还在用matplotlib画图？你out啦

MeteoAI

发布于 2019-07-24 16:26:41

2K0

发布于 2019-07-24 16:26:41

概述

进行数据处理的时候，可视化是非常重要的数据分析方式，但是有时候在处理大批量的数据时，由于数据量过多，数据往往会非常密集，而不能发现有效信息，而我们经常使用的matplotlib不能满足这样的需求，这就需要交互式的可视化方案，提供比较方便和快捷的数据可视化操作。前几天在处理数据的时候，需要实现数据可以滑动或者选择查看，就发现了几个python实现交互式可视化的库，跟大家分享一下。首先简单介绍一下python的可视化的分类。在Python语言环境里，有不少可视化解决方案，主要的可以大致分为几类：

•基于maplotlib的可视化库，例如经常使用的matplotlib，seaborn以及pandas和scikit-plot的绘图•基于JavaScript的可视化库，例如broken，plotly（DASH）以及pyecharts等库，可以实现交互式的可视化操作•基于上述两者或其他组合功能的库，例如holoviews可以和Seaborn，pandas或者broken组合使用下图是Jake VanderPlas在2017年对python可视化解决方案的总结，有些新的包没有包含，可以作为参考

图片来源于https://speakerdeck.com/jakevdp/pythons-visualization-landscape-pycon-2017

我在解决python交互式的可视化问题时，主要用到的是基于JavaScript的可视化库pyecharts。pyecharts 是一个用于生成 Echarts 图表的类库。Echarts 是百度开源的一个数据可视化 JS 库。用 Echarts 生成的图可视化效果非常棒，pyecharts 是为了与 Python 进行对接，方便在 Python 中直接使用数据生成图。使用pyecharts可以生成独立的网页，也可以在flask、django中集成使用，此外也可以直接利用render_notebook，直接在jupyter notebook里调用渲染。

pyecharts的安装

pyecharts 分为 v0.5.X 和 v1 两个大版本，v0.5.X 和 v1 间不兼容，v1 是一个全新的版本。其中v0.5.X支持python2.7和3.4+，未来不再进行维护，v1仅支持python3.6+，是以后版本迭代的基础。安装利用pip，利用conda安装没有成功

$ pip install pyecharts

或源码安装

$ git clone https://github.com/pyecharts/pyecharts.git
$ cd pyecharts
$ pip install -r requirements.txt
$ python setup.py install
# 或者执行 python install.py

常用的图表

一个简单的例子

from pyecharts.charts import Bar

bar = Bar()
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
bar.add_yaxis("商家B", [8, 15, 49, 15, 65, 80])
bar.render('bar.html')

render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件吗，也可以传入路径参数，如 bar.render("bar.html")，此外如果使用的是juypter notebook 可以直接reader_notebook在jupyter里面渲染。打开html文件：

这是两个商家不同衣服销量对比的柱状图，可以查看数值的详细信息，以及对不同的项目进行选择。接下来参考官方的示例，对常用的图表进行简单示范：

柱状图

柱状图可以进行对比分析，数据是对于不同地级市的观测和预报数据，由于数据太多，单独画在一个图片中，将会非常拥挤，无法清晰看出差距，就需要借助于交互式的图像方案：

from pyecharts import options as opts
from pyecharts.charts import Bar
def bar_test(df) -> Bar:
    c = (
        Bar()
        .add_xaxis(df.index.tolist())
        .add_yaxis("观测", df['气温观测'].tolist(),category_gap="10%", gap="5%")
        .add_yaxis("预报", df['气温预测'].tolist(), category_gap="10%", gap="5%")
        .set_global_opts(
            title_opts=opts.TitleOpts(title="地级市气温观测与预报分析"),
            toolbox_opts=opts.ToolboxOpts(),#添加右上角的工具选项
            yaxis_opts=opts.AxisOpts(name="气温"),
            xaxis_opts=opts.AxisOpts(name="城市"),
            datazoom_opts=[opts.DataZoomOpts(),opts.DataZoomOpts(orient="vertical"), opts.DataZoomOpts(type_="inside")]#增添x，y轴以及内部的缩放
        )
       .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False),
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_="min", name="最小值"),
                opts.MarkLineItem(type_="max", name="最大值"),
                opts.MarkLineItem(type_="average", name="平均值"),
            ]
        ),#添加标示线
        markpoint_opts=opts.MarkPointOpts(
                data=[
                    opts.MarkPointItem(type_="max", name="最大值"),
                    opts.MarkPointItem(type_="min", name="最小值"),
                    opts.MarkPointItem(type_="average", name="平均值"),
                ]
            )
       )#添加标示点
    )
    return c
c=bar_datazoom_slider_vertical(data)
c.render_notebook()

选择不同的数据

选择不同的范围

对于不同地级市观测和预报的气温进行对比画图，在图中我们可以选择观测或者预报数据，缩小x范围，查看局部的差异，或者选定y轴范围，查看不同温度范围的数值分布，右上角的工具可以提供图像的放大和存储以及原始数据的查看。

#堆叠柱状图
def bar_datazoom_slider_vertical(df) -> Bar:
    c = (
        Bar()
        .add_xaxis(df.index.tolist())
        .add_yaxis("3月", df['3月份降水观测'].tolist(),category_gap="10%", gap="5%", stack="stack1")
        .add_yaxis("4月", df['4月份降水观测'].tolist(), category_gap="10%", gap="5%", stack="stack1")
        .add_yaxis("5月", df['5月份降水观测'].tolist(), category_gap="10%", gap="5%", stack="stack1")
        .set_global_opts(
            title_opts=opts.TitleOpts(title="地级市降水春季分析"),
            toolbox_opts=opts.ToolboxOpts(),
            yaxis_opts=opts.AxisOpts(name="降水"),
            xaxis_opts=opts.AxisOpts(name="城市"),
            datazoom_opts=[opts.DataZoomOpts(),opts.DataZoomOpts(orient="vertical"), opts.DataZoomOpts(type_="inside")]
        )
       .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
    )
    return c
c=bar_datazoom_slider_vertical(data.iloc)
c.render_notebook()

选择不同的月份

查看局部的数据

图中是3，4，5三个月的降水累计分布图，可以选择不同的月份，查看局部的分布或者特定降水范围的数据

箱式图

箱式图可以查看两个数据的统计属性是否一致，包括均值，最值，中值等

from pyecharts import options as opts
from pyecharts.charts import Boxplot


def boxpolt_base() -> Boxplot:
    v1 = [
        [850, 740, 900, 1070, 930, 850, 950, 980, 980, 880]
        + [1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960],
        [960, 940, 960, 940, 880, 800, 850, 880, 900]
        + [840, 830, 790, 810, 880, 880, 830, 800, 790, 760, 800],
    ]
    v2 = [
        [890, 810, 810, 820, 800, 770, 760, 740, 750, 760]
        + [910, 920, 890, 860, 880, 720, 840, 850, 850, 780],
        [890, 840, 780, 810, 760, 810, 790, 810, 820, 850, 870]
        + [870, 810, 740, 810, 940, 950, 800, 810, 870],
    ]
    c = Boxplot()
    c.add_xaxis(["expr1", "expr2"]).add_yaxis("A", c.prepare_data(v1)).add_yaxis(
        "B", c.prepare_data(v2)
    ).set_global_opts(title_opts=opts.TitleOpts(title="BoxPlot-基本示例"))
    return c
c=boxpolt_base()
c.render_notebook()

从图中可以清晰看到每个统计属性

折线图

from pyecharts import options as opts
from pyecharts.charts import Line
def line_test(df) -> Line:
    c = (
        Line()
        .add_xaxis(df.index.tolist())
        .add_yaxis("观测", df['气温观测'].tolist(),linestyle_opts=opts.LineStyleOpts(color="k", width=2))
        .add_yaxis("预报", df['气温预测'].tolist(),linestyle_opts=opts.LineStyleOpts(color="red", width=2))
        .set_global_opts(
            title_opts=opts.TitleOpts(title="地级市气温观测与预报分析"),
            toolbox_opts=opts.ToolboxOpts(),
            yaxis_opts=opts.AxisOpts(name="气温"),
            xaxis_opts=opts.AxisOpts(name="城市"),
            datazoom_opts=[opts.DataZoomOpts(),opts.DataZoomOpts(orient="vertical"), opts.DataZoomOpts(type_="inside")]
        )
       .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False),
        markline_opts=opts.MarkLineOpts(
            data=[
                opts.MarkLineItem(type_="min", name="最小值"),
                opts.MarkLineItem(type_="max", name="最大值"),
                opts.MarkLineItem(type_="average", name="平均值"),
            ]
        ),
        markpoint_opts=opts.MarkPointOpts(
                data=[
                    opts.MarkPointItem(type_="max", name="最大值"),
                    opts.MarkPointItem(type_="min", name="最小值"),
                    opts.MarkPointItem(type_="average", name="平均值"),
                ]
            )
       )
    )
    return c
c=line_test(data)
c.render_notebook()

滑动x轴查看局部信息

滑动y轴查看不同的取值范围

图中是不同地级市观测与预报数据的折线图，可以通过滑动x轴查看局部的趋势和数值，设定y轴，查看特定温度范围的数据

散点图

散点图可以查看分布的趋势

# 散点图
from pyecharts import options as opts
from pyecharts.charts import Scatter
def scatter_visualmap_color(df) -> Scatter:
    c = (
        Scatter()
        .add_xaxis(df.index.tolist())
        .add_yaxis("观测", df['降水观测'].tolist())
        .add_yaxis("预报", df['降水预测'].tolist())
        .set_global_opts(
            title_opts=opts.TitleOpts(title="Scatter-VisualMap(Size)"),
            visualmap_opts=opts.VisualMapOpts(type_="size", max_=150, min_=20),
        )
    )
    return c
c=scatter_visualmap_color(data.iloc[::20])
c.render_notebook()

大小可调节的散点图

图中是不同地级市，观测与预报气温的散点图，大小表示气温的高低，通过左方的调节bar，可以选择一定范围的气温，进行查看分布

热力图

import random

from example.commons import  Faker
from pyecharts import options as opts
from pyecharts.charts import HeatMap

def heatmap_base() -> HeatMap:
    value = [[i, j, random.randint(0, 50)] for i in range(24) for j in range(7)]
    c = (
        HeatMap()
        .add_xaxis(Faker.clock)
        .add_yaxis("series0", Faker.week, value)
        .set_global_opts(
            title_opts=opts.TitleOpts(title="HeatMap-基本示例"),
            visualmap_opts=opts.VisualMapOpts(),
        )
    )
    return c
c=heatmap_base()
c.render_notebook()