再见，可视化！你好，Pandas！

用Python做数据分析离不开pandas，pnadas更多的承载着处理和变换数据的角色，pands中也内置了可视化的操作，但效果很糙。

我们提供的服务有：成都网站建设、网站建设、微信公众号开发、网站优化、网站认证、招远ssl等。为成百上千家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务，是有科学管理、有技术的招远网站制作公司

因此，大家在用Python做数据分析时，正常的做法是用先pandas先进行数据处理，然后再用Matplotlib、Seaborn、Plotly、Bokeh等对dataframe或者series进行可视化操作。

但是说实话，每个可视化包都有自己独特的方法和函数，经常忘，这是让我一直很头疼的地方。

好消息来了！从最新的pandas版本0.25.3开始，不再需要上面的操作了，数据处理和可视化完全可以用pandas一个就全部搞定。

pandas现在可以使用Plotly、Bokeh作为可视化的backend，直接实现交互性操作，无需再单独使用可视化包了。

下面我们一起看看如何使用。

1. 激活backend

在import了pandas之后，直接使用下面这段代码激活backend，比如下面要激活plotly。

 
 
 
 
      
  
  
  
  1. pd.options.plotting.backend = 'plotly' 
    2.

目前，pandas的backend支持以下几个可视化包。

  •  Plotly
  •  Holoviews
  •  Matplotlib
  •  Pandas_bokeh
  •  Hyplot

2. Plotly backend

Plotly的好处是，它基于Javascript版本的库写出来的，因此生成的Web可视化图表，可以显示为HTML文件或嵌入基于Python的Web应用程序中。

下面看下如何用plotly作为pandas的backend进行可视化。

如果还没安装Plotly，则需要安装它pip intsall plotly。如果是在Jupyterlab中使用Plotly，那还需要执行几个额外的安装步骤来显示可视化效果。

首先，安装IPywidgets。

 
 
 
 
      
  
  
  
  1. pip install jupyterlab "ipywidgets>=7.5" 
    2.

然后运行此命令以安装Plotly扩展。

 
 
 
 
      
  
  
  
  1. jupyter labextension install jupyterlab-plotly@4.8.1 
    2.

示例选自openml.org的的数据集，链接如下：

数据链接：https://www.openml.org/d/187

这个数据也是Scikit-learn中的样本数据，所以也可以使用以下代码将其直接导入。

 
 
 
 
      
  
  
  
  1. import pandas as pd  
    2.   
  
  
  
  2. import numpy as np  
    3.   
  
  
  
  3. from sklearn.datasets import fetch_openml  
    4.   
  
  
  
  4. pd.options.plotting.backend = 'plotly'  
    5.   
  
  
  
  5. X,y = fetch_openml("wine", version=1, as_frame=True, return_X_y=True)  
    6.   
  
  
  
  6. data = pd.concat([X,y], axis=1)  
    7.   
  
  
  
  7. data.head() 
    8.

该数据集是葡萄酒相关的，包含葡萄酒类型的许多功能和相应的标签。数据集的前几行如下所示。

下面使用Plotly backend探索一下数据集。

绘图方式与正常使用Pandas内置的绘图操作几乎相同，只是现在以丰富的Plotly显示可视化效果。

下面的代码绘制了数据集中两个要素之间的关系。

 
 
 
 
      
  
  
  
  1. fig = data[['Alcohol', 'Proline']].plot.scatter(y='Alcohol', x='Proline')  
    2.   
  
  
  
  2. fig.show() 
    3.

如果将鼠标悬停在图表上，可以选择将图表下载为高质量的图像文件。

我们可以结合Pandas的groupby函数创建一个条形图，总结各类之间Hue的均值差异。

 
 
 
 
      
  
  
  
  1. data[['Hue','class']].groupby(['class']).mean().plot.bar() 
    2.

将class添加到我们刚才创建的散点图中。通过Plotly可以轻松地为每个类应用不同的颜色，以便直观地看到分类。

 
 
 
 
      
  
  
  
  1. fig = data[['Hue', 'Proline', 'class']].plot.scatter(x='Hue', y='Proline', color='class', title='Proline and Hue by wine class')  
    2.   
  
  
  
  2. fig.show() 
    3.

3. Bokeh backend

Bokeh是另一个Python可视化包，也可提供丰富的交互式可视化效果。Bokeh还具有streaming API，可以为比如金融市场等流数据创建实时可视化。

pandas-Bokeh的GitHub链接如下：

https://github.com/PatrikHlobil/Pandas-Bokeh

老样子，用pip安装即可，pip install pandas-bokeh。

为了在Jupyterlab中显示Bokeh可视化效果，还需要安装两个新的扩展。

 
 
 
 
      
  
  
  
  1. jupyter labextension install @jupyter-widgets/jupyterlab-manager  
    2.   
  
  
  
  2. jupyter labextension install @bokeh/jupyter_bokeh 
    3.

下面我们使用Bokeh backend重新创建刚刚plotly实现的的散点图。

 
 
 
 
      
  
  
  
  1. pd.options.plotting.backend = 'pandas_bokeh'  
    2.   
  
  
  
  2. import pandas_bokeh  
    3.   
  
  
  
  3. from bokeh.io import output_notebook  
    4.   
  
  
  
  4. from bokeh.plotting import figure, show   
    5.   
  
  
  
  5. output_notebook()  
    6.   
  
  
  
  6. p1 = data.plot_bokeh.scatter(x='Hue',   
    7.   
  
  
  
  7.                               y='Proline',   
    8.   
  
  
  
  8.                               category='class',  
    9.   
  
  
  
  9.                               title='Proline and Hue by wine class',  
    10.   
  
  
  
  10.                               show_figure=False)  
    11.   
  
  
  
  11. show(p1) 
    12.

关键语句就一行代码，非常快捷，交互式效果如下。

Bokeh还具有plot_grid函数，可以为多个图表创建类似于仪表板的布局，下面在网格布局中创建了四个图表。

 
 
 
 
      
  
  
  
  1. output_notebook()  
    2.   
  
  
  
  2. p1 = data.plot_bokeh.scatter(x='Hue',   
    3.   
  
  
  
  3.                               y='Proline',   
    4.   
  
  
  
  4.                               category='class',  
    5.   
  
  
  
  5.                               title='Proline and Hue by wine class',  
    6.   
  
  
  
  6.                               show_figure=False)  
    7.   
  
  
  
  7. p2 = data[['Hue','class']].groupby(['class']).mean().plot.bar(title='Mean Hue per Class')  
    8.   
  
  
  
  8. df_hue = pd.DataFrame({  
    9.   
  
  
  
  9.     'class_1': data[data['class'] == '1']['Hue'],  
    10.   
  
  
  
  10.     'class_2': data[data['class'] == '2']['Hue'],  
    11.   
  
  
  
  11.     'class_3': data[data['class'] == '3']['Hue']},  
    12.   
  
  
  
  12.     columns=['class_1', 'class_2', 'class_3'])   
    13.   
  
  
  
  13. p3 = df_hue.plot_bokeh.hist(title='Distribution per Class: Hue')  
    14.   
  
  
  
  14. df_proline = pd.DataFrame({  
    15.   
  
  
  
  15.     'class_1': data[data['class'] == '1']['Proline'],  
    16.   
  
  
  
  16.     'class_2': data[data['class'] == '2']['Proline'],  
    17.   
  
  
  
  17.     'class_3': data[data['class'] == '3']['Proline']},  
    18.   
  
  
  
  18.     columns=['class_1', 'class_2', 'class_3'])   
    19.   
  
  
  
  19. p4 = df_proline.plot_bokeh.hist(title='Distribution per Class: Proline')  
    20.   
  
  
  
  20. pandas_bokeh.plot_grid([[p1, p2],   
    21.   
  
  
  
  21.                         [p3, p4]], plot_width=450) 
    22.

可以看到，可视化的部分都是在pandas的dataframe基础上一行代码搞定，最后plot_grid完成布局。

4. 总结

在内置的Pandas绘图功能增加多个第三方可视化backend，大大增强了pandas用于数据可视化的功能，今后可能真的不需再去学习众多可视化操作了，使用pandas也可以一击入魂！

网站名称：再见，可视化！你好，Pandas！
路径分享：http://www.csdahua.cn/qtweb/news16/408066.html

网站建设、网络推广公司-快上网，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 快上网

成都快上网为您推荐相关内容

ChatGPT知识

分类信息网站

成都花箱　　 　九针服饰　　 　自适应网站　　 　响应式网站建设　　 　成都网络营销　　 　重庆小程序开发公司　　 　成都主机托管　　 　高端定制网站建设　　 　成都微信开发　　 　工商财税　　 　网上商城开发　　 　网站空间　　 　手机网站制作　　 　彭州做网站　　 　广东帝美豪门窗　　 　腾讯香港免备案空间　　 　买友情链接　　 　四川黔盛装饰　　 　成都展柜定制　　 　网络推广平台