python使用Pandas，数据可视化

爱被打了一巴掌 2022-11-17 13:45 239阅读 0赞

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70]

### 文章目录 ###

*   *  pandas数据可视化
     *   *  线形图
         *  条形图
         *   *  堆积条形图
             *  水平条形图
         *  直方图
         *  箱型图
         *  区域图
         *  散点图
         *  饼状图
     *  plotly数据可视化
     *   *  激活backend：
         *  Plotly backend简介
         *  if Jupyter
         *  数据集选取
         *  开始绘图
         *   *  散点图
             *  条形辉度图
             *  散点分类图
         *  资料推荐

--------------------

## pandas数据可视化 ##

其实，pandas作图是个什么效果大家心里应该有数，不然也不会有那么多其他的库来作图，或者说，pandas本身是一个做数据分析的库，作图的话，可能并不是它的本职工作。

但是呢，既然人家有，那我就放一下。

不急，文章后面会有比较好的pandas可视化工具。  
（如果性子急的朋友可以从目录直接跳转到下面的第二个大板块儿）

### 线形图 ###

import pandas as pd
    import numpy as np
     
    s = Series( np. random. randn( 10). cumsum(), index= np. arange( 0, 100, 10))
    s. plot()

*  1
 *  2
 *  3
 *  4
 *  5

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 1]

### 条形图 ###

df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
    df.plot.bar()

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 2]

堆积条形图

传递stacked = True ：

df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
    df.plot.bar(stacked=True)

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 3]

水平条形图

要获得水平条形图，请使用 barh 方法：

df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
    
    df.plot.barh(stacked=True)

*  1
 *  2
 *  3

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 4]

### 直方图 ###

df = pd.DataFrame({'a':np.random.randn(1000)+1,'b':np.random.randn(1000),'c':
    np.random.randn(1000) - 1}, columns=['a', 'b', 'c'])
     
    df.plot.hist(bins=20)

*  1
 *  2
 *  3
 *  4

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 5]

### 箱型图 ###

df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
    df.plot.box()

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 6]

### 区域图 ###

df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
    df.plot.area()

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 7]

### 散点图 ###

df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
    df.plot.scatter(x='a', y='b')

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 8]

### 饼状图 ###

df = pd.DataFrame(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], columns=['x'])
    df.plot.pie(subplots=True)

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 9]

--------------------

## plotly数据可视化 ##

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。

### 激活backend： ###

pd.options.plotting.backend = 'plotly'

*  1

可以填在上面的有：

Plotly
    Holoviews
    Matplotlib
    Pandas_bokeh
    Hyplot

*  1
 *  2
 *  3
 *  4
 *  5

--------------------

### Plotly backend简介 ###

Plotly是基于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。  
使用Plotly可以画出很多媲美Tableau的高质量图：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 10]

此前一直是苦于pyecharm的模板不够多，前端不熟的小伙伴，这可是一个好东西哦！！！

--------------------

### if Jupyter ###

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。

pip install jupyterlab "ipywidgets>=7.5"

*  1

然后运行此命令以安装Plotly扩展。

jupyter labextension install jupyterlab-plotly@4.8.1

*  1

好，我用的是pyechart

--------------------

### 数据集选取 ###

[数据集来源][Link 1]

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。

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)
    print(data.head().T)

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10

0       1       2       3      4
    Alcohol                          14.23    13.2   13.16   14.37  13.24
    Malic_acid                        1.71    1.78    2.36    1.95   2.59
    Ash                               2.43    2.14    2.67     2.5   2.87
    Alcalinity_of_ash                 15.6    11.2    18.6    16.8   21.0
    Magnesium                        127.0   100.0   101.0   113.0  118.0
    Total_phenols                      2.8    2.65     2.8    3.85    2.8
    Flavanoids                        3.06    2.76    3.24    3.49   2.69
    Nonflavanoid_phenols              0.28    0.26     0.3    0.24   0.39
    Proanthocyanins                   2.29    1.28    2.81    2.18   1.82
    Color_intensity                   5.64    4.38    5.68     7.8   4.32
    Hue                               1.04    1.05    1.03    0.86   1.04
    OD280%2FOD315_of_diluted_wines    3.92     3.4    3.17    3.45   2.93
    Proline                         1065.0  1050.0  1185.0  1480.0  735.0
    class                                1       1       1       1      1

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15

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。

--------------------

### 开始绘图 ###

散点图

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。

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

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 11]

放大缩小，矢量图，你懂得。

--------------------

条形辉度图

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。

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

*  1

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 12]

--------------------

散点分类图

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。

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

*  1

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 13]

--------------------

### 资料推荐 ###

这里示例就放这些，比较简单一些。  
这里不建议大家去看各种网文，质量都参差不齐的，直接去看官方文档。

[Python Figure Reference: Single-Page][Python Figure Reference_ Single-Page]  
[Plotly Python Open Source Graphing Library Fundamentals][]

推一篇还不错的博文：[可视化神器Plotly(5)—参数详解][Plotly_5]

--------------------

![在这里插入图片描述][2021040817063936.jpg]

![在这里插入图片描述][20210408170644116.gif]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70]: /images/20221022/eab64ff89a52473f9c696cfa3f3e87ba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 1]: /images/20221022/270c87d7bc7a4a21b24637eb9a36dc8e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 2]: /images/20221022/6527c82def09417f86feae026afadb1d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 3]: /images/20221022/91e6aa0b725b4d2d8d3f12b9d3c2bbcb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 4]: /images/20221022/15e7118c542c4f6e864464fec7083ba0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 5]: /images/20221022/6f4dd9c8aa1d41cb8d029a27e25dd302.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 6]: /images/20221022/7f0ae9ca2c6f4ad9acc6649f35d0e44e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 7]: /images/20221022/bd0131e3a16d4b00aac8f88e848bb363.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 8]: /images/20221022/83c65801d0214445a3906d2049e557cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 9]: /images/20221022/1e79587c43724af6b3596633ad9ebb30.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 10]: /images/20221022/5dc4d144835c4957a6553f1b52e444bf.png
[Link 1]: https://www.openml.org/d/187
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 11]: /images/20221022/3679af42cba7403bbf411a909bca27ec.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 12]: /images/20221022/777fb12c091d43c492535fa7680627b1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNzYyMTkx_size_16_color_FFFFFF_t_70 13]: /images/20221022/badde429f77840bcbcb702175bb3a981.png
[Python Figure Reference_ Single-Page]: https://plotly.com/python/reference/
[Plotly Python Open Source Graphing Library Fundamentals]: https://plotly.com/python/plotly-fundamentals/
[Plotly_5]: https://www.jianshu.com/p/4f4daf47cc85
[2021040817063936.jpg]: /images/20221022/e8954f9655fa478c88231d167cb02dd7.png
[20210408170644116.gif]: /images/20221022/17f9a5cbd1c84d58a4ef84d55709fb3c.png