上手Pandas，帶你玩轉資料（6）-- 擺脫對pandas可視化丑圖的刻板印象吧

pandas資料可視化

其實，pandas作圖是個什么效果大家心里應該有數，不然也不會有那么多其他的庫來作圖，或者說，pandas本身是一個做資料分析的庫，作圖的話，可能并不是它的本職作業，

但是呢，既然人家有，那我就放一下，

不急，文章后面會有比較好的pandas可視化工具，
（如果性子急的朋友可以從目錄直接跳轉到下面的第二個大板塊兒）

線形圖

import pandas as pd
import numpy as np
 
s = Series( np. random. randn( 10). cumsum(), index= np. arange( 0, 100, 10))
s. plot()

條形圖

df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
df.plot.bar()

堆積條形圖

傳遞stacked = True ：

df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
df.plot.bar(stacked=True)

水平條形圖

要獲得水平條形圖，請使用 barh 方法：

df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')

df.plot.barh(stacked=True)

直方圖

df = pd.DataFrame({'a':np.random.randn(1000)+1,'b':np.random.randn(1000),'c':
np.random.randn(1000) - 1}, columns=['a', 'b', 'c'])
 
df.plot.hist(bins=20)

箱型圖

df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
df.plot.box()

區域圖

df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df.plot.area()

散點圖

df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.plot.scatter(x='a', y='b')

餅狀圖

df = pd.DataFrame(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], columns=['x'])
df.plot.pie(subplots=True)

plotly資料可視化

pandas現在可以使用Plotly、Bokeh作為可視化的backend，直接實作互動性操作，無需再單獨使用可視化包了，

激活backend：

pd.options.plotting.backend = 'plotly'

可以填在上面的有：

Plotly
Holoviews
Matplotlib
Pandas_bokeh
Hyplot

Plotly backend簡介

Plotly是基于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檔案或嵌入基于Python的Web應用程式中，
使用Plotly可以畫出很多媲美Tableau的高質量圖：

此前一直是苦于pyecharm的模板不夠多，前端不熟的小伙伴，這可是一個好東西哦！！！

if Jupyter

如果是在Jupyterlab中使用Plotly，那還需要執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

好，我用的是pyechart

資料集選取

資料集來源

這個資料也是Scikit-learn中的樣本資料，所以也可以使用以下代碼將其直接匯入，

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)
print(data.head().T)

                                     0       1       2       3      4
Alcohol                          14.23    13.2   13.16   14.37  13.24
Malic_acid                        1.71    1.78    2.36    1.95   2.59
Ash                               2.43    2.14    2.67     2.5   2.87
Alcalinity_of_ash                 15.6    11.2    18.6    16.8   21.0
Magnesium                        127.0   100.0   101.0   113.0  118.0
Total_phenols                      2.8    2.65     2.8    3.85    2.8
Flavanoids                        3.06    2.76    3.24    3.49   2.69
Nonflavanoid_phenols              0.28    0.26     0.3    0.24   0.39
Proanthocyanins                   2.29    1.28    2.81    2.18   1.82
Color_intensity                   5.64    4.38    5.68     7.8   4.32
Hue                               1.04    1.05    1.03    0.86   1.04
OD280%2FOD315_of_diluted_wines    3.92     3.4    3.17    3.45   2.93
Proline                         1065.0  1050.0  1185.0  1480.0  735.0
class                                1       1       1       1      1

該資料集是葡萄酒相關的，包含葡萄酒型別的許多功能和相應的標簽，

開始繪圖

散點圖

繪圖方式與正常使用Pandas內置的繪圖操作幾乎相同，只是現在以豐富的Plotly顯示可視化效果，

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

放大縮小，矢量圖，你懂得，

條形輝度圖

我們可以結合Pandas的groupby函式創建一個條形圖，總結各類之間Hue的均值差異，

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

散點分類圖

將class添加到我們剛才創建的散點圖中，通過Plotly可以輕松地為每個類應用不同的顏色，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')

資料推薦

這里示例就放這些，比較簡單一些，
這里不建議大家去看各種網文，質量都參差不齊的，直接去看官方檔案，

Python Figure Reference: Single-Page
Plotly Python Open Source Graphing Library Fundamentals

推一篇還不錯的博文：可視化神器Plotly(5)—引數詳解