这种个性化可视化图也太可爱了吧!
写在前面
在这篇文章中, 云朵君想介绍一个很酷的python手绘样式可视化包——可爱的图表 cutecharts
。Cutecharts
非常适合为图表提供更个性化的触感。
Cutecharts
与常规的 Matplotlib
和 Seaborn
库完全不同,它可以查看手工制作的图表,并在将鼠标悬停在图表上时向我们显示值。Matplotlib
图表中没有悬停效果,这是可爱图表的一个优势。与 seaborn
相比,在可爱图表中创建图表的时间要长一些,但代码数量仍然比标准 matplotlib
库少。
该包可用于生成以下类型的图表。目前,该库支持五种不同的图表——条形图、饼图、雷达图、散点图和折线图
。
绘图准备
安装cutecharts
这是个python第三方库,要创建此图表,你需要安装cutecharts库。具体安装方法与其他库一样。
pip install cutecharts
导入库
import cutecharts.charts as ctc
import pandas as pd
数据集
看看 TMBD 数据是什么样子的?数据有 21 列。
df = pd.read_csv(r'tmdb-movies.csv')
df.head(2)
数据说明
TMBD 的数据取自 kaggle[1]。
Popularity流行度: 指定电影流行度的数字量
Budget预算: 电影制作的预算。
Revenue收入: 电影产生的全球收入。
Original Title原片名: 翻译或改编前电影的片名。
Cast演员: 在电影中扮演角色的演员姓名
Homepage主页: 指向电影主页的链接。
Director导演: 导演电影的导演姓名
Title片名: 电影名称。
Keywords关键字: 与电影相关的关键字或标签。
Overview概述: 对电影的简要描述。
Runtime运行时间: 以分钟为单位的电影运行时间。
Genres类型: 电影的类型,剧情、动作、喜剧、惊悚等。
Production Company制作公司: 电影的制作公司。
Vote Count投票数: 收到的票数。
Vote Average投票平均: 电影收到的平均评分。
日期时间
Release Date上映日期: 电影上映的日期。
Release Year发行年份: 电影发行的年份。
数据清洗
我们先清理数据,然后我们会看到可爱的图表。
将特征更改为正确的日期时间格式并将流行功能四舍五入到小数点后两位,以获得更多内容。
df['release_date'] = pd.to_datetime(df['release_date'])
df['popularity'] = round(df['popularity'], 2)
删除不必要的功能
df.drop(['imdb_id', 'homepage', 'budget_adj','revenue_adj'],axis=1, inplace=True)
用missing
替换特征nan值
df['tagline'].fillna('missing',inplace=True)
df['keywords'].fillna('missing',inplace=True)
df['production_companies'].fillna('missing',inplace=True)
df['cast'].fillna('missing',inplace=True)
df['director'].fillna('missing',inplace=True)
df['genres'].fillna('missing',inplace=True)
df['overview'].fillna('missing',inplace=True)
从预算和收入中删除等于 0 的值。
df.drop(df[(df['budget']==0) & (df['revenue']==0)].index,inplace=True)
现在,数据是干净的,我们现在可以进一步创建一些可爱的图表。
cutecharts绘图
cutecharts中使用的参数
分配你想要的图表名称,例如,你想要一个饼图然后运行下面的代码。
chart = ctc.Pie()
设置我们需要width, height
在参数中添加的图表的标题、宽度和高度。
chart = ctc.Pie('Title', width='600px', height='300px')
设置图表选项,可以将使用set_options()
函数。
chart.set_options()
设置x和y标签的标题,我们将使用x_label
, y_label
传入set_options()
函数示例如下。
chart.set_options(x_label='X Labels',y_label='Y Labels')
最后,我们将使用一个函数来显示图表render_notebook()
,下面给出一个例子。
chart.render_notebook()
cutecharts绘图
绘制饼图
将要制作的图表是甜甜圈图表。我们将看到发行量最高的电影的前 5 年。
df_year = df['release_year'].value_counts(
).reset_index().sort_values(by='index',ascending=False)[:5].rename(columns={'index':'release_year','release_year':'Count'})
chart = ctc.Pie('Top 5 years', width='600px', height='300px')
chart.set_options(labels=list(df_year['release_year']), inner_radius=0)
chart.add_series(list(df_year['Count']))
chart.render_notebook()
绘制圆环图
我们将要制作的图表是甜甜圈图表。我们将看到发行量最高的电影的前 5 年。
df_year = df['release_year'].value_counts(
).reset_index().sort_values(by='index', ascending=False)[:5].rename(columns={'index':'release_year','release_year':'Count'})
chart = ctc.Pie('Top 5 years', width='600px', height='300px')
chart.set_options(labels=list(df_year['release_year']), inner_radius=0.8)
chart.add_series(list(df_year['Count']))
chart.render_notebook()
所有的特性都与我们在饼图中使用的相同,只是inner_radius
使用了一个额外的参数;我们可以为甜甜圈图的内部半径给出0到1之间的任何值。如果你看到默认的图例将在左上角,你可以指定图例的值,如 upLeft、upRight、downLeft、downRight
。
下图显示了 upRight
和 downLeft
上的图例。
绘制条形图
该函数将拆分字符串并返回每个类型的计数。
def count_genre(x):
data_plot = df[x].str.cat(sep = '|')data = pd.Series(data_plot.split('|'))info = data.value_counts(ascending=False)return info
调用函数来计算每个类型的电影。
df_genre_movies = count_genre('genres')
df_genre_movies = pd.DataFrame(df_genre_movies).reset_index().rename(columns={'index':'Drama', 0:'Count'})
条形图代码
这里我们通过导入 faker 库为不同的条使用颜色。
from cutecharts.faker import Fakerchart = ctc.Bar('Top Movie Geners', width='600px', height='200px')
chart.set_options(labels=list(df_genre_movies['Drama'][:7]),
x_label='Drama',
y_label='Count',
colors=Faker.colors
)chart.add_series('Geners',list(df_genre_movies['Count'][:7]))
chart.render_notebook()
这里我们在可以明确为条形设置不同颜色的地方添加了另一个参数颜色set_options()
。
chart = ctc.Bar('Top Movie Geners', width='600px', height='200px')chart.set_options(labels=list(df_genre_movies['Drama'][:7]),
x_label='Drama',
y_label='Count',colors=['#FFF1C9', '#F7B7A3', '#EA5F89', '#9B3192', '#57167E', '#47B39C','#00529B'])chart.add_series('Geners',list(df_genre_movies['Count'][:7]))
chart.render_notebook()
绘制折线图
我们将计算多年来发行的电影数量,并仅绘制 20 年代的电影。
data = df.groupby('release_year').count()['id'].reset_index().tail(16)
制作折线图以找出 20 年代以来电影的影响。
chart = ctc.Line("Impact of Movie over the years of 20's", width='700px', height='200px')
chart.set_options(labels=list(data['release_year']),x_label='Years',y_label='Count',)
chart.add_series('Years',list(data['id']))
chart.render_notebook()
多年来,电影发行量呈指数增长。
绘制散点图
我们看看受欢迎程度与预算的关系,并找出预算是否大于电影的受欢迎程度。
chart = ctc.Scatter("Helps to gain insights like if movies with higher budget have high popularity", width='700px', height='200px')
chart.set_options(x_label='Popularity',y_label='Budget',dot_size=1,colors=['#47B39C'])
chart.add_series('Popularity vs Budget', [(z[0], z[1]) for z in list(zip(df['popularity'],df['budget']))])
chart.render_notebook()
绘制雷达图
雷达图也称为蜘蛛图,主要用于显示多变量值。对于雷达图,我们将获取咖啡消费的虚拟数据,其中特征为天、本周和上周。
data = {'Day': ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'],'This week': [12, 10, 9, 9, 10, 3, 3], 'Last week': [15, 12, 8, 9, 11, 4, 3]}
df_coffee = pd.DataFrame(data, columns = ['Day', 'This week', 'Last week'])
我们看看本周和上周每天咖啡消费量的雷达图。
chart = ctc.Radar('Cups of coffee consumed per day')
chart.set_options(labels=list(df_coffee['Day']), is_show_legend=True,legend_pos='upRight' )
chart.add_series('This Week', list(df_coffee['This week']))
chart.add_series('Last Week', list(df_coffee['Last week']))
chart.render_notebook()
写在最后
看到这里的小伙伴,相信你基本掌握了该可爱图库的使用了。我们看到了用 python 制作的惊人的手写可爱图表。这个包的一个不足是它只提供 5 个图表。但也是我们常用的一些图标。可以动手试试呢。
数据资料
[1]
kaggle: https://www.kaggle.com/kashishrastogi/eda-of-tmbd-dataset
END
各位伙伴们好,詹帅本帅搭建了一个个人博客和小程序,汇集各种干货和资源,也方便大家阅读,感兴趣的小伙伴请移步小程序体验一下哦!(欢迎提建议)
推荐阅读
牛逼!Python常用数据类型的基本操作(长文系列第①篇)
牛逼!Python的判断、循环和各种表达式(长文系列第②篇)
牛逼!Python函数和文件操作(长文系列第③篇)
牛逼!Python错误、异常和模块(长文系列第④篇)
这种个性化可视化图也太可爱了吧!相关推荐
- 数学公式、可视化图齐齐上阵,神经网络如何一步步走向最优化「看得见」!...
继在<要做好深度学习任务,不妨先在损失函数上「做好文章」>一文中为大家深入浅出地介绍了损失函数的相关知识后,Deep Learning Demystified 编辑.数据科学家 Harsh ...
- 【机器学习】交叉验证详细解释+10种常见的验证方法具体代码实现+可视化图
[机器学习]交叉验证详细解释+10种常见的验证方法具体代码实现+可视化图 一.使用背景 由于在训练集上,通过调整参数设置使估计器的性能达到了最佳状态:但在测试集上可能会出现过拟合的情况. 此时,测试集 ...
- R包ComplexHeatmap绘制个性化热图
使用ComplexHeatmap包绘制个性化热图 作者:刘梦瑶 诺禾致源 微生物信息 审稿:刘永鑫 中国科学院遗传与发育生物学研究所 ComplexHeatmap包由顾祖光博士创建,是一个非常全面的绘 ...
- 使用ComplexHeatmap包绘制个性化热图
文章目录 使用ComplexHeatmap包绘制个性化热图 检测安装加载包 创建测试数据集 一行命令绘图 调参美化 猜你喜欢 写在后面 使用ComplexHeatmap包绘制个性化热图 作者:刘梦瑶 ...
- R语言ggplot2可视化图中添加希腊字母实战
R语言ggplot2可视化图中添加希腊字母实战 目录 R语言ggplot2可视化图中添加希腊字母实战 #ggplot2可视化图中添加希腊字母1
- R语言ggplot2可视化百分比显示实战:纵轴显示为百分比、在柱状图上显示百分比、按照因子变量绘制分组子图(纵轴显示为百分比)、可视化图中显示数据百分比
R语言ggplot2可视化百分比显示实战:纵轴显示为百分比.在柱状图上显示百分比.按照因子变量绘制分组子图(纵轴显示为百分比).可视化图中显示数据百分比 目录
- R语言删除ggplot可视化图中的所有x轴轴标签实战:ggplot可视化默认包含所有x轴轴标签、删除ggplot可视化图中的所有x轴轴标签实战
R语言删除ggplot可视化图中的所有x轴轴标签实战:ggplot可视化默认包含所有x轴轴标签.删除ggplot可视化图中的所有x轴轴标签实战 目录
- 5 种 非传统 的可视化图,也是用Python画的
作者丨Liana Mehrabyan 来源丨TowardsDataScience 编译丨机器之心 参与丨Panda 数据可以帮助我们描述这个世界.阐释自己的想法和展示自己的成果,但如果只有单调乏味 ...
- 在ASP.NET Core中创建自定义端点可视化图
在上篇文章中,我为构建自定义端点可视化图奠定了基础,正如我在第一篇文章中展示的那样.该图显示了端点路由的不同部分:文字值,参数,动词约束和产生结果的端点: 在本文中,我将展示如何通过创建一个自定义的D ...
最新文章
- Python 技术篇 - 使用unicode_escape对js的escape()方法编码后的字符串进行解码实例演示
- const成员函数、const类对象、mutable数据成员
- Ubuntu系发行版安装deepin wine QQ的步骤
- Spark之SparkSQL实战
- document.body 与 document.documentElement区别介绍
- 迭代最近点算法Iterative Closest Point(ICP)以及c++实现代码
- 论文阅读:Semantic Human Matting
- CocoaPods加载第三方库
- Idea设置炫酷主题+设置背景图片
- 刀友访谈:哪有什么天生的设计大师,有的是长久的喜爱坚持
- 计算机操作系统-整理
- 三阶龙格库塔matlab,三阶、四阶龙格库塔函数matlab代码
- Intellij idea使用eclipse的java代码格式化文件
- Excise_day01
- AutoVue使用教程:如何在64位Linux上安装AutoVue
- 提莫攻击 findPoisonedDuration
- 解决:idea运行scala程序,报错:Error:scalac: bad option: -make:transitive
- 关于Python中以字母r/R,或字母u/U 开头的字符串
- Python 函数 | zip 函数详解
- “usermod:UID‘0‘already exists”
热门文章
- .net 面试题系列文章五(附答案)
- mysql 排序字段是否需要建索引_MySQL索引详解(优缺点,何时需要/不需要创建索引,索引及sql语句的优化)...
- xdebug 远程调试
- 018:Django商城部署和数据库读写分离
- MySQL的Found_ROWS函数介绍
- Linux的openssl的安装
- Bug本地接口不返回数据 线上返回数据
- java线程等待都完成_Java等待线程完成
- linux usb 触摸屏驱动,请教大家一个linux下的usb触摸屏驱动的问题
- SVN提交时强制用户写日志