今天小编总结归纳了若干个常用的可视化图表，并且通过调用plotly、matplotlib、altair、bokeh和seaborn等模块来分别绘制这些常用的可视化图表，最后无论是绘制可视化的代码，还是会指出来的结果都会通过调用streamlit模块展示在一个可视化大屏，出来的效果如下图所示

那我们接下去便一步一步开始可视化大屏的制作吧！

标题、副标题以及下拉框

首先我们对标题、副标题部分的内容，代码如下

with st.container():st.title("Python可视化合集")st.header("经典常用的Python可视化模块")st.write("""包括代码和可视化图表展示""")

然后便是下拉框的制作，代码如下

plot_types = ("Scatter","Histogram","Bar","Line","Boxplot"
)
# 选择绘制的图表种类
chart_type = st.selectbox("Choose your chart type", plot_types)with st.container():st.subheader(f"Showing:  {chart_type}")st.write("")

对于图表的展示可以选择是“双排式”的，如下图所示

也可以选择是沉浸式的，也即是“单排式”的，如下图所示

代码如下

two_cols = st.checkbox("2 columns?", True)
if two_cols:col1, col2 = st.columns(2)# 展示图表
if two_cols:with col1:show_plot(kind="Matplotlib")with col2:show_plot(kind="Seaborn")with col1:show_plot(kind="Plotly Express")with col2:show_plot(kind="Altair")with col1:show_plot(kind="Pandas Matplotlib")with col2:show_plot(kind="Bokeh")
else:with st.container():for lib in libs:show_plot(kind=lib)

对于双排式的展示方式而言，col1也就是左边，放置的是matplotlib、plotly、以及pandas绘制出来的图表，右边也就是col2也就是右边，放置的是seaborn、altair以及bokeh绘制出来的图表，而上述代码中调用的show_plot()函数代码如下

# 生成图表
def show_plot(kind: str):st.write(kind)if kind == "Matplotlib":plot = matplotlib_plot(chart_type, df)st.pyplot(plot)elif kind == "Seaborn":plot = sns_plot(chart_type, df)st.pyplot(plot)elif kind == "Plotly Express":plot = plotly_plot(chart_type, df)st.plotly_chart(plot, use_container_width=True)elif kind == "Altair":plot = altair_plot(chart_type, df)st.altair_chart(plot, use_container_width=True)elif kind == "Pandas Matplotlib":plot = pd_plot(chart_type, df)st.pyplot(plot)elif kind == "Bokeh":plot = bokeh_plot(chart_type, df)st.bokeh_chart(plot, use_container_width=True)

是一系列if...else...的判断，当绘制图表的模块是matplotlib时就调用对应的matplotlib_plot()函数，当绘制图表的模块是seaborn时就调用对应的sns_plot()函数，依次同理。我们来看其中一个函数sns_plot()的具体逻辑，代码如下

def sns_plot(chart_type: str, df):""" 生成seaborn绘制的图表 """fig, ax = plt.subplots()if chart_type == "Scatter":with st.echo():sns.scatterplot(data=df,x="bill_depth_mm",y="bill_length_mm",hue="species",)plt.title("Bill Depth by Bill Length")elif chart_type == "Histogram":with st.echo():sns.histplot(data=df, x="bill_depth_mm")plt.title("Count of Bill Depth Observations")elif chart_type == "Bar":with st.echo():sns.barplot(data=df, x="species", y="bill_depth_mm")plt.title("Mean Bill Depth by Species")elif chart_type == "Boxplot":with st.echo():sns.boxplot(data=df["bill_depth_mm"].dropna())plt.title("Bill Depth Observations")elif chart_type == "Line":with st.echo():sns.lineplot(data=df, x=df.index, y="bill_length_mm")plt.title("Bill Length Over Time")return fig

其实也是一系列if...else...的判断，当所要绘制的图表是散点图时，调用的是sns.scatterplot()函数，所要绘制的是直方图时，调用的是sns.histplot()，绘制的柱状图或者是折线图时也是同理

最后要是我们想要查看源数据时，也可以查看，代码如下

# 展示源数据
with st.container():show_data = st.checkbox("See the raw data?")if show_data:df# 要点st.subheader("Notes")st.write("""- 这个应用是通过python当中的streamlit模块制作出来的- 关注"关于数据分析与可视化"，学习更多数据分析和可视化知识与技能""")

output

往期精彩回顾适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载中国大学慕课《机器学习》（黄海广主讲）机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑
AI基础下载机器学习交流qq群955171419，加入微信群请扫码：