokeh

• Hyplot

Plotly后端

Plotly是一個 Python庫，其支持豐富的交互式可視化效果。Plotly包的好處之一在于它是在庫的 Javascript 版本之上構(gòu)建的，這意味著圖表會基于Web，可以顯示為 HTML 文件或嵌入到基于Python的Web應(yīng)用程序中。用戶還可以將可視化內(nèi)容下載為高質(zhì)量的圖像文件，以便在文檔或論文中使用。

下面來瀏覽一些Plotly作為Pandas繪圖后端的快速示例。

如果還沒有安裝Plotly ，則需要使用pip intsall plotly來安裝。如果是在Jupyterlab中使用 Plotly ，則需要額外執(zhí)行幾個安裝步驟來顯示可視化效果。首先，安裝IPywaidgets：

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

然后運(yùn)行以下命令以安裝Plotly擴(kuò)展：

jupyter labextension install jupyterlab-plotly@4.8.1

為了說明繪圖后端的用法，使用openml.org名為“wine(葡萄酒)”的數(shù)據(jù)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()

該數(shù)據(jù)集由各類葡萄酒的多個特征和相應(yīng)的標(biāo)簽組成。下圖顯示了數(shù)據(jù)集的前幾行。

繪圖功能的工作方式與標(biāo)準(zhǔn)Pandas繪圖功能的工作方式大致相同，只是現(xiàn)在可視化效果同Plotly一樣豐富。下面的代碼繪制了數(shù)據(jù)集中兩個特征之間的關(guān)系。

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

可以通過組合 Pandas 的groupby函數(shù)創(chuàng)建一個柱狀圖來總結(jié)類之間的平均色調(diào)差異：

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

將類添加到之前創(chuàng)建的散點(diǎn)圖中。使用Plotly，可以輕松地給每個類使用不同的顏色，以便直觀地區(qū)分：

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

Bokeh 后端

Bokeh 也可以提供豐富交互式可視化效果。其可視化圖表可以在 Web 瀏覽器中查看，嵌入到 Web應(yīng)用程序中或用于創(chuàng)建交互式儀表板。Bokeh 甚至有一個流式 API，可以為流數(shù)據(jù)(如金融市場數(shù)據(jù))創(chuàng)建實(shí)時(shí)可視化圖表。

庫可以通過pip來安裝：

pip install pandas-bokeh

要在 Jupyterlab中顯示 Bokeh的可視化效果，需要安裝兩個新的擴(kuò)展：

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

使用 Bokeh 后端重新創(chuàng)建之前的散點(diǎn)圖：

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)

可視化效果如下：

Bokeh 有一個plot_grid函數(shù)，可為多個圖表創(chuàng)建儀表板式布局。下面的代碼在網(wǎng)格布局中創(chuàng)建四個圖表：

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)

為內(nèi)置的Pandas繪圖功能添加多個第三方后端，這大大增強(qiáng)了該庫用于數(shù)據(jù)可視化的能力。從此之后，pandas就可以集美貌與實(shí)用于一身啦。

看完了這篇文章，相信你對“Pandas如何讓繪圖變得更美觀”有了一定的了解，如果想了解更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！