今天小編來講一下如何用一行代碼在DataFrame數據集當中生成炫酷的動態交互式的圖表，我們先來介紹一下這次需要用到的模塊cufflinks

就像是seaborn封裝了matplotlib一樣，cufflinks也在plotly上面做了進一步的包裝及優化，方法統一、參數配置簡單，對于DataFrame數據集而言也可以方便靈活的繪圖，而這次我們要繪制的圖表包括

• 折線圖

• 面積圖

• 散點圖

• 柱狀圖

• 直方圖

• 箱型圖

• 熱力圖

• 3D 散點圖/3D 氣泡圖

• 趨勢圖

• 餅圖

• K線圖

• 多個子圖相拼合

模塊的安裝

涉及到安裝，直接pip install即可

pip?install?cufflinks

導入模塊，并查看相關的配置

我們導入該模塊，看一下目前的版本是在多少

cf.__version__

output

'0.17.3'

目前該模塊的版本已經到了0.17.3，也是最新的版本，然后我們最新版本支持可以繪制的圖表有哪些

cf.help()

output

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:barboxbubblebubble3dcandlechoropletdistplot.......

從上面的輸出我們可以看到，繪制圖表大致的語法是df.iplot(kind=圖表名稱)而如何我們想要查看某個特定圖表繪制時候的參數，例如柱狀圖bar參數有哪些，可以這么做

cf.help('bar')

柱狀圖

我們先來看一下直方圖圖表的繪制，首先來創建一個數據集用于圖表的繪制

df2?=?pd.DataFrame({'Category':['A','B','C','D'],'Values':[95,56,70,85]}) df2

output

Category??Values 0????????A??????95 1????????B??????56 2????????C??????70 3????????D??????85

然后我們來繪制直方圖

df2.iplot(kind='bar',x='Category',y='Values',xTitle?=?"Category",yTitle?=?"Values",title?=?"直方圖")

output

其中的x參數上面填的是x軸上面對應的變量名，而y參數填的是y軸上面對應的變量名，我們可以將繪制的圖表以png的格式下載下來，

同時我們也還可以對繪制的圖表放大查看，

我們再來看一下下面這組數據

df?=?pd.DataFrame(np.random.randn(100,4),columns='A?B?C?D'.split()) df.head()

output

A?????????B?????????C?????????D 0??0.612403?-0.029236?-0.595502??0.027722 1??1.167609??1.528045?-0.498168?-0.221060 2?-1.338883?-0.732692??0.935410??0.338740 3??1.662209??0.269750?-1.026117?-0.858472 4??1.387077?-0.839192?-0.562382?-0.989672

我們來繪制直方圖的圖表

df.head(10).iplot('bar')

output

我們也可以來繪制“堆疊式”的直方圖

df.head(10).iplot(kind='bar',barmode='stack')

output

那么同樣地，我們也可以將直方圖橫過來來繪制

df.head(10).iplot(kind='barh',barmode='stack')

output

折線圖

下面我們來看一下折線圖的繪制，我們首先針對上面的df數據集各列做一個累加

df3?=?df.cumsum()

然后我們來繪制折線圖

df3.iplot()

output

當然你也可以篩選出當中的幾列然后來進行繪制，效果如下

df3[["A",?"B"]].iplot()

output

我們也可以給折線圖畫一條擬合其走勢的直線，

df3['A'].iplot(bestfit?=?True,bestfit_colors=['pink'])

output

這里我們著重來介紹一個iplot()方法里面常用的參數

• kind:圖表類型，默認的是scatter，散點類型，可供選擇的類型還有bar(直方圖)、box(箱型圖)、heatmap(熱力圖)等等

• theme: 布局主題，可以通過cf.getThemes()來查看主要有哪些

• title: 圖表的標題

• xTitle/yTitle: x或者y軸上面的軸名

• colors: 繪制圖表時候的顏色

• subplots: 布爾值，繪制子圖時候需要用到，默認為False

• mode: 字符串，繪圖的模式，可以有lines、markers，也還有lines+markers和lines+text等模式

• size: 針對于散點圖而言，主要用來調整散點的大小

• shape: 在繪制子圖時候各個圖的布局

• bargap: 直方圖當中柱子之間的距離

• barmode : 直方圖的形態，stack(堆疊式)、group(簇狀)、overlay(覆蓋)

面積圖

從折線圖到面積圖的轉變非常的簡單，只需要將參數fill設置為True即可，代碼如下

df3.iplot(fill?=?True)

output

散點圖

對于散點圖的繪制，我們需要將mode設置成marker，代碼如下

df3.iplot(kind='scatter',x='A',y='B',mode='markers',size=10)

output

我們可以通過調整size參數來調整散點的大小，例如我們將size調整成20

df3.iplot(kind='scatter',x='A',y='B',mode='markers',size=20)

output

或者將mode設置成lines+markers，代碼如下

df3.iplot(kind='scatter',x='A',y='B',mode='lines?+?markers',size=10)

我們還可以對散點的形狀加以設定，例如下面的代碼

df3.iplot(kind='scatter',x='A',y='B',mode='markers',size=20,symbol="x",colorscale='paired',)

output

當然我們也可以對散點的顏色加以設定

df.iplot(kind='scatter'?,mode='markers',symbol='square',colors=['orange','purple','blue','red'],size=20)

output

氣泡圖

氣泡圖的呈現方式與散點圖相比有著異曲同工之妙，在繪制上面將kind參數改成bubble，假設我們有這樣一組數據

cf.datagen.bubble(prefix='industry').head()

output

x?????????y??size????text?categories 0??0.332274??1.053811?????2??LCN.CG??industry1 1?-0.856835??0.422373????87??ZKY.XC??industry1 2?-0.818344?-0.167020????72??ZSJ.DJ??industry1 3?-0.720254??0.458264????11??ONG.SM??industry1 4?-0.004744??0.644006????40??HUW.DN??industry1

我們來繪制一下氣泡圖

cf.datagen.bubble(prefix='industry').iplot(kind='bubble',x='x',y='y',size='size',categories='categories',text='text',?xTitle='Returns',yTitle='Analyst?Score',title='Cufflinks?-?氣泡圖')

output

氣泡圖與散點圖的不同就在于，散點圖當中的每個點大小都是一致的，但是氣泡圖并不是如此

3D散點圖

那既然我們已經提到了氣泡圖，那么3D散點圖也就順便提一下吧，假設我們的數據如下所示

cf.datagen.scatter3d(2,150).head()

output

x?????????y?????????z????text?categories 0??0.375359?-0.683845?-0.960599??RER.JD??category1 1??0.635806??1.210649??0.319687??INM.LE??category1 2??0.578831??0.103654??1.333646??BSZ.HS??category1 3?-1.128907?-1.189098??1.531494??GJZ.UX??category1 4??0.067668?-1.990996??0.088281??IQZ.KS??category1

我們來繪制一下3D的氣泡圖，既然是三維的圖形就說明有x軸、y軸還有z軸，代碼如下

cf.datagen.scatter3d(2,150).iplot(kind='scatter3d',x='x',y='y',z='z',size=15,categories='categories',text='text',title='Cufflinks?-?3D氣泡圖',colors=['yellow','purple'],width=1,margin=(0,0,0,0),opacity=1)

output

3D氣泡圖

那么提到了3D散點圖，就不得不提3D的氣泡圖了，假設我們的數據集長這樣

cf.datagen.bubble3d(5,4).head()

output

x?????????y?????????z??size????text?categories 0?-1.888528??0.801430?-0.493671????77??OKC.HL??category1 1?-0.744953?-0.004398?-1.249949????61??GAG.UH??category1 2??0.980846??1.241730?-0.741482????37??LVB.EM??category1 3?-0.230157??0.427072??0.007010????78??NWZ.MG??category1 4??0.025272?-0.424051?-0.602937????76??JDW.AX??category2

我們來繪制一下3D的氣泡圖

cf.datagen.bubble3d(5,4).iplot(kind='bubble3d',x='x',y='y',z='z',size='size',text='text',categories='categories',title='Cufflinks?-?3D氣泡圖',colorscale='set1',width=.9,opacity=0.9)

output

箱型圖

接下來我們看一下箱型圖的繪制，箱型圖對于我們來觀察數據的分布、是否存在極值等情況有著很大的幫助

df.iplot(kind?=?"box")

output

熱力圖

這個是熱力圖的繪制，我們來看一下數據集

cf.datagen.heatmap(20,20).head()

output

y_0????????y_1????????y_2??...???????y_17???????y_18???????y_19 x_0??40.000000??58.195525??55.355233??...??77.318287??80.187609??78.959951 x_1??37.111934??25.068114??25.730511??...??27.261941??32.303315??28.550340 x_2??54.881357??54.254479??59.434281??...??75.894161??74.051203??72.896999 x_3??41.337221??39.319033??37.916613??...??15.885289??29.404226??26.278611 x_4??42.862472??36.365226??37.959368??...??24.998608??25.096598??32.413760

我們來繪制一下熱力圖，代碼如下

cf.datagen.heatmap(20,20).iplot(kind='heatmap',colorscale='spectral',title='Cufflinks - 熱力圖')

output

趨勢圖

所謂的趨勢圖，說白了就是折線圖和面積圖兩者的結合，代碼如下

df[["A",?"B"]].iplot(kind?=?'spread')

output

餅圖

下面我們來看一下餅圖的繪制，代碼如下

cf.datagen.pie(n_labels=6,?mode?=?"stocks").iplot(kind?=?"pie",labels?=?"labels",values?=?"values")

output

K線圖

cufflinks也可以用來繪制K線圖，我們來看一下這里的數據集

cf.datagen.ohlc().head()

output

open????????high?????????low???????close 2015-01-01??100.000000??119.144561???97.305961??106.125985 2015-01-02??106.131897??118.814224???96.740816??115.124342 2015-01-03??116.091647??131.477558??115.801048??126.913591 2015-01-04??128.589287??144.116844??117.837221??136.332657 2015-01-05??134.809052??138.681252??118.273850??120.252828

從上面的數據集當中可以看到，有開盤價、收盤價、最高/最低價，然后我們來繪制K線圖

cf.datagen.ohlc().iplot(kind?=?"ohlc",xTitle?=?"日期",yTitle="價格",title?=?"K線圖")

output

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.iplot(kind?=?"histogram")

output

多個子圖的繪制

然后我們看一下多個子圖的繪制，一個是用scatter_matrix()方法來實現

df?=?pd.DataFrame(np.random.randn(1000,?4),columns=['a',?'b',?'c',?'d']) df.scatter_matrix()

output

另外就是使用subplots參數，將其參數設置為True，例如我們來繪制多個直方圖子圖

df_h=cf.datagen.histogram(4) df_h.iplot(kind='histogram',subplots=True,bins=50)

output

或者是繪制多個折線圖子圖

df=cf.datagen.lines(4) df.iplot(subplots=True,subplot_titles=True,legend=True)

output

最后我們還可以自由來組合多個子圖的繪制，通過里面的specs參數

df=cf.datagen.bubble(10,50,mode='stocks') #?定義要繪制圖表的形式 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=['red'])) base_layout=cf.tools.get_base_layout(figs) #?多個子圖如何來分布，specs參數當中，分為兩行兩列來進行分布 specs=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.25,horizontal_spacing=.04,specs=[[{'rowspan':2},{}],[None,{}],[{'colspan':2},None]],subplot_titles=['直方圖','散點圖_1','散點圖_2','折線圖+擬合線']) specs['layout'].update(showlegend=True) cf.iplot(specs)

output

各位伙伴們好，詹帥本帥搭建了一個個人博客和小程序，匯集各種干貨和資源，也方便大家閱讀，感興趣的小伙伴請移步小程序體驗一下哦！（歡迎提建議）

推薦閱讀

牛逼！Python常用數據類型的基本操作（長文系列第①篇）

牛逼！Python的判斷、循環和各種表達式（長文系列第②篇）

牛逼！Python函數和文件操作（長文系列第③篇）

牛逼！Python錯誤、異常和模塊（長文系列第④篇）

總結

以上是生活随笔為你收集整理的精选30张炫酷的动态交互式图表，Pandas一键生成，通俗易懂的全部內容，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。