---

寫在前面

在這篇文章中， 云朵君想介紹一個(gè)很酷的python手繪樣式可視化包——可愛的圖表?cutecharts。Cutecharts?非常適合為圖表提供更個(gè)性化的觸感。

Cutecharts?與常規(guī)的?Matplotlib?和?Seaborn?庫(kù)完全不同，它可以查看手工制作的圖表，并在將鼠標(biāo)懸停在圖表上時(shí)向我們顯示值。Matplotlib?圖表中沒有懸停效果，這是可愛圖表的一個(gè)優(yōu)勢(shì)。與?seaborn?相比，在可愛圖表中創(chuàng)建圖表的時(shí)間要長(zhǎng)一些，但代碼數(shù)量仍然比標(biāo)準(zhǔn)?matplotlib?庫(kù)少。

該包可用于生成以下類型的圖表。目前，該庫(kù)支持五種不同的圖表——條形圖、餅圖、雷達(dá)圖、散點(diǎn)圖和折線圖。

繪圖準(zhǔn)備

安裝cutecharts

這是個(gè)python第三方庫(kù)，要?jiǎng)?chuàng)建此圖表，你需要安裝cutecharts庫(kù)。具體安裝方法與其他庫(kù)一樣。

pip?install?cutecharts

導(dǎo)入庫(kù)

import?cutecharts.charts?as?ctc import?pandas?as?pd

數(shù)據(jù)集

看看 TMBD 數(shù)據(jù)是什么樣子的？數(shù)據(jù)有 21 列。

df?=?pd.read_csv(r'tmdb-movies.csv') df.head(2)

數(shù)據(jù)說明

TMBD 的數(shù)據(jù)取自?kaggle^[1]。

• Popularity流行度：?指定電影流行度的數(shù)字量

• Budget預(yù)算：?電影制作的預(yù)算。

• Revenue收入：?電影產(chǎn)生的全球收入。

• Original Title原片名：?翻譯或改編前電影的片名。

• Cast演員：?在電影中扮演角色的演員姓名

• Homepage主頁(yè)：?指向電影主頁(yè)的鏈接。

• Director導(dǎo)演：?導(dǎo)演電影的導(dǎo)演姓名

• Title片名：?電影名稱。

• Keywords關(guān)鍵字：?與電影相關(guān)的關(guān)鍵字或標(biāo)簽。

• Overview概述：?對(duì)電影的簡(jiǎn)要描述。

• Runtime運(yùn)行時(shí)間：?以分鐘為單位的電影運(yùn)行時(shí)間。

• Genres類型：?電影的類型，劇情、動(dòng)作、喜劇、驚悚等。

• Production Company制作公司：?電影的制作公司。

• Vote Count投票數(shù)：?收到的票數(shù)。

• Vote Average投票平均：?電影收到的平均評(píng)分。

日期時(shí)間

• Release Date上映日期：?電影上映的日期。

• Release Year發(fā)行年份：?電影發(fā)行的年份。

數(shù)據(jù)清洗

我們先清理數(shù)據(jù)，然后我們會(huì)看到可愛的圖表。

將特征更改為正確的日期時(shí)間格式并將流行功能四舍五入到小數(shù)點(diǎn)后兩位，以獲得更多內(nèi)容。

df['release_date']?=?pd.to_datetime(df['release_date']) df['popularity']?=?round(df['popularity'],?2)

刪除不必要的功能

df.drop(['imdb_id',?'homepage',?'budget_adj','revenue_adj'],axis=1,?inplace=True)

用missing替換特征nan值

df['tagline'].fillna('missing',inplace=True) df['keywords'].fillna('missing',inplace=True) df['production_companies'].fillna('missing',inplace=True)? df['cast'].fillna('missing',inplace=True) df['director'].fillna('missing',inplace=True) df['genres'].fillna('missing',inplace=True) df['overview'].fillna('missing',inplace=True)

從預(yù)算和收入中刪除等于 0 的值。

df.drop(df[(df['budget']==0)?&?(df['revenue']==0)].index,inplace=True)

現(xiàn)在，數(shù)據(jù)是干凈的，我們現(xiàn)在可以進(jìn)一步創(chuàng)建一些可愛的圖表。

cutecharts繪圖

cutecharts中使用的參數(shù)

分配你想要的圖表名稱，例如，你想要一個(gè)餅圖然后運(yùn)行下面的代碼。

chart?=?ctc.Pie()

設(shè)置我們需要width, height在參數(shù)中添加的圖表的標(biāo)題、寬度和高度。

chart?=?ctc.Pie('Title',?width='600px',?height='300px')

設(shè)置圖表選項(xiàng)，可以將使用set_options()函數(shù)。

chart.set_options()

設(shè)置x和y標(biāo)簽的標(biāo)題，我們將使用x_label,?y_label傳入set_options()函數(shù)示例如下。

chart.set_options(x_label='X?Labels',y_label='Y?Labels')

最后，我們將使用一個(gè)函數(shù)來顯示圖表render_notebook()，下面給出一個(gè)例子。

chart.render_notebook()

cutecharts繪圖

繪制餅圖

將要制作的圖表是甜甜圈圖表。我們將看到發(fā)行量最高的電影的前 5 年。

df_year?=?df['release_year'].value_counts( ).reset_index().sort_values(by='index',ascending=False)[:5].rename(columns={'index':'release_year','release_year':'Count'}) chart?=?ctc.Pie('Top?5?years',?width='600px',?height='300px') chart.set_options(labels=list(df_year['release_year']),?inner_radius=0) chart.add_series(list(df_year['Count'])) chart.render_notebook()餅圖

繪制圓環(huán)圖

我們將要制作的圖表是甜甜圈圖表。我們將看到發(fā)行量最高的電影的前 5 年。

df_year?=?df['release_year'].value_counts( ).reset_index().sort_values(by='index',?ascending=False)[:5].rename(columns={'index':'release_year','release_year':'Count'}) chart?=?ctc.Pie('Top?5?years',?width='600px',?height='300px') chart.set_options(labels=list(df_year['release_year']),?inner_radius=0.8) chart.add_series(list(df_year['Count'])) chart.render_notebook()圓環(huán)圖

所有的特性都與我們?cè)陲瀳D中使用的相同，只是inner_radius使用了一個(gè)額外的參數(shù)；我們可以為甜甜圈圖的內(nèi)部半徑給出0到1之間的任何值。如果你看到默認(rèn)的圖例將在左上角，你可以指定圖例的值，如?upLeft、upRight、downLeft、downRight。

下圖顯示了?upRight?和?downLeft?上的圖例。

甜甜圈圖

繪制條形圖

該函數(shù)將拆分字符串并返回每個(gè)類型的計(jì)數(shù)。

def?count_genre(x): data_plot?=?df[x].str.cat(sep?=?'|')data?=?pd.Series(data_plot.split('|'))info?=?data.value_counts(ascending=False)return?info

調(diào)用函數(shù)來計(jì)算每個(gè)類型的電影。

df_genre_movies?=?count_genre('genres') df_genre_movies?=?pd.DataFrame(df_genre_movies).reset_index().rename(columns={'index':'Drama',?0:'Count'})

條形圖代碼

這里我們通過導(dǎo)入 faker 庫(kù)為不同的條使用顏色。

from?cutecharts.faker?import?Fakerchart?=?ctc.Bar('Top?Movie?Geners',?width='600px',?height='200px') chart.set_options(labels=list(df_genre_movies['Drama'][:7]), x_label='Drama', y_label='Count', colors=Faker.colors )chart.add_series('Geners',list(df_genre_movies['Count'][:7])) chart.render_notebook()條形圖

這里我們?cè)诳梢悦鞔_為條形設(shè)置不同顏色的地方添加了另一個(gè)參數(shù)顏色set_options()?。

chart?=?ctc.Bar('Top?Movie?Geners',?width='600px',?height='200px')chart.set_options(labels=list(df_genre_movies['Drama'][:7]), x_label='Drama', y_label='Count',colors=['#FFF1C9',?'#F7B7A3',?'#EA5F89',?'#9B3192',?'#57167E',?'#47B39C','#00529B'])chart.add_series('Geners',list(df_genre_movies['Count'][:7])) chart.render_notebook()不同顏色條形圖

繪制折線圖

我們將計(jì)算多年來發(fā)行的電影數(shù)量，并僅繪制 20 年代的電影。

data?=?df.groupby('release_year').count()['id'].reset_index().tail(16)

制作折線圖以找出 20 年代以來電影的影響。

chart?=?ctc.Line("Impact?of?Movie?over?the?years?of?20's",?width='700px',?height='200px') chart.set_options(labels=list(data['release_year']),x_label='Years',y_label='Count',) chart.add_series('Years',list(data['id'])) chart.render_notebook()折線圖

多年來，電影發(fā)行量呈指數(shù)增長(zhǎng)。

繪制散點(diǎn)圖

我們看看受歡迎程度與預(yù)算的關(guān)系，并找出預(yù)算是否大于電影的受歡迎程度。

chart?=?ctc.Scatter("Helps?to?gain?insights?like?if?movies?with?higher?budget?have?high?popularity",?width='700px',?height='200px') chart.set_options(x_label='Popularity',y_label='Budget',dot_size=1,colors=['#47B39C']) chart.add_series('Popularity?vs?Budget',?[(z[0],?z[1])?for?z?in?list(zip(df['popularity'],df['budget']))]) chart.render_notebook()散點(diǎn)圖

繪制雷達(dá)圖

雷達(dá)圖也稱為蜘蛛圖，主要用于顯示多變量值。對(duì)于雷達(dá)圖，我們將獲取咖啡消費(fèi)的虛擬數(shù)據(jù)，其中特征為天、本周和上周。

data?=?{'Day':?['Mon',?'Tue',?'Wed',?'Thu',?'Fri',?'Sat',?'Sun'],'This?week':?[12,?10,?9,?9,?10,?3,?3],?'Last?week':?[15,?12,?8,?9,?11,?4,?3]} df_coffee?=?pd.DataFrame(data,?columns?=?['Day',?'This?week',?'Last?week'])

我們看看本周和上周每天咖啡消費(fèi)量的雷達(dá)圖。

chart?=?ctc.Radar('Cups?of?coffee?consumed?per?day') chart.set_options(labels=list(df_coffee['Day']),?is_show_legend=True,legend_pos='upRight'?) chart.add_series('This?Week',?list(df_coffee['This?week']))? chart.add_series('Last?Week',?list(df_coffee['Last?week'])) chart.render_notebook()雷達(dá)圖

寫在最后

看到這里的小伙伴，相信你基本掌握了該可愛圖庫(kù)的使用了。我們看到了用 python 制作的驚人的手寫可愛圖表。這個(gè)包的一個(gè)不足是它只提供 5 個(gè)圖表。但也是我們常用的一些圖標(biāo)。可以動(dòng)手試試呢。

數(shù)據(jù)資料

[1]?

kaggle:?https://www.kaggle.com/kashishrastogi/eda-of-tmbd-dataset

END

各位伙伴們好，詹帥本帥搭建了一個(gè)個(gè)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(qǐng)移步小程序體驗(yàn)一下哦！（歡迎提建議）

推薦閱讀

牛逼！Python常用數(shù)據(jù)類型的基本操作（長(zhǎng)文系列第①篇）

牛逼！Python的判斷、循環(huán)和各種表達(dá)式（長(zhǎng)文系列第②篇）

牛逼！Python函數(shù)和文件操作（長(zhǎng)文系列第③篇）

牛逼！Python錯(cuò)誤、異常和模塊（長(zhǎng)文系列第④篇）

總結(jié)

以上是生活随笔為你收集整理的这种个性化可视化图也太可爱了吧！的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。