首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >可以的,“Pandas”现在也可以绘制交互式的图形了,来看看怎么做的吧?

可以的,“Pandas”现在也可以绘制交互式的图形了,来看看怎么做的吧?

作者头像
用户6888863
发布2021-07-19 14:19:30
7730
发布2021-07-19 14:19:30
举报
文章被收录于专栏:AI篮球与生活AI篮球与生活

大家好,我是俊欣,今天来和大家分享一下“如何用Pandas来绘制交互式的图形”,希望读者朋友们读了之后能够有所收获。

01

Plotly作为后端支持

我们可以使用第三方的可视化模块来做“Pandas”的后端支持,例如“Plotly”以及“Bokeh”等模块,进而便可以绘制出交互式的图形了,我们先来看一下“Plotly”作为后端的支持,

在我们导入所需要用到的模块之后,我们需要导入进需要用到的数据库,并且添加下面这行代码,以激活“Plotly”作为后端的支持

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()

我们来将“Alcohol”和“Proline”两列做一个散点图,其中“Proline”列为X轴,“Alcohol”列为Y轴,代码如下

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

出来的效果则如下图所示,

是不是和用“plotly”效果差不多?我们可以任意的放大特定的区域,以及下载高清的图像

当然我们也可以对散点图加上一个类别区分,酱紫来可视化不同类别之下的结果,代码如下

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

出来的效果如下图所示

我们也可以绘制一些直方图,例如下面的代码,我们对“class”这一列进行“groupby”之后,然后计算出平均值,画出直方图

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

出来的效果如下图所示

02

Bokeh作为后端支持

好了,我们来看一下用“Bokeh”作为后端支持的“Pandas”可视化该如何来操作,我们也同样来绘制一个散点图,通过不同的类别来区分的,代码如下

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)

绘制出来的结果如下,也是交互式的,

“Bokeh”模块当中有“plot_grid”方法可以用来绘制仪表盘,例如下面的代码绘制出了四个图形,分别是一张散点图,3张直方图,代码如下

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 per Class: 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)

而最后出来的结果如下图所示

今天的分享就到这里,希望大家看了有所收获!

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2021-07-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 关于数据分析与可视化 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档