男女污污的视频,99极品视频,午夜成人一区二区三区影院在线,女fiee性zozo交体内谢,做爱无码,白丝校花扒开双腿让我进羞羞兔特辑,操干网站,美女高潮动态

今天小編來演示一下如何用pandas一行代碼來繪制可以動態(tài)交互的圖表，并且將繪制的圖表組合到一起，組成可視化大屏，本次小編將要繪制的圖表有

折線圖
散點圖
直方圖
柱狀圖
餅圖
面積圖
地圖
組合圖

準備工作

我們先導入需要用到的庫，并做相應的設置

import?pandas?as?pd
import?pandas_bokeh
pandas_bokeh.output_notebook()

因為小編是在jupyter nobteook上面操作的，這邊就用到了output_notebook()的設置

折線圖

我們先來畫一張簡單的折線圖，當中隨機生成一批數(shù)據(jù)

import?numpy?as?np

np.random.seed(55)
df?=?pd.DataFrame({"寧德時代":?np.random.randn(100)+0.2,?
???????????????????"貴州茅臺":?np.random.randn(100)+0.17},?
???????????????????index=pd.date_range('1/1/2021',?periods=100))
df?=?df.cumsum()
df?=?df?+?50
df.plot_bokeh(kind="line")?

output

繪制出來的圖表可以任意的縮放以及拖拽，我們也可以點擊右邊的“保存”按鈕來實現(xiàn)對圖表的下載保存，以至于圖表的類型只需要對參數(shù)kind加以設定，我們將上面的代碼優(yōu)化一下

df.plot_bokeh.line(
????figsize=(800,?450),
????title="寧德時代?vs?貴州茅臺",
????xlabel="日期",
????ylabel="股票價格?[$]",
????yticks=[0,?100,?200,?300,?400],
????ylim=(0,?100),
????xlim=("2021-01-01",?"2021-04-01"),
????colormap=["red",?"blue"],
????plot_data_points=True,
????plot_data_points_size=10,
????marker="asterisk")

output

我們對X軸以及Y軸坐標做了范圍的限定，并且加上了標注，效果看起來也更加的美觀一些。和pyecharts類似，我們也可以在圖標的底部添加一個時間軸，拖動時間軸來展示數(shù)據(jù)

ts?=?pd.Series(np.random.randn(100),?index=pd.date_range('1/1/2021',?periods=100))
df?=?pd.DataFrame(np.random.randn(100,?4),?index=ts.index,?columns=list('ABCD'))
df?=?df.cumsum()

df.plot_bokeh(rangetool=True)

output

當然我們也可以對折線加以修改，就可以變成另外一種樣子，主要修改的就是參數(shù)marker

x?=?np.arange(-5,?5,?0.1)
y2?=?x**2
y3?=?x**3
df?=?pd.DataFrame({"x":?x,?"Type?1":?y2,?"Type?2":?y3})
df.plot_bokeh.point(
????x="x",
????xticks=range(-5,?5),
????size=5,
????colormap=["#009933",?"#ff3399"],
????title="折線圖?(Type?1?vs.?Type?2)",
????marker="x")

output

散點圖

接下來我們來看散點圖，步驟與上述的折線圖相類似

df?=?pd.read_csv("iris.csv")
p_scatter?=?df.plot_bokeh.scatter(
????x="petal?length(cm)",
????y="sepal?width(cm)",
????category="species",
????title="Iris數(shù)據(jù)集可視化",
????show_figure=True,
)

output

我們在讀取了iris數(shù)據(jù)集之后，將x參數(shù)和y參數(shù)上填上我們所要繪制的兩列，而title參數(shù)則是設置圖表的標題

我們也可以通過當中size這個參數(shù)來控制散點的大小，例如

df.loc[13,?"sepal?length(cm)"]?=?15
df.loc[15,?"sepal?length(cm)"]?=?17
df.loc[20,?"sepal?length(cm)"]?=?30
df.loc[40,?"sepal?length(cm)"]?=?20

p_scatter?=?df.plot_bokeh.scatter(
????x="petal?length(cm)",
????y="sepal?width(cm)",
????category="species",
????title="Iris數(shù)據(jù)集可視化",
????show_figure=True,
????size="sepal?length(cm)"
)

output

柱狀圖

下面我們來看一下直方圖的繪制

data?=?{
????'fruits':
????['蘋果',?'梨',?'草莓',?'西瓜',?'葡萄',?'香蕉'],
????'2015':?[2,?1,?4,?3,?2,?4],
????'2016':?[5,?3,?3,?2,?4,?6],
????'2017':?[3,?2,?4,?4,?5,?3]
}
df?=?pd.DataFrame(data).set_index("fruits")

p_bar?=?df.plot_bokeh.bar(
????ylabel="每斤的的價格?[￥]",?
????title="水果每年的價格",?
????alpha=0.6)

output

我們看到上面的直方圖是按照不同的年份分開來的，我們也可以堆疊起來，通過stacked這個參數(shù)來實現(xiàn)

p_stacked_bar?=?df.plot_bokeh.bar(
????ylabel="每斤的的價格?[￥]",
????title="水果每年的價格",
????stacked=True,
????alpha=0.6)

output

直方圖

繪制直方圖的方式也是類似的

p_hist?=?df_hist.plot_bokeh.hist(
????y=["a",?"b"],
????bins=np.arange(-5,?5,?0.5),
????normed=100,
????vertical_xlabel=True,
????ylabel="Share[%]",
????title="正則分布直方圖",
????show_average=True,
????xlim=(-4,?6),
????ylim=(0,?30),
????show_figure=True)

output

小編個人覺得直方圖有點丑，不知道大家是不是有類似的體驗

面積圖

df.plot_bokeh.area(
????x="Year",
????stacked=True,
????legend="top_left",
????colormap=["yellow",?"orange",?"black",?"grey",?"blue",?"green"],
????title="全球不同能源的消耗量",
????ylabel="不同能源的消耗(噸)",
????ylim=(0,?16000))

output

我們看到石油的消耗量一直都在不斷的提升，另外有一個normed參數(shù)來幫助我們更好的觀察數(shù)據(jù)的走勢

df.plot_bokeh.area(
????x="Year",
????stacked=True,
????normed?=?100,
????legend="bottom_left",
????colormap=["yellow",?"orange",?"black",?"grey",?"blue",?"green"],
????title="全球不同能源的消耗量",
????ylabel="不同能源的消耗(噸)")

output

餅圖

df_pie.plot_bokeh.pie(
????x="Type",
????y="2017",
????colormap=["blue",?"red",?"yellow",?"green",?"purple",?"orange",?"grey"],
????title="餅圖",
????)

output

上面的代碼只是引用了表格當中的一列，當然我們也可以不做指定，引用表格當中的每一列數(shù)據(jù)

df_pie.plot_bokeh.pie(
????x="Type",
????colormap=["blue",?"red",?"yellow",?"green",?"purple",?"orange",?"grey"],
????title="多重餅圖",
????line_color="black")

output

地圖

同時我們來看一下地圖的繪制，下面的圖表是基于全球各大城市的人口密度分布來繪制的

df_mapped.plot_bokeh.map(
????x="longitude",
????y="latitude",
????hovertool_string="""?@{name}?
?
????
?????????????????????????Population:?@{pop_max}?
""",
????tile_provider="STAMEN_TERRAIN_RETINA",
????size="population",?
????figsize=(900,?600),
????title="全球特大城市分布")

output

從圖中可以看出，亞洲的日本主要是集中在東京這塊，而像在國內(nèi)的話，有大家熟知的北上廣深。上面的代碼有兩個參數(shù)x和y分別對應的是經(jīng)緯度，

import?geopandas?as?gpd
import?pandas_bokeh
pandas_bokeh.output_file("Interactive?Plot.html")

df_states?=?gpd.read_file("states.geojson")
print(df_states.head())

下面這張圖是美國各個州2017年的的人口總量，我們給上面的每一個州配上不同的顏色

df_states.plot_bokeh(
????figsize=(900,?600),
????category="POPESTIMATE2017",
????simplify_shapes=5000,
????colormap="Inferno",
????colormap_uselog=True,
????colorbar_tick_format="0.0a")

output

當然我們也可以在地圖上面添加一個時間軸，讓圖表隨著時間的流逝而變化

for?i?in?range(8):
????df_states["Delta_Population_201%d"%i]?=?((df_states["POPESTIMATE201%d"%i]?/?df_states["POPESTIMATE2010"])?-1?)?*?100
????
slider_columns?=?["Delta_Population_201%d"%i?for?i?in?range(8)]
slider_range?=?range(2010,?2018)
df_states.plot_bokeh(
????figsize=(900,?600),
????simplify_shapes=5000,
????slider=slider_columns,
????slider_range=slider_range,
????slider_name="Year",
????colormap="Inferno",
????hovertool_columns=["STATE_NAME"]?+?slider_columns,
????title="Change?of?Population?[%]")

output

同時我們也可以在地圖上面添加一個下拉框，通過點選來篩選數(shù)據(jù)的展示

df_states["STATE_NAME_SMALL"]?=?df_states["STATE_NAME"].str.lower()

df_states.plot_bokeh(
????figsize=(900,?600),
????simplify_shapes=5000,
????dropdown=["POPESTIMATE2010",?"POPESTIMATE2017"],
????colormap="Viridis",
????hovertool_string="""
????????????????????????"?
????????????????????????height="42"?alt="@imgs"?width="42"
????????????????????????style="float:?left;?margin:?0px?15px?15px?0px;"
????????????????????????border="2">
????????????????
??????????????????????????@STATE_NAME?

?????????????????????????2010:?@POPESTIMATE2010?

?????????????????????????2017:?@POPESTIMATE2017?
""",
????tile_provider_url=r"http://c.tile.stamen.com/watercolor/{Z}/{X}/{Y}.jpg",
????tile_attribution='Map?tiles?by?Stamen?Design,?under?CC?BY?3.0.?Data?by?OpenStreetMap,?under?ODbL.'
????)

output

最后我們可以通過區(qū)域的篩選來進行數(shù)據(jù)的呈現(xiàn)，通過`category`這個參數(shù)來實現(xiàn)

df_states.plot_bokeh(
????figsize=(900,?600),
????simplify_shapes=5000,
????category="REGION",
????show_colorbar=False,
????colormap=["blue",?"yellow",?"green",?"red"],
????hovertool_columns=["STATE_NAME",?"REGION"],
????tile_provider="STAMEN_TERRAIN_RETINA")

多圖組合

用pandas_bokeh模塊也能夠?qū)崿F(xiàn)多張圖表的組合，例如上面人口密度的圖表就可以和美國各大洲的人口總量的圖表進行組合

#繪制出大致的輪廓圖
figure?=?df_states.plot_bokeh(
????figsize=(800,?450),
????simplify_shapes=10000,
????show_figure=False,
????xlim=[-170,?-80],
????ylim=[10,?70],
????category="REGION",
????colormap="Dark2",
????legend="States",
????show_colorbar=False,
)

#繪制人口的密度圖
df_cities.plot_bokeh(
????figure=figure,?????????#?<==?pass?figure?here!
????category="pop_max",
????colormap="Viridis",
????colormap_uselog=True,
????size="size",
????hovertool_string="""@name

????????????????????????Population:?@pop_max?
""",
????marker="inverted_triangle",
????legend="Cities",
)

上面的代碼我們主要是用到了pandas_bokeh.plot_grid這個方法來將多個圖結(jié)合起來，再來看幾個簡單的案例

df?=?pd.read_csv("iris.csv")

from?bokeh.models.widgets?import?DataTable,?TableColumn
from?bokeh.models?import?ColumnDataSource

data_table?=?DataTable(
????columns=[TableColumn(field=Ci,?title=Ci)?for?Ci?in?df.columns],
????source=ColumnDataSource(df),
????height=300,
)

#?創(chuàng)建散點圖:
p_scatter?=?df.plot_bokeh.scatter(
????x="petal?length(cm)",
????y="sepal?width(cm)",
????category="species",
????title="Iris數(shù)據(jù)可視化",
????show_figure=False,
)

#?Combine?Table?and?Scatterplot?via?grid?layout:
pandas_bokeh.plot_grid([[data_table,?p_scatter]],?plot_width=400,?plot_height=350)

output

我們也可以借此多繪制幾個直方圖，然后組合起來

#重置表格的行索引:
df.reset_index(inplace=True)

#創(chuàng)建水平方向的直方圖:
p_hbar?=?df.plot_bokeh(
????kind="barh",
????x="fruits",
????xlabel="Price?per?Unit?[€]",
????title="Fruit?prices?per?Year",
????alpha=0.6,
????legend?=?"bottom_right",
????show_figure=False)

#創(chuàng)建堆疊式的柱狀圖:
p_stacked_hbar?=?df.plot_bokeh.barh(
????x="fruits",
????stacked=True,
????xlabel="Price?per?Unit?[€]",
????title="Fruit?prices?per?Year",
????alpha=0.6,
????legend?=?"bottom_right",
????show_figure=False)

#Plot?all?barplot?examples?in?a?grid:
pandas_bokeh.plot_grid([[p_bar,?p_stacked_bar],
????????????????????????[p_hbar,?p_stacked_hbar]],?
???????????????????????plot_width=450)