资讯专栏INFORMATION COLUMN

Python一行代码搞定炫酷可视化,你需要了解一下Cufflinks

microcosm1994 / 810人阅读

摘要:有一个专门生成随机数的方法,叫做,用于生成不同维度的随机数据,比如下面。线图使用生成随机数定义为形式,数据为然后再用绘制这一组时间序列,参数设置展现三个不同周期的时序分析。

作者:xiaoyu

微信公众号:Python数据科学

知乎:python数据分析师


前言

学过Python数据分析的朋友都知道,在可视化的工具中,有很多优秀的三方库,比如matplotlibseabornplotlyBokenpyecharts等等。这些可视化库都有自己的特点,在实际应用中也广为大家使用。

plotly、Boken等都是交互式的可视化工具,结合Jupyter notebook可以非常灵活方便地展现分析后的结果。虽然做出的效果非常的炫酷,比如plotly,但是每一次都需要写很长的代码,一是麻烦,二是不便于维护。

我觉得在数据的分析阶段,更多的时间应该放在分析上,维度选择、拆解合并,业务理解和判断。如果既可以减少代码量,又可以做出炫酷可视化效果,那将大大提高效率。当然如果有特别的需求除外,此方法仅针对想要快速可视化进行分析的人。

本篇给大家介绍一个非常棒的工具,cufflinks,可以完美解决这个问题,且效果一样炫酷。

cufflinks介绍

就像seaborn封装了matplotlib一样,cufflinks在plotly的基础上做了一进一步的包装,方法统一,参数配置简单。其次它还可以结合pandas的dataframe随意灵活地画图。可以把它形容为"pandas like visualization"。

毫不夸张地说,画出各种炫酷的可视化图形,我只需一行代码,效率非常高,同时也降低了使用的门槛儿。cufflinks的github链接如下:

https://github.com/santosjorg...

cufflinks安装

安装不多说,直接pip install即可。

pip install cufflinks
cufflinks如何使用?

cufflinks库一直在不断更新,目前最新版为V0.14.0,支持plotly3.0。首先我们看看它都支持哪些种类的图形,可以通过help来查看。

import cufflinks as cf
cf.help()

Use "cufflinks.help(figure)" to see the list of available parameters for the given figure.
Use "DataFrame.iplot(kind=figure)" to plot the respective figure
Figures:
  bar
  box
  bubble
  bubble3d
  candle
  choroplet
  distplot
  heatmap
  histogram
  ohlc
  pie
  ratio
  scatter
  scatter3d
  scattergeo
  spread
  surface
  violin

使用方法其实很简单,我总结一下,它的格式大致是这样的:

DataFrame:代表pandas的数据框;

Figure:代表我们上面看到的可绘制图形,比如bar、box、histogram等等;

iplot:代表绘制方法,其中有很多参数可以进行配置,调节符合你自己风格的可视化图形;

cufflinks实例

我们通过几个实例感受一下上面的使用方法。使用过plotly的朋友可能知道,如果使用online模式,那么生成的图形是有限制的。所以,我们这里先设置为offline模式,这样就避免了出现次数限制问题。

import pandas as pd
import cufflinks as cf
import numpy as np

cf.set_config_file(offline=True)

然后我们需要按照上面的使用格式来操作,首先我们需要有个DataFrame,如果手头没啥数据,那可以先生成个随机数。cufflinks有一个专门生成随机数的方法,叫做datagen,用于生成不同维度的随机数据,比如下面。

lines线图
cf.datagen.lines(1,500).ta_plot(study="sma",periods=[13,21,55])

1)cufflinks使用datagen生成随机数;

2)figure定义为lines形式,数据为(1,500);

3)然后再用ta_plot绘制这一组时间序列,参数设置SMA展现三个不同周期的时序分析。

box箱型图

还是与上面用法一样,一行代码解决。

cf.datagen.box(20).iplot(kind="box",legend=False)

可以看到,x轴每个box都有对应的名称,这是因为cufflinks通过kind参数识别了box图形,自动为它生成的名字。如果我们只生成随机数,它是这样子的,默认生成100行的随机分布的数据,列数由自己选定。

histogram直方图
cf.datagen.histogram(3).iplot(kind="histogram")

和plotly一样,我们可以通过一些辅助的小工具框选或者lasso选择来区分和选定指定区域,只要一行代码。

当然了,除了随机数据,任何的其它dataframe数据框都可以,包括我们自己导入的数据。

histogram条形图
df=pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
df.iplot(kind="bar",barmode="stack")

上面我们生成了一个(10,4)的dataframe数据框,名称分别是a,b,c,d。那么cufflinks将会根据iplot中的kind种类自动识别并绘制图形。参数设置为堆叠模式。

scatter散点图
df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])
df.iplot(kind="scatter",mode="markers",colors=["orange","teal","blue","yellow"],size=10)

bubble气泡图
df.iplot(kind="bubble",x="a",y="b",size="c")

scatter matrix 散点矩阵图
df = pd.DataFrame(np.random.randn(1000, 4), columns=["a", "b", "c", "d"])
df.scatter_matrix()

subplots 子图
df=cf.datagen.lines(4)
df.iplot(subplots=True,shape=(4,1),shared_xaxes=True,vertical_spacing=.02,fill=True)

df.iplot(subplots=True,subplot_titles=True,legend=False)

再比如复杂一点的。

df=cf.datagen.bubble(10,50,mode="stocks")
figs=cf.figures(df,[dict(kind="histogram",keys="x",color="blue"),
                    dict(kind="scatter",mode="markers",x="x",y="y",size=5),
                    dict(kind="scatter",mode="markers",x="x",y="y",size=5,color="teal")],asList=True)
figs.append(cf.datagen.lines(1).figure(bestfit=True,colors=["blue"],bestfit_colors=["pink"]))
base_layout=cf.tools.get_base_layout(figs)
sp=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.15,horizontal_spacing=.03,
               specs=[[{"rowspan":2},{}],[None,{}],[{"colspan":2},None]],
               subplot_titles=["Histogram","Scatter 1","Scatter 2","Bestfit Line"])
sp["layout"].update(showlegend=False)
cf.iplot(sp)

shapes 形状图

如果我们想在lines图上增加一些直线作为参考基准,这时候我们可以使用hlines的类型图。

df=cf.datagen.lines(3,columns=["a","b","c"])
df.iplot(hline=[dict(y=-1,color="blue",width=3),dict(y=1,color="pink",dash="dash")])

或者是将某个区域标记出来,可以使用hspan类型。

df.iplot(hspan=[(-1,1),(2,5)])

又或者是竖条的区域,可以用vspan类型。

df.iplot(vspan={"x0":"2015-02-15","x1":"2015-03-15","color":"teal","fill":True,"opacity":.4})

如果对iplot中的参数不熟练,直接输入以下代码即可查询。

help(df.iplot)
总结

怎么样,是不是非常快捷方便?以上介绍是一般的可绘制类型,当然你可以根据自己的需求做出更多的可视化图形。如果是常规图形,一行即可实现。除此外,cufflinks还有强大的颜色管理功能,如果感兴趣可以自行学习。

如果觉得有帮助,还请给点个赞!

欢迎关注我的个人公众号:Python数据科学

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/45216.html

相关文章

  • 收藏 | 10个可以快速用Python进行数据分析的小技巧

    摘要:函数将单元格内容以形式呈现。自动评论代码自动注释单元格中的选定行,再次命中组合将取消注释相同的代码行。如果需要恢复整个已删除的单元格,请按或撤消删除单元格。 showImg(https://segmentfault.com/img/remote/1460000019599210); 编译:小七、蒋宝尚 一些小提示和小技巧可能是非常有用的,特别是在编程领域。有时候使用一点点黑客技术,既可...

    silvertheo 评论0 收藏0
  • D3.js数据视化

    摘要:和之前用的有啥不同和都是用来生成各类图表的,区别的话可以从使用方法和实现方式上是通过来绘制图形具体使用方法是通过方法初始化一个实例并通过方法生成一个简单的柱状图很轻松搞定。通过来绘制图形使用时需要先创建画布元素然后进行各种绘制图形。 你的淘宝年度消费报告那炫酷的图表一下子让人忘了自己花了多少钱,各大门户网站、媒体都开始大量使用图表,于是乎又有一批工具等待我们学习的路上 什么是D3.js...

    songze 评论0 收藏0
  • Python绘制六种视化图表详解,三维图最炫酷觉得呢?

    摘要:散点图其实散点图和折线图是一样的原理,将散点图里的点用线连接起来就是折线图了。所以绘制散点图,只要设置一下线型即可。三维图绘制三维散点图绘制三维平面图你觉得那个炫酷呢原文链接 可视化图表,有相当多种,但常见的也就下面几种,其他比较复杂一点,大都也是基于如下几种进行组合,变换出来的。对于初学者来说,很容易被这官网上众多的图表类型给吓着了,由于种类太多,几种图表的绘制方法很有可能会混淆起来...

    JeOam 评论0 收藏0
  • 秀的一批,那些不得不知的 Python 杀手级框架

    摘要:那在届有哪些被封神的库呢,今天就给大家介绍十个堪称杀手级别的工具包。总之,是一款非常强大且易用的网络请求库。地址最好用的框架。图像处理,该库是你的不二之选。 Pyt...

    zeyu 评论0 收藏0
  • 秀的一批,那些不得不知的 Python 杀手级框架!

    摘要:那在届有哪些被封神的库呢,今天就给大家介绍十个堪称杀手级别的工具包。该库是在之上完善的,自此请求就变得异常的简单,一行代码即可搞定。这是最流行的网络爬虫框架库,没有之一。最好用的框架。图像处理,该库是你的不二之选。 文 | 豆豆 来源:Python 技术「ID: pythonall」 ...

    ninefive 评论0 收藏0

发表评论

0条评论

microcosm1994

|高级讲师

TA的文章

阅读更多
最新活动
阅读需要支付1元查看
<