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

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載黃海廣老師《機器學習課程》視頻課黃海廣老師《機器學習課程》711頁完整版課件

本站qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的【Python】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。