精华内容
下载资源
问答
  • Python可视化与可视化工具北京西普阳光教育科技股份有限公司制作丁辉中国IT教育解决方案专家2018年10月04项目训练结010305060402matplotlib交互式绘图matplotlib.pyplot的使用Python可视化与可视化工具简介pandas...
  • Python学习教程:Python可视化工具包 伙伴们,用Python做项目的你们做图表的时候有没有 因为不知道用哪种又好看又好用的可视化工具包 特纠结过?反正天秤座的小强是...

    Python学习教程:Python可视化工具包


    伙伴们,用Python做项目的你们做图表的时候有没有 因为不知道用哪种又好看又好用的可视化工具包 特纠结过?反正天秤座的小强是有些纠结的。


    在这里小强总结了八种在 Python 中实现的可视化工具包!看完保证你以后不纠结!(有些是可以用在其他语言的哦) t_0013.gif


    用 Python 创建图形的方法有很多,但是哪种方法是最好的呢?当我们做可视化之前,要先明确一些关于图像目标的问题:你是想初步了解数据的分布情况?想展示时给人们留下深刻印象?也许你想给某人展示一个内在的形象,一个中庸的形象?

    t_0028.gif

    这里小强将介绍一些常用的 Python 可视化包,包括这些包的优缺点以及分别适用于什么样的场景。这篇文章只扩展到 2D 图,为下一次讲 3D 图和商业报表(dashboard)留了一些空间,不过这次要讲的包中,许多都可以很好地支持 3D 图和商业报表。


    Matplotlib、Seaborn 和 Pandas


    把这三个包放在一起有几个原因:首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的,当你在用 Seaborn 或 Pandas 中的 df.plot() 时,用的其实是别人用 Matplotlib 写的代码。因此,这些图在美化方面是相似的,自定义图时用的语法也都非常相似。


    当提到这些可视化工具时,我想到三个词:探索(Exploratory)、数据(Data)、分析(Analysis)。这些包都很适合第一次探索数据,但要做演示时用这些包就不够了。


    Matplotlib 是比较低级的库,但它所支持的自定义程度令人难以置信(所以不要简单地将其排除在演示所用的包之外!),但还有其它更适合做展示的工具。


    Matplotlib 还可以选择样式(style selection),它模拟了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相关工具所做的示例图:


    在处理篮球队薪资数据时,我想找出薪资中位数最高的团队。为了展示结果,我将每个球队的工资用颜色标成条形图,来说明球员加入哪一支球队才能获得更好的待遇。


    import  seaborn  as  sns
    import  matplotlib.pyplot  as  plt

    color_order = [ 'xkcd:cerulean' 'xkcd:ocean' ,
                     'xkcd:black' , 'xkcd:royal purple' ,
                     'xkcd:royal purple' 'xkcd:navy blue' ,
                     'xkcd:powder blue' 'xkcd:light maroon'
                     'xkcd:lightish blue' , 'xkcd:navy' ]

    sns.barplot(x=top10.Team,
                y=top10.Salary,
                palette=color_order).set_title( 'Teams with Highest Median Salary' )

    plt.ticklabel_format(style= 'sci' , axis= 'y' , scilimits=( , ))


    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

    第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图,当然也许它可能不那么美观。


    import  matplotlib.pyplot  as  plt
    import  scipy.stats  as  stats

    #model2 is a regression model
    log_resid = model2.predict(X_test)-y_test
    stats.probplot(log_resid, dist= "norm" , plot=plt)
    plt.title( "Normal Q-Q plot" )
    plt.show()


    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1


    最终证明,Matplotlib 及其相关工具的效率很高,但就演示而言它们并不是最好的工具。


    ggplot(2)


    你可能会问,「Aaron,ggplot 是 R 中最常用的可视化包,但你不是要写 Python 的包吗?」。人们已经在 Python 中实现了 ggplot2,复制了这个包从美化到语法的一切内容。


    在我看过的所有材料中,它的一切都和 ggplot2 很像,但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法,导致 Python 版本不兼容。


    如果你想在 R 中用真正的 ggplot(除了依赖关系外,它们的外观、感觉以及语法都是一样的),我在另外一篇文章中对此进行过讨论。


    也就是说,如果你一定要在 Python 中用 ggplot,那你就必须要安装 0.19.2 版的 Pandas,但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。


    ggplot2(我觉得也包括 Python 的 ggplot)举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图,然后分别添加不同的特征;也就是说,你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。


    下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图,设置美化属性和数据,然后添加点、主题以及坐标轴和标题标签。


    #All Salaries
    ggplot(data=df, aes(x=season_start, y=salary, colour=team)) +
      geom_point() +
      theme(legend.position= "none" ) +
      labs(title =  'Salary Over Time' , x= 'Year' , y= 'Salary ($)' )

    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1


    Bokeh


    Bokeh 很美。从概念上讲,Bokeh 类似于 ggplot,它们都是用图形语法来构建图片,但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点,我根据 538 Masculinity Survey 数据集写了制作直方图的代码:


    import  pandas  as  pd
    from  bokeh.plotting  import  figure
    from  bokeh.io  import  show

    # is_masc is a one-hot encoded dataframe  of  responses to the question:
    "Do you identify as masculine?"

    #Dataframe Prep
    counts = is_masc.sum()
    resps = is_masc.columns

    #Bokeh
    p2 = figure(title= 'Do You View Yourself As Masculine?' ,
              x_axis_label= 'Response' ,
              y_axis_label= 'Count' ,
              x_range=list(resps))
    p2.vbar(x=resps, top=counts, width= 0.6 , fill_color= 'red' , line_color= 'black' )
    show(p2)

    #Pandas
    counts.plot(kind= 'bar' )

    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1 用 Bokeh 表示调查结果


    红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗?」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。


    我写的代码大部分都用于标记坐标轴和标题,以及为条形图添加颜色和边框。在制作美观且表现力强的图片时,我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。

    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

    用 Pandas 表示相同的数据


    蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的,但目的不同。在探索性设置中,用 Pandas 写一行代码查看数据很方便,但 Bokeh 的美化功能非常强大。


    Bokeh 提供的所有便利都要在 matplotlib 中自定义,包括 x 轴标签的角度、背景线、y 轴刻度以及字体(大小、斜体、粗体)等。下图展示了一些随机趋势,其自定义程度更高:使用了图例和不同的颜色和线条。


    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

    Bokeh 还是制作交互式商业报表的绝佳工具。


    Plotly


    Plotly 非常强大,但用它设置和创建图形都要花费大量时间,而且都不直观。在用 Plotly 忙活了大半个上午后,我几乎什么都没做出来,干脆直接去吃饭了。我只创建了不带坐标标签的条形图,以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点:


    • 安装时要有 API 秘钥,还要注册,不是只用 pip 安装就可以;

    • Plotly 所绘制的数据和布局对象是独一无二的,但并不直观;

    • 图片布局对我来说没有用(40 行代码毫无意义!)


    但它也有优点,而且设置中的所有缺点都有相应的解决方法:


    • 你可以在 Plotly 网站和 Python 环境中编辑图片;

    • 支持交互式图片和商业报表;

    • Plotly 与 Mapbox 合作,可以自定义地图;

    • 很有潜力绘制优秀图形。


    以下是我针对这个包编写的代码:


    #plot  1  - barplot
    # **note** - the layout lines  do  nothing and trip no errors
    data = [go.Bar(x=team_ave_df.team,
                  y=team_ave_df.turnovers_per_mp)]

    layout = go.Layout(

        title=go.layout.Title(
            text= 'Turnovers per Minute by Team' ,
            xref= 'paper' ,
            x=
        ),

        xaxis=go.layout.XAxis(
            title = go.layout.xaxis.Title(
                text= 'Team' ,
                font=dict(
                        family= 'Courier New, monospace' ,
                        size= 18 ,
                        color= '#7f7f7f'
                    )
            )
        ),

        yaxis=go.layout.YAxis(
            title = go.layout.yaxis.Title(
                text= 'Average Turnovers/Minute' ,
                font=dict(
                        family= 'Courier New, monospace' ,
                        size= 18 ,
                        color= '#7f7f7f'
                    )
            )
        ),

        autosize=True,
        hovermode= 'closest' )

    py.iplot(figure_or_data=data, layout=layout, filename= 'jupyter-plot' , sharing= 'public' , fileopt= 'overwrite' )



    #plot  2  - attempt at a scatterplot
    data = [go.Scatter(x=player_year.minutes_played,
                      y=player_year.salary,
                      marker=go.scatter.Marker(color= 'red' ,
                                              size= 3 ))]

    layout = go.Layout(title= "test" ,
                    xaxis=dict(title= 'why' ),
                    yaxis=dict(title= 'plotly' ))

    py.iplot(figure_or_data=data, layout=layout, filename= 'jupyter-plot2' , sharing= 'public' )

    [Image: image.png]


    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

    表示不同 NBA 球队每分钟平均失误数的条形图。

    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

    表示薪水和在 NBA 的打球时间之间关系的散点图


    总体来说,开箱即用的美化工具看起来很好,但我多次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展示了 Plotly 的潜力,以及我为什么要在它身上花好几个小时:


    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

    Plotly 页面上的一些示例图


    Pygal


    Pygal 的名气就不那么大了,和其它常用的绘图包一样,它也是用图形框架语法来构建图像的。由于绘图目标比较简单,因此这是一个相对简单的绘图包。使用 Pygal 非常简单:


    • 实例化图片;

    • 用图片目标属性格式化;

    • 用 figure.add() 将数据添加到图片中。


    我在使用 Pygal 的过程中遇到的主要问题在于图片渲染。必须要用 render_to_file 选项,然后在 web 浏览器中打开文件,才能看见我刚刚构建的东西。


    最终看来这是值得的,因为图片是交互式的,有令人满意而且便于自定义的美化功能。总而言之,这个包看起来不错,但在文件的创建和渲染部分比较麻烦。


    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1


    Networkx


    虽然 Networkx 是基于 matplotlib 的,但它仍是图形分析和可视化的绝佳解决方案。图形和网络不是我的专业领域,但 Networkx 可以快速简便地用图形表示网络之间的连接。以下是我针对一个简单图形构建的不同的表示,以及一些从斯坦福 SNAP 下载的代码(关于绘制小型 Facebook 网络)。


    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1


    我按编号(1~10)用颜色编码了每个节点,代码如下:


    options = {
         'node_color'  : range(len(G)),
         'node_size'  :  300 ,
         'width'  :  1 ,
         'with_labels'  : False,
         'cmap'  : plt.cm.coolwarm
    }
    nx.draw(G, **options)

    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1

    用于可视化上面提到的稀疏 Facebook 图形的代码如下:


    import  itertools
    import  networkx  as  nx
    import  matplotlib.pyplot  as  plt

    f = open( 'data/facebook/1684.circles' 'r' )
    circles = [line.split()  for  line  in  f]
    f.close()

    network = []
    for  circ  in  circles:
        cleaned = [int(val)  for  val  in  circ[ 1 :]]
        network.append(cleaned)

    G = nx.Graph()
    for  v  in  network:
        G.add_nodes_from(v)

    edges = [itertools.combinations(net, 2 for  net  in  network]

    for  edge_group  in  edges:
        G.add_edges_from(edge_group)

    options = {
         'node_color'  :  'lime' ,
         'node_size'  :  3 ,
         'width'  :  1 ,
         'with_labels'  : False,
    }
    nx.draw(G, **options)



    640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1



    这个图形非常稀疏,Networkx 通过最大化每个集群的间隔展现了这种稀疏化。


    有很多数据可视化的包,但没法说哪个是最好的。希望阅读本文后,你可以了解到在不同的情境下,该如何使用不同的美化工具和代码。

                                                                             

    来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/69923331/viewspace-2644909/,如需转载,请注明出处,否则将追究法律责任。

    转载于:http://blog.itpub.net/69923331/viewspace-2644909/

    展开全文
  • 喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?今天编给大家分享8个非常流行的 Python 可视化工具包,需要的朋友可以参考下
  • 喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,介绍了八种在 Python 中实现...

           喜欢用 Python 做项目的小伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,介绍了八种在 Python 中实现的可视化工具包,其中有些包还能用在其它语言中。快来试试你喜欢哪个?

           用 Python 创建图形的方法有很多,但是哪种方法是最好的呢?当我们做可视化之前,要先明确一些关于图像目标的问题:你是想初步了解数据的分布情况?想展示时给人们留下深刻印象?也许你想给某人展示一个内在的形象,一个中庸的形象?

    本文将介绍一些常用的 Python 可视化包,包括这些包的优缺点以及分别适用于什么样的场景。这篇文章只扩展到 2D 图,为下一次讲 3D 图和商业报表(dashboard)留了一些空间,不过这次要讲的包中,许多都可以很好地支持 3D 图和商业报表。

    Matplotlib、Seaborn 和 Pandas

    把这三个包放在一起有几个原因:首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的,当你在用 Seaborn 或 Pandas 中的 df.plot() 时,用的其实是别人用 Matplotlib 写的代码。因此,这些图在美化方面是相似的,自定义图时用的语法也都非常相似。

    当提到这些可视化工具时,我想到三个词:探索(Exploratory)、数据(Data)、分析(Analysis)。这些包都很适合第一次探索数据,但要做演示时用这些包就不够了。

    Matplotlib 是比较低级的库,但它所支持的自定义程度令人难以置信(所以不要简单地将其排除在演示所用的包之外!),但还有其它更适合做展示的工具。

    Matplotlib 还可以选择样式(style selection),它模拟了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相关工具所做的示例图:

    在处理篮球队薪资数据时,我想找出薪资中位数最高的团队。为了展示结果,我将每个球队的工资用颜色标成条形图,来说明球员加入哪一支球队才能获得更好的待遇。

    ?

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    import seaborn as sns

    import matplotlib.pyplot as plt

    color_order = ['xkcd:cerulean', 'xkcd:ocean',

        'xkcd:black','xkcd:royal purple',

        'xkcd:royal purple', 'xkcd:navy blue',

        'xkcd:powder blue', 'xkcd:light maroon',

        'xkcd:lightish blue','xkcd:navy']

    sns.barplot(x=top10.Team,

       y=top10.Salary,

       palette=color_order).set_title('Teams with Highest Median Salary')

    plt.ticklabel_format(style='sci', axis='y', scilimits=(0,0))

     

    第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图,当然也许它可能不那么美观。

    ?

    1

    2

    3

    4

    5

    6

    7

    import matplotlib.pyplot as plt

    import scipy.stats as stats

    #model2 is a regression model

    log_resid = model2.predict(X_test)-y_test

    stats.probplot(log_resid, dist="norm", plot=plt)

    plt.title("Normal Q-Q plot")

    plt.show()

     

    最终证明,Matplotlib 及其相关工具的效率很高,但就演示而言它们并不是最好的工具。

    ggplot(2)

    你可能会问,「Aaron,ggplot 是 R 中最常用的可视化包,但你不是要写 Python 的包吗?」。人们已经在 Python 中实现了 ggplot2,复制了这个包从美化到语法的一切内容。

    在我看过的所有材料中,它的一切都和 ggplot2 很像,但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法,导致 Python 版本不兼容。

    如果你想在 R 中用真正的 ggplot(除了依赖关系外,它们的外观、感觉以及语法都是一样的),我在另外一篇文章中对此进行过讨论。

    也就是说,如果你一定要在 Python 中用 ggplot,那你就必须要安装 0.19.2 版的 Pandas,但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。

    ggplot2(我觉得也包括 Python 的 ggplot)举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图,然后分别添加不同的特征;也就是说,你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。

    下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图,设置美化属性和数据,然后添加点、主题以及坐标轴和标题标签。

    ?

    1

    2

    3

    4

    5

    #All Salaries

    ggplot(data=df, aes(x=season_start, y=salary, colour=team)) +

     geom_point() +

     theme(legend.position="none") +

     labs(title = 'Salary Over Time', x='Year', y='Salary ($)')

     

    Bokeh

    Bokeh 很美。从概念上讲,Bokeh 类似于 ggplot,它们都是用图形语法来构建图片,但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点,我根据 538 Masculinity Survey 数据集写了制作直方图的代码:

    ?

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    import pandas as pd

    from bokeh.plotting import figure

    from bokeh.io import show

    # is_masc is a one-hot encoded dataframe of responses to the question:

    # "Do you identify as masculine?"

    #Dataframe Prep

    counts = is_masc.sum()

    resps = is_masc.columns

    #Bokeh

    p2 = figure(title='Do You View Yourself As Masculine?',

       x_axis_label='Response',

       y_axis_label='Count',

       x_range=list(resps))

    p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black')

    show(p2)

    #Pandas

    counts.plot(kind='bar')

     

    用 Bokeh 表示调查结果

    红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗?」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。

    我写的代码大部分都用于标记坐标轴和标题,以及为条形图添加颜色和边框。在制作美观且表现力强的图片时,我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。

     

    用 Pandas 表示相同的数据

    蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的,但目的不同。在探索性设置中,用 Pandas 写一行代码查看数据很方便,但 Bokeh 的美化功能非常强大。

    Bokeh 提供的所有便利都要在 matplotlib 中自定义,包括 x 轴标签的角度、背景线、y 轴刻度以及字体(大小、斜体、粗体)等。下图展示了一些随机趋势,其自定义程度更高:使用了图例和不同的颜色和线条。

     

    Bokeh 还是制作交互式商业报表的绝佳工具。

    Plotly

    Plotly 非常强大,但用它设置和创建图形都要花费大量时间,而且都不直观。在用 Plotly 忙活了大半个上午后,我几乎什么都没做出来,干脆直接去吃饭了。我只创建了不带坐标标签的条形图,以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点:

    • 安装时要有 API 秘钥,还要注册,不是只用 pip 安装就可以;
    • Plotly 所绘制的数据和布局对象是独一无二的,但并不直观;
    • 图片布局对我来说没有用(40 行代码毫无意义!)
    • 但它也有优点,而且设置中的所有缺点都有相应的解决方法:
    • 你可以在 Plotly 网站和 Python 环境中编辑图片;
    • 支持交互式图片和商业报表;
    • Plotly 与 Mapbox 合作,可以自定义地图;
    • 很有潜力绘制优秀图形。

    以下是我针对这个包编写的代码:

    ?

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    37

    38

    39

    40

    41

    42

    43

    #plot 1 - barplot

    # **note** - the layout lines do nothing and trip no errors

    data = [go.Bar(x=team_ave_df.team,

        y=team_ave_df.turnovers_per_mp)]

    layout = go.Layout(

     title=go.layout.Title(

      text='Turnovers per Minute by Team',

      xref='paper',

      x=0

     ),

     xaxis=go.layout.XAxis(

      title = go.layout.xaxis.Title(

       text='Team',

       font=dict(

         family='Courier New, monospace',

         size=18,

         color='#7f7f7f'

        )

      )

     ),

     yaxis=go.layout.YAxis(

      title = go.layout.yaxis.Title(

       text='Average Turnovers/Minute',

       font=dict(

         family='Courier New, monospace',

         size=18,

         color='#7f7f7f'

        )

      )

     ),

     autosize=True,

     hovermode='closest')

    py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite')

    #plot 2 - attempt at a scatterplot

    data = [go.Scatter(x=player_year.minutes_played,

         y=player_year.salary,

         marker=go.scatter.Marker(color='red',

               size=3))]

    layout = go.Layout(title="test",

        xaxis=dict(title='why'),

        yaxis=dict(title='plotly'))

    py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot2', sharing='public')

    [Image: image.png]

     

    表示不同 NBA 球队每分钟平均失误数的条形图。

     

    表示薪水和在 NBA 的打球时间之间关系的散点图

    总体来说,开箱即用的美化工具看起来很好,但我多次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展示了 Plotly 的潜力,以及我为什么要在它身上花好几个小时:

     

    Plotly 页面上的一些示例图

    Pygal

    Pygal 的名气就不那么大了,和其它常用的绘图包一样,它也是用图形框架语法来构建图像的。由于绘图目标比较简单,因此这是一个相对简单的绘图包。使用 Pygal 非常简单:

    • 实例化图片;
    • 用图片目标属性格式化;
    • 用 figure.add() 将数据添加到图片中。

    我在使用 Pygal 的过程中遇到的主要问题在于图片渲染。必须要用 render_to_file 选项,然后在 web 浏览器中打开文件,才能看见我刚刚构建的东西。

    最终看来这是值得的,因为图片是交互式的,有令人满意而且便于自定义的美化功能。总而言之,这个包看起来不错,但在文件的创建和渲染部分比较麻烦。

     

    Networkx

    虽然 Networkx 是基于 matplotlib 的,但它仍是图形分析和可视化的绝佳解决方案。图形和网络不是我的专业领域,但 Networkx 可以快速简便地用图形表示网络之间的连接。以下是我针对一个简单图形构建的不同的表示,以及一些从斯坦福 SNAP 下载的代码(关于绘制小型 Facebook 网络)。

     

    我按编号(1~10)用颜色编码了每个节点,代码如下:

    ?

    1

    2

    3

    4

    5

    6

    7

    8

    options = {

     'node_color' : range(len(G)),

     'node_size' : 300,

     'width' : 1,

     'with_labels' : False,

     'cmap' : plt.cm.coolwarm

    }

    nx.draw(G, **options)

     

    用于可视化上面提到的稀疏 Facebook 图形的代码如下:

    ?

    1

    2

    3

    4

    5

    6

    7

    8

    9

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    import itertools

    import networkx as nx

    import matplotlib.pyplot as plt

    f = open('data/facebook/1684.circles', 'r')

    circles = [line.split() for line in f]

    f.close()

    network = []

    for circ in circles:

     cleaned = [int(val) for val in circ[1:]]

     network.append(cleaned)

    G = nx.Graph()

    for v in network:

     G.add_nodes_from(v)

    edges = [itertools.combinations(net,2) for net in network]

    for edge_group in edges:

     G.add_edges_from(edge_group)

    options = {

     'node_color' : 'lime',

     'node_size' : 3,

     'width' : 1,

     'with_labels' : False,

    }

    nx.draw(G, **options)

     

    这个图形非常稀疏,Networkx 通过最大化每个集群的间隔展现了这种稀疏化。

    有很多数据可视化的包,但没法说哪个是最好的。希望阅读本文后,你可以了解到在不同的情境下,该如何使用不同的美化工具和代码。

     

    展开全文
  • 前端用vue写,后端用tornado写,python语言 记录: 第一次用vue,git clone 下来vue代码之后,想在本地pycharm里边写,结果一写就报红,感觉就老是格式错误,其实不是格式错误,只是pycharmm里启用额格式检查工具...

    环境:macbook + pycharm
    前端用vue写,后端用tornado写,python语言
    记录:

    1. 第一次用vue,git clone 下来vue代码之后,想在本地pycharm里边写,结果一写就报红,感觉就老是格式错误,其实不是格式错误,只是pycharmm里启用额格式检查工具导致的,如下图,只需要关掉就行了
      在这里插入图片描述
    2. 使用 fetch发送请求,方式是post,tornado接口也支持post方式。
      vue里mode: "cors"时,直接在页面输入框填写,然后点击提交,控制台看见直接报错,到不了后端接口,不懂,后来改为mode: “no-cors”,在操作,调后端通了,但是后端返回的数据前端又拿不到了,然后一波度娘,最后因为跨域问题导致的,最终解决方案就是vue里mode: “cors”,tornado里post方法下边加上3行代码(也没细究)
      self.set_header(“Access-Control-Allow-Origin”, “*”)
      self.set_header(“Access-Control-Allow-Headers”, “x-requested-with”)
      self.set_header(‘Access-Control-Allow-Methods’, ‘POST, GET, OPTIONS’)
      在这里插入图片描述

    在这里插入图片描述
    最终页面显示成功:
    在这里插入图片描述

    tornado解决跨域另一种写法:

    class BaseHandler(RequestHandler):
        def set_default_headers(self):
            self.set_header("Access-Control-Allow-Origin", "*")
            self.set_header("Access-Control-Allow-Headers", "*")#这里要填写上请求带过来的Access-Control-Allow-Headers参数,如access_token就是我请求带过来的参数
            self.set_header("Access-Control-Allow-Methods", "POST, GET, OPTIONS, DELETE") #请求允许的方法
            self.set_header("Access-Control-Max-Age", "3600")#用来指定本次预检请求的有效期,单位为秒,,在此期间不用发出另一条预检请求。
    
    
        def options(self):
            pass
    
    # 接口
    #class CarOwnerCertification(RequestHandler):
    class CarOwnerCertification(BaseHandler):
    	#继承 BaseHandler类
    
    
    展开全文
  • 喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,作者介绍了八种在 Python 中...

    喜欢用 Python 做项目的小伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,作者介绍了八种在 Python 中实现的可视化工具包,其中有些包还能用在其它语言中。快来试试你喜欢哪个?

    用 Python 创建图形的方法有很多,但是哪种方法是最好的呢?当我们做可视化之前,要先明确一些关于图像目标的问题:你是想初步了解数据的分布情况?想展示时给人们留下深刻印象?也许你想给某人展示一个内在的形象,一个中庸的形象?

    本文将介绍一些常用的 Python 可视化包,包括这些包的优缺点以及分别适用于什么样的场景。这篇文章只扩展到 2D 图,为下一次讲 3D 图和商业报表(dashboard)留了一些空间,不过这次要讲的包中,许多都可以很好地支持 3D 图和商业报表。

    1、Matplotlib、Seaborn 和 Pandas

    把这三个包放在一起有几个原因:首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的,当你在用 Seaborn 或 Pandas 中的 df.plot() 时,用的其实是别人用 Matplotlib 写的代码。因此,这些图在美化方面是相似的,自定义图时用的语法也都非常相似。

    当提到这些可视化工具时,我想到三个词:探索(Exploratory)、数据(Data)、分析(Analysis)。这些包都很适合第一次探索数据,但要做演示时用这些包就不够了。

    Matplotlib 是比较低级的库,但它所支持的自定义程度令人难以置信(所以不要简单地将其排除在演示所用的包之外!),但还有其它更适合做展示的工具。

    Matplotlib 还可以选择样式(style selection),它模拟了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相关工具所做的示例图:

    在处理篮球队薪资数据时,我想找出薪资中位数最高的团队。为了展示结果,我将每个球队的工资用颜色标成条形图,来说明球员加入哪一支球队才能获得更好的待遇。

    import seaborn as sns
    import matplotlib.pyplot as plt
    
    color_order = ['xkcd:cerulean', 'xkcd:ocean',
                    'xkcd:black','xkcd:royal purple',
                    'xkcd:royal purple', 'xkcd:navy blue',
                    'xkcd:powder blue', 'xkcd:light maroon', 
                    'xkcd:lightish blue','xkcd:navy']
    
    sns.barplot(x=top10.Team,
                y=top10.Salary,
                palette=color_order).set_title('Teams with Highest Median Salary')
    
    plt.ticklabel_format(style='sci', axis='y', scilimits=(0,0))
    

    在这里插入图片描述
    第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图,当然也许它可能不那么美观。

    import matplotlib.pyplot as plt
    import scipy.stats as stats
    
    #model2 is a regression model
    log_resid = model2.predict(X_test)-y_test
    stats.probplot(log_resid, dist="norm", plot=plt)
    plt.title("Normal Q-Q plot")
    plt.show()
    

    在这里插入图片描述
    最终证明,Matplotlib 及其相关工具的效率很高,但就演示而言它们并不是最好的工具。

    ggplot(2)

    你可能会问,「Aaron,ggplot 是 R 中最常用的可视化包,但你不是要写 Python 的包吗?」。人们已经在 Python 中实现了 ggplot2,复制了这个包从美化到语法的一切内容。

    在我看过的所有材料中,它的一切都和 ggplot2 很像,但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法,导致 Python 版本不兼容。

    如果你想在 R 中用真正的 ggplot(除了依赖关系外,它们的外观、感觉以及语法都是一样的),我在另外一篇文章中对此进行过讨论。

    也就是说,如果你一定要在 Python 中用 ggplot,那你就必须要安装 0.19.2 版的 Pandas,但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。

    ggplot2(我觉得也包括 Python 的 ggplot)举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图,然后分别添加不同的特征;也就是说,你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。

    下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图,设置美化属性和数据,然后添加点、主题以及坐标轴和标题标签。

    #All Salaries
    ggplot(data=df, aes(x=season_start, y=salary, colour=team)) +
      geom_point() +
      theme(legend.position="none") +
      labs(title = 'Salary Over Time', x='Year', y='Salary ($)')
    

    在这里插入图片描述

    Bokeh

    Bokeh 很美。从概念上讲,Bokeh 类似于 ggplot,它们都是用图形语法来构建图片,但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点,我根据 538 Masculinity Survey 数据集写了制作直方图的代码:

    import pandas as pd
    from bokeh.plotting import figure
    from bokeh.io import show
    
    # is_masc is a one-hot encoded dataframe of responses to the question:
    # "Do you identify as masculine?"
    
    #Dataframe Prep
    counts = is_masc.sum()
    resps = is_masc.columns
    
    #Bokeh
    p2 = figure(title='Do You View Yourself As Masculine?',
              x_axis_label='Response',
              y_axis_label='Count',
              x_range=list(resps))
    p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black')
    show(p2)
    
    #Pandas
    counts.plot(kind='bar')
    

    用 Bokeh 表示调查结果

    在这里插入图片描述
    红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗?」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。

    我写的代码大部分都用于标记坐标轴和标题,以及为条形图添加颜色和边框。在制作美观且表现力强的图片时,我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。

    用 Pandas 表示相同的数据

    在这里插入图片描述
    蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的,但目的不同。在探索性设置中,用 Pandas 写一行代码查看数据很方便,但 Bokeh 的美化功能非常强大。

    Bokeh 提供的所有便利都要在 matplotlib 中自定义,包括 x 轴标签的角度、背景线、y 轴刻度以及字体(大小、斜体、粗体)等。下图展示了一些随机趋势,其自定义程度更高:使用了图例和不同的颜色和线条。
    在这里插入图片描述
    Bokeh 还是制作交互式商业报表的绝佳工具。

    2、Plotly

    Plotly 非常强大,但用它设置和创建图形都要花费大量时间,而且都不直观。在用 Plotly 忙活了大半个上午后,我几乎什么都没做出来,干脆直接去吃饭了。我只创建了不带坐标标签的条形图,以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点:

    • 安装时要有 API 秘钥,还要注册,不是只用 pip 安装就可以;
    • Plotly 所绘制的数据和布局对象是独一无二的,但并不直观;
    • 图片布局对我来说没有用(40 行代码毫无意义!)
      但它也有优点,而且设置中的所有缺点都有相应的解决方法:
    • 你可以在 Plotly 网站和 Python 环境中编辑图片;
    • 支持交互式图片和商业报表;
    • Plotly 与 Mapbox 合作,可以自定义地图;
    • 很有潜力绘制优秀图形。
      以下是我针对这个包编写的代码:
    #plot 1 - barplot
    # **note** - the layout lines do nothing and trip no errors
    data = [go.Bar(x=team_ave_df.team,
                  y=team_ave_df.turnovers_per_mp)]
    
    layout = go.Layout(
    
        title=go.layout.Title(
            text='Turnovers per Minute by Team',
            xref='paper',
            x=0
        ),
    
        xaxis=go.layout.XAxis(
            title = go.layout.xaxis.Title(
                text='Team',
                font=dict(
                        family='Courier New, monospace',
                        size=18,
                        color='#7f7f7f'
                    )
            )
        ),
    
        yaxis=go.layout.YAxis(
            title = go.layout.yaxis.Title(
                text='Average Turnovers/Minute',
                font=dict(
                        family='Courier New, monospace',
                        size=18,
                        color='#7f7f7f'
                    )
            )
        ),
    
        autosize=True,
        hovermode='closest')
    
    py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite')
    
    
    
    #plot 2 - attempt at a scatterplot
    data = [go.Scatter(x=player_year.minutes_played,
                      y=player_year.salary,
                      marker=go.scatter.Marker(color='red',
                                              size=3))]
    
    layout = go.Layout(title="test",
                    xaxis=dict(title='why'),
                    yaxis=dict(title='plotly'))
    
    py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot2', sharing='public')
    
    [Image: image.png]
    

    表示不同 NBA 球队每分钟平均失误数的条形图。

    在这里插入图片描述

    表示薪水和在 NBA 的打球时间之间关系的散点图

    在这里插入图片描述
    总体来说,开箱即用的美化工具看起来很好,但我多次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展示了 Plotly 的潜力,以及我为什么要在它身上花好几个小时:

    Plotly 页面上的一些示例图

    在这里插入图片描述

    3、Pygal

    Pygal 的名气就不那么大了,和其它常用的绘图包一样,它也是用图形框架语法来构建图像的。由于绘图目标比较简单,因此这是一个相对简单的绘图包。使用 Pygal 非常简单:

    • 实例化图片;
    • 用图片目标属性格式化;
    • 用 figure.add() 将数据添加到图片中。
      我在使用 Pygal 的过程中遇到的主要问题在于图片渲染。必须要用 render_to_file 选项,然后在 web 浏览器中打开文件,才能看见我刚刚构建的东西。

    最终看来这是值得的,因为图片是交互式的,有令人满意而且便于自定义的美化功能。总而言之,这个包看起来不错,但在文件的创建和渲染部分比较麻烦。
    在这里插入图片描述

    4、 Networkx

    虽然 Networkx 是基于 matplotlib 的,但它仍是图形分析和可视化的绝佳解决方案。图形和网络不是我的专业领域,但 Networkx 可以快速简便地用图形表示网络之间的连接。以下是我针对一个简单图形构建的不同的表示,以及一些从斯坦福 SNAP 下载的代码(关于绘制小型 Facebook 网络)。
    在这里插入图片描述
    我按编号(1~10)用颜色编码了每个节点,代码如下:

    options = {
        'node_color' : range(len(G)),
        'node_size' : 300,
        'width' : 1,
        'with_labels' : False,
        'cmap' : plt.cm.coolwarm
    }
    nx.draw(G, **options)
    

    在这里插入图片描述
    用于可视化上面提到的稀疏 Facebook 图形的代码如下:

    import itertools
    import networkx as nx
    import matplotlib.pyplot as plt
    
    f = open('data/facebook/1684.circles', 'r')
    circles = [line.split() for line in f]
    f.close()
    
    network = []
    for circ in circles:
        cleaned = [int(val) for val in circ[1:]]
        network.append(cleaned)
    
    G = nx.Graph()
    for v in network:
        G.add_nodes_from(v)
    
    edges = [itertools.combinations(net,2) for net in network]
    
    for edge_group in edges:
        G.add_edges_from(edge_group)
    
    options = {
        'node_color' : 'lime',
        'node_size' : 3,
        'width' : 1,
        'with_labels' : False,
    }
    nx.draw(G, **options)
    

    在这里插入图片描述
    这个图形非常稀疏,Networkx 通过最大化每个集群的间隔展现了这种稀疏化。

    有很多数据可视化的包,但没法说哪个是最好的。希望阅读本文后,你可以了解到在不同的情境下,该如何使用不同的美化工具和代码。

    参考链接 :

    8个流行的Python可视化工具包。:https://mp.weixin.qq.com/s/UhcpY7kAq_XC_p3g3ckM7A

    展开全文
  • Python数据可视化库 在数据分析中最好展示数据的方式就是形象地绘制对应的图像,让...)这里主要分享一些比较常用的python可视化库。感兴趣的伙伴往下看。 matplotlib Matplotlib是接触最多的可视化库,它可以很轻...
  • 主要为大家详细介绍了python可视化实现KNN算法,通过绘图工具Matplotlib包可视化实现机器学习中的KNN算法,具有一定的参考价值,感兴趣的伙伴们可以参考一下
  • 主要功能是通过在python代码中定义控件字符串,实现可视化发布python程序目标。 目前支持的控件类型: 1、单行文本编辑框 edit, 2、多行文本:memo, 3、panel, 4、splitter, 5、button 基本语法格式: ...
  • 喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,作者介绍了八种在 Python 中...
  • 喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,作者介绍了八种在 Python 中...
  • python+Qt designer开发可视化小工具 Qt designer 安装步骤: 打开cmd窗口执行下面的命令,安装 PyQt5-tools: pip install PyQt5-tools 安装完成后,进入路径“Python安装目录”\Lib\site-packages\qt5_...
  • 大家好,今天编给大家带来的一款工具是数据在线可视化工具---Plotly。Plotly简介Plotly是一款使用JavaScript开发的制图工具,提供了与主流数据分析...
  • 关注上方“深度学习技术前沿”,选择“星标公众号”,资源干货,第一时间送达!喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出...
  • 喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,作者介...
  • 文章来源丨机器之心喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具...
  • 喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,作者介绍了八种在 Python 中...
  • 随着国内网络的发展,如今的视频网站已经相当普及,网络资源也相当丰富,网络看视频的...需要合并成一个),没有找到能把这一系列操作搞成一条龙服务的,于是在这种情况下,我自己用python写了一个可视化界面的程序
  • 作者:Aaron Frederick来源:机器之心喜欢用 Python 做项目的伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 622
精华内容 248
关键字:

python可视化小工具

python 订阅