全文共1803字，预计学习时长10分钟

图源：tehrantimes

流行 Python 数据分析库 Pandas 中的绘图功能一直是迅速绘制图表的首选之一。但是，其可用的可视化效果总是十分粗略，实用有余、美观不足。

笔者常用 Pandas 的绘图功能快速地执行一些可视的数据探索，但在介绍数据洞察时，我会使用“更美观”的绘图库(如 Plotly 或 Bokeh )来重做可视化。

自最新的 Pandas 版本0.25.3发布后，无需这样做了，现在我们可以使用第三方可视化库作为 Pandas 绘图功能的后端。Plotly是一款基于 web 实现交互式可视化的流行Python库，其最近发布了 Pandas绘图后端。

来看看如何使用 Plotly 和 Bokeh 后端创建更丰富的可视化效果。

使用不同的后端

想要激活绘图功能的不同后端需在导入 pandas 后，添加此行代码：

pd.options.plotting.backend = 'plotly'

当前可用的后端有：

· Plotly

· Holoviews

· Matplotlib

· Pandas _bokeh

· Hyplot

Plotly后端

Plotly是一个 Python库，其支持丰富的交互式可视化效果。Plotly包的好处之一在于它是在库的 Javascript 版本之上构建的，这意味着图表会基于Web，可以显示为 HTML 文件或嵌入到基于Python的Web应用程序中。用户还可以将可视化内容下载为高质量的图像文件，以便在文档或论文中使用。

下面来浏览一些Plotly作为Pandas绘图后端的快速示例。

如果还没有安装Plotly ，则需要使用pip intsall plotly来安装。如果是在Jupyterlab中使用 Plotly ，则需要额外执行几个安装步骤来显示可视化效果。首先，安装IPywaidgets：

pipenv install jupyterlab " ipywidgets>=7.5"pip install jupyterlab "ipywidgets>=7.5"

然后运行以下命令以安装Plotly扩展：

jupyter labextension install jupyterlab-plotly@4.8.1

为了说明绘图后端的用法，使用openml.org名为“wine(葡萄酒)”的数据集。

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()

该数据集由各类葡萄酒的多个特征和相应的标签组成。下图显示了数据集的前几行。

绘图功能的工作方式与标准Pandas绘图功能的工作方式大致相同，只是现在可视化效果同Plotly一样丰富。下面的代码绘制了数据集中两个特征之间的关系。

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

可以通过组合 Pandas 的groupby函数创建一个柱状图来总结类之间的平均色调差异：

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

将类添加到之前创建的散点图中。使用Plotly，可以轻松地给每个类使用不同的颜色，以便直观地区分：

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

Bokeh 后端

Bokeh 也可以提供丰富交互式可视化效果。其可视化图表可以在 Web 浏览器中查看，嵌入到 Web应用程序中或用于创建交互式仪表板。Bokeh 甚至有一个流式 API，可以为流数据(如金融市场数据)创建实时可视化图表。

库可以通过pip来安装：

pip install pandas-bokeh

要在 Jupyterlab中显示 Bokeh的可视化效果，需要安装两个新的扩展：

jupyter labextension install @jupyter-widgets/jupyterlab-managerjupyterlabextension install @bokeh/jupyter_bokeh

使用 Bokeh 后端重新创建之前的散点图：

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',                                                          ,                                                          show_figure=False)                            show(p1)

可视化效果如下：

Bokeh 有一个plot_grid函数，可为多个图表创建仪表板式布局。下面的代码在网格布局中创建四个图表：

output_notebook()             p1 = data.plot_bokeh.scatter(x='Hue',                                               y='Proline',                                               category='class',                                               ,                                               show_figure=False)                                      p2 = data[['Hue','class']].groupby(['class']).mean().plot.bar()             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()             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()             pandas_bokeh.plot_grid([[p1, p2],                                         [p3, p4]], plot_width=450)

为内置的Pandas绘图功能添加多个第三方后端，这大大增强了该库用于数据可视化的能力。从此之后，pandas就可以集美貌与实用于一身啦。

留言点赞关注

我们一起分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范