原文地址HoloView – Tabular Datasets

表格數據集

正如我們已經發現的那樣，元素是圍繞數據的簡單包裝，提供了語義上有意義的視覺表示。HoloViews可以處理多種數據類型，但其中許多可以分類為：

• Tabular: 表格數據
• Gridded: 陣列數據
  我們將分成兩個章節來描述上述的兩種結構，在本篇文章中描述表格數據，包括下述的各種類型（包括NumPy array組成的字典類型，pandas的DataFrames, dask DataFrames, 和 xarray DataArrays ``Datasets`）。

表格化

Tabular data (also called columnar data) is one of the most common, general, and versatile data formats, corresponding to how data is laid out in a spreadsheet.
表格數據（也稱為柱狀數據）是最常見、通用和通用的數據格式之一，對應于數據在電子表格中的布局方式。
有很多方法可以將數據轉化為表格形式，對于交互式分析，tidy data提供了簡單與靈活的方法。對于整齊的數據，表格的列表示變量或維度，行表示觀察值。理解這種格式的最佳方法是查看這樣的數據集：

import numpy as np import pandas as pd import holoviews as hv from holoviews import opts hv.extension('bokeh', 'matplotlib')``````python path = r"C:\Users\samsung\AppData\Local\Programs\Python\Python38\Lib\site-packages\holoviews\examples\getting_started" import os os.chdir(path) diseases = pd.read_csv('../assets/diseases.csv.gz') diseases.head()

這個特殊的數據集是[華爾街日報]((http://graphics.wsj.com/infectious-diseases-and-vaccines/#b02g20t20w15)一篇優秀的視覺新聞報道的主題。華爾街日報的主題詳細的訴說了各種疾病隨時間的發生率，該數據可以從匹茲堡大學的相應項目中下載University of Pittsburgh’s Project Tycho。我們可以看到，我們有5個數據列，每個數據列對應于指定特定測量值的自變量（“年”、“周”、“州”），或報告當時實際測量值/因變量（“麻疹”或“百日咳”發病率）。
了解變量之間的兩兩關系對于可視化是至關重要的，但是在表格中并沒有這些信息。顯然繪制“周”與“州”之間的關系圖沒有任何意義，而每個州下的麻疹率（在其他維度上求平均）的結果將很適合，但是并無法從表格格式中去推斷這些約束。因此我們會先創建一個Dataset這個HoloView對象，該Dataset聲明了自變量(kdims 這個維度)和因變量(vdims這個維度)。

vdims = [('measles', 'Measles Incidence'), ('pertussis', 'Pertussis Incidence')] ds = hv.Dataset(diseases, ['Year', 'State'], vdims)

這里，我們使用了可選的基于元組的語法**(name,label)**來為vdims這個維度制定了更有意思的描述，而對于kvdims，這里就是用了默認的字符。從上述可以看到，我們并沒有聲明如何去處理“Week”，因為我們這里只對"Year"和"State"感興趣。

ds = ds.aggregate(function=np.mean) ds

“repr”向我們顯示了“Dataset”的“kdims”（在方括號中）和“vdims”（在括號中）。因為“數據集”可以容納維度的任意組合，所以它不是立即可見的。從這四個維度到二維頁面沒有單一的清晰映射，因此上面顯示了文本表示。
為了使這些數據可視化，我們需要提供更多的元數據，方法是選擇一個大型元素庫來幫助回答我們想要詢問的有關數據的問題。也許這個數據集最明顯的表現形式是一條“曲線”，顯示了每個州每年的發病率。我們可以從原始數據集中逐個拉出各個列，但現在我們已經聲明了有關維度的信息，最干凈的方法是使用將數據集的維度映射到元素的維度。到：

layout = (ds.to(hv.Curve, 'Year', 'measles') + ds.to(hv.Curve, 'Year', 'pertussis')).cols(1) layout.opts(opts.Curve(width=600, height=250, framewise=True))

在這里，我們指定了兩個分別顯示麻疹和百日咳發病率的“曲線”元素（vdims），每年（kdim），并將其放置在垂直列中。您會注意到，盡管我們只為值維度指定了短名稱，但圖中顯示了我們在“數據集”上聲明的較長名稱（“麻疹發病率”、“百日咳發病率”）。
您還會注意到，我們自動收到一個下拉菜單，選擇要查看的“州”。每個“曲線”都忽略了未使用的值維度，因為額外的測量不會相互影響，但HoloViews必須對每個這樣的圖的每個關鍵維度做一些事情。如果“州”（或任何其他關鍵維度）沒有以某種方式繪制或聚合，則HoloViews必須讓用戶為其選擇一個值，因此選擇小部件。關于如何處理額外維度或只是額外數據范圍的其他選項如下所示。

selecting

我們經常想做的事情就是我們只選擇數據的一個子集。select方法使這個變得非常簡單，可以讓我們只選擇一個數據，list或者tuple。這里我們使用select方法選擇四個州的麻疹發病率，當應用了這個selectH后，我們用 .to方法使其使用直方圖的形式展現出來，使用Year和State作為kdims，‘Measles Incidence’ 作為vdims

states = ['New York', 'New Jersey', 'California', 'Texas'] bars = ds.select(State=states, Year=(1980, 1990)).to(hv.Bars, ['Year', 'State'], 'measles').sort() bars.opts(opts.Bars(width=800, height=400, tools=['hover'], xrotation=90, show_legend=False))

編者注：
實話實說，自己直接用Bokeh也不一定能出來這個效果，但看到目前位置，總感覺能控制的東西相對少了些，不如直接寫bokeh來的踏實，但是畢竟希望能用它馴服大數據的繪圖，還是先都過一遍吧

Faceting（翻譯成鑲嵌？）

上面我們已經看到了我們沒有使用“to”方法顯式分配給元素的關鍵維度的情況：它們被分組，彈出一組小部件，以便用戶可以選擇要在任何時候顯示的值。然而，使用小部件并不總是查看數據的最有效方式，“數據集”允許您使用“數據集”指定其他替代方法。覆蓋，。網格和。布局``方法。例如，我們可以使用“.grid”分別布置每個狀態：

grouped = ds.select(State=states, Year=(1930, 2005)).to(hv.Curve, 'Year', 'measles') gridspace = grouped.grid('State') gridspace.opts(opts.Curve(width=200, tools=['hover'], color='indianred'))

除了選擇數據子集，HoloViews支持的另一個常見操作是計算聚合。當我們首次加載此數據集時，我們在“周”列上進行聚合，以計算每年的平均發病率，從而顯著減少了我們的數據。因此，“聚合”方法對于根據我們的數據計算統計數據非常有用。
使用我們的數據集的一個簡單示例是按“年”計算麻疹發病率的平均值和標準差。我們可以簡單地通過傳遞關鍵維度來表示這一點（在本例中只是“年”），以及一個函數和可選的“spreadfn”來計算我們想要的統計數據。“spreadfn”將把函數名附加到維度名之后，這樣我們可以單獨引用計算值。計算完聚合后，我們可以簡單地將其轉換為“曲線”和“誤差條”：

agg = ds.aggregate('Year', function=np.mean, spreadfn=np.std) errorbars = hv.ErrorBars(agg,vdims=['measles', 'measles_std']).iloc[::2] overlay = (hv.Curve(agg) * errorbars).redim.range(measles=(0, None))overlay.opts(width=600)

通過這種方式，我們可以將多維數據集概括為可以直接可視化的數據集，同時允許我們沿維度計算任意統計信息。

最后

歡迎各種牛一起加入學習探討，關于python可視化的交流，剛新建的群，主要專注于bokeh與Holoview

可在QQ搜索群 python bokeh, 群號859297380，隨時交流，互通有無

總結

以上是生活随笔為你收集整理的HoloView -- Tabular Datasets的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。