dw网页制作教程动态,重庆seo网站哪家好,自己做图网站,标书制作好学吗全文共1803字#xff0c;预计学习时长10分钟图源#xff1a;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#xff0c;其可用的可视化效果总是十分粗略#xff0c;实用有余、美观不足。笔者常用 Pandas 的绘图功能快速地执行一…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· HyplotPlotly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IPywaidgetspipenv install jupyterlab ipywidgets7.5pip install jupyterlab ipywidgets7.5然后运行以下命令以安装Plotly扩展jupyter labextension install jupyterlab-plotly4.8.1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, version1, as_frameTrue, return_X_yTrue) data pd.concat([X,y], axis1) 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(yAlcohol, xProline)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(yAlcohol, xProline) 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(xHue, yProline, categoryclass, , show_figureFalse) 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(xHue, yProline, categoryclass, , show_figureFalse) 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_width450)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