↑ 關(guān)注 + 星標 ，每天學(xué)Python新技能
后臺回復(fù)【大禮包】送你Python自學(xué)大禮包

來源：Python數(shù)據(jù)科學(xué)

作者：東哥起飛

用Python做數(shù)據(jù)分析離不開pandas，pnadas更多的承載著處理和變換數(shù)據(jù)的角色，pands中也內(nèi)置了可視化的操作，但效果很糙。

因此，大家在用Python做數(shù)據(jù)分析時，正常的做法是用先pandas先進行數(shù)據(jù)處理，然后再用Matplotlib、Seaborn、Plotly、Bokeh等對dataframe或者series進行可視化操作。

但是說實話，每個可視化包都有自己獨特的方法和函數(shù)，經(jīng)常忘，這是讓我一直很頭疼的地方。

好消息來了！從最新的pandas版本0.25.3開始，不再需要上面的操作了，數(shù)據(jù)處理和可視化完全可以用pandas一個就全部搞定。

pandas現(xiàn)在可以使用Plotly、Bokeh作為可視化的backend，直接實現(xiàn)交互性操作，無需再單獨使用可視化包了。

下面我們一起看看如何使用。

1. 激活backend

在import了pandas之后，直接使用下面這段代碼激活backend，比如下面要激活plotly。

pd.options.plotting.backend = 'plotly'

目前，pandas的backend支持以下幾個可視化包。

• Plotly

• Holoviews

• Matplotlib

• Pandas_bokeh

• Hyplot

2. Plotly backend

Plotly的好處是，它基于Javascript版本的庫寫出來的，因此生成的Web可視化圖表，可以顯示為HTML文件或嵌入基于Python的Web應(yīng)用程序中。

下面看下如何用plotly作為pandas的backend進行可視化。

如果還沒安裝Plotly，則需要安裝它pip intsall plotly。如果是在Jupyterlab中使用Plotly，那還需要執(zhí)行幾個額外的安裝步驟來顯示可視化效果。

首先，安裝IPywidgets。

pip install jupyterlab "ipywidgets>=7.5"

然后運行此命令以安裝Plotly擴展。

jupyter labextension install jupyterlab-plotly@4.8.1

示例選自openml.org的的數(shù)據(jù)集，鏈接如下：

數(shù)據(jù)鏈接：https://www.openml.org/d/187

這個數(shù)據(jù)也是Scikit-learn中的樣本數(shù)據(jù)，所以也可以使用以下代碼將其直接導(dǎo)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)
data.head()

該數(shù)據(jù)集是葡萄酒相關(guān)的，包含葡萄酒類型的許多功能和相應(yīng)的標簽。數(shù)據(jù)集的前幾行如下所示。

下面使用Plotly backend探索一下數(shù)據(jù)集。

繪圖方式與正常使用Pandas內(nèi)置的繪圖操作幾乎相同，只是現(xiàn)在以豐富的Plotly顯示可視化效果。

下面的代碼繪制了數(shù)據(jù)集中兩個要素之間的關(guān)系。

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

如果將鼠標懸停在圖表上，可以選擇將圖表下載為高質(zhì)量的圖像文件。

我們可以結(jié)合Pandas的groupby函數(shù)創(chuàng)建一個條形圖，總結(jié)各類之間Hue的均值差異。

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

將class添加到我們剛才創(chuàng)建的散點圖中。通過Plotly可以輕松地為每個類應(yīng)用不同的顏色，以便直觀地看到分類。

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

3. Bokeh backend

Bokeh是另一個Python可視化包，也可提供豐富的交互式可視化效果。Bokeh還具有streaming API，可以為比如金融市場等流數(shù)據(jù)創(chuàng)建實時可視化。

pandas-Bokeh的GitHub鏈接如下：

https://github.com/PatrikHlobil/Pandas-Bokeh

老樣子，用pip安裝即可，pip install pandas-bokeh。

為了在Jupyterlab中顯示Bokeh可視化效果，還需要安裝兩個新的擴展。

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

下面我們使用Bokeh backend重新創(chuàng)建剛剛plotly實現(xiàn)的的散點圖。

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)

關(guān)鍵語句就一行代碼，非?？旖荩换ナ叫Ч缦?。

Bokeh還具有plot_grid函數(shù)，可以為多個圖表創(chuàng)建類似于儀表板的布局，下面在網(wǎng)格布局中創(chuàng)建了四個圖表。

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)

可以看到，可視化的部分都是在pandas的dataframe基礎(chǔ)上一行代碼搞定，最后plot_grid完成布局。

4. 總結(jié)

在內(nèi)置的Pandas繪圖功能增加多個第三方可視化backend，大大增強了pandas用于數(shù)據(jù)可視化的功能，今后可能真的不需再去學(xué)習(xí)眾多可視化操作了，使用pandas也可以一擊入魂！

參考鏈接：https://towardsdatascience.com/plotting-in-pandas-just-got-prettier-289d0e0fe5c0

- END -
推薦閱讀
一女程序員被判 9 個月：因薪酬等問題離職，rm -f * 刪庫，癱瘓 6 個小時
人臉識別的時候，一定要穿上衣服！否則 ...
高薪程序員被推到風(fēng)口浪尖，真相竟然是……

推薦一個公眾號，幫助程序員自學(xué)與成長

覺得還不錯就給我一個小小的鼓勵吧！