7000 字 23 张图，Pandas一键生成炫酷的动态交互式图表

作者 | 俊欣

来源 | 关于数据分析与可视化

今天小编来演示一下如何用pandas一行代码来绘制可以动态交互的图表，并且将绘制的图表组合到一起，组成可视化大屏，本次小编将要绘制的图表有

• 折线图

• 散点图

• 直方图

• 柱状图

• 饼图

• 面积图

• 地图

• 组合图

准备工作

我们先导入需要用到的库，并做相应的设置

import pandas as pd
import pandas_bokeh
pandas_bokeh.output_notebook()

因为小编是在jupyter nobteook上面操作的，这边就用到了output_notebook()的设置

折线图

我们先来画一张简单的折线图，当中随机生成一批数据

import numpy as npnp.random.seed(55)
df = pd.DataFrame({"宁德时代": np.random.randn(100)+0.2, "贵州茅台": np.random.randn(100)+0.17}, index=pd.date_range('1/1/2021', periods=100))
df = df.cumsum()
df = df + 50
df.plot_bokeh(kind="line")

output

绘制出来的图表可以任意的缩放以及拖拽，我们也可以点击右边的“保存”按钮来实现对图表的下载保存，以至于图表的类型只需要对参数kind加以设定，我们将上面的代码优化一下

df.plot_bokeh.line(figsize=(800, 450),title="宁德时代 vs 贵州茅台",xlabel="日期",ylabel="股票价格 [$]",yticks=[0, 100, 200, 300, 400],ylim=(0, 100),xlim=("2021-01-01", "2021-04-01"),colormap=["red", "blue"],plot_data_points=True,plot_data_points_size=10,marker="asterisk")

output

我们对X轴以及Y轴坐标做了范围的限定，并且加上了标注，效果看起来也更加的美观一些。和pyecharts类似，我们也可以在图标的底部添加一个时间轴，拖动时间轴来展示数据

ts = pd.Series(np.random.randn(100), index=pd.date_range('1/1/2021', periods=100))
df = pd.DataFrame(np.random.randn(100, 4), index=ts.index, columns=list('ABCD'))
df = df.cumsum()df.plot_bokeh(rangetool=True)

output

当然我们也可以对折线加以修改，就可以变成另外一种样子，主要修改的就是参数marker

x = np.arange(-5, 5, 0.1)
y2 = x**2
y3 = x**3
df = pd.DataFrame({"x": x, "Type 1": y2, "Type 2": y3})
df.plot_bokeh.point(x="x",xticks=range(-5, 5),size=5,colormap=["#009933", "#ff3399"],title="折线图 (Type 1 vs. Type 2)",marker="x")

output

散点图

接下来我们来看散点图，步骤与上述的折线图相类似

df = pd.read_csv("iris.csv")
p_scatter = df.plot_bokeh.scatter(x="petal length(cm)",y="sepal width(cm)",category="species",title="Iris数据集可视化",show_figure=True,
)

output

我们在读取了iris数据集之后，将x参数和y参数上填上我们所要绘制的两列，而title参数则是设置图表的标题

我们也可以通过当中size这个参数来控制散点的大小，例如

df.loc[13, "sepal length(cm)"] = 15
df.loc[15, "sepal length(cm)"] = 17
df.loc[20, "sepal length(cm)"] = 30
df.loc[40, "sepal length(cm)"] = 20p_scatter = df.plot_bokeh.scatter(x="petal length(cm)",y="sepal width(cm)",category="species",title="Iris数据集可视化",show_figure=True,size="sepal length(cm)"
)

output

柱状图

下面我们来看一下直方图的绘制

data = {'fruits':['苹果', '梨', '草莓', '西瓜', '葡萄', '香蕉'],'2015': [2, 1, 4, 3, 2, 4],'2016': [5, 3, 3, 2, 4, 6],'2017': [3, 2, 4, 4, 5, 3]
}
df = pd.DataFrame(data).set_index("fruits")p_bar = df.plot_bokeh.bar(ylabel="每斤的的价格 [￥]", title="水果每年的价格", alpha=0.6)

output

我们看到上面的直方图是按照不同的年份分开来的，我们也可以堆叠起来，通过stacked这个参数来实现

p_stacked_bar = df.plot_bokeh.bar(ylabel="每斤的的价格 [￥]",title="水果每年的价格",stacked=True,alpha=0.6)

output

直方图

绘制直方图的方式也是类似的

p_hist = df_hist.plot_bokeh.hist(y=["a", "b"],bins=np.arange(-5, 5, 0.5),normed=100,vertical_xlabel=True,ylabel="Share[%]",title="正则分布直方图",show_average=True,xlim=(-4, 6),ylim=(0, 30),show_figure=True)

output

小编个人觉得直方图有点丑，不知道大家是不是有类似的体验

面积图

df.plot_bokeh.area(x="Year",stacked=True,legend="top_left",colormap=["yellow", "orange", "black", "grey", "blue", "green"],title="全球不同能源的消耗量",ylabel="不同能源的消耗(吨)",ylim=(0, 16000))

output

我们看到石油的消耗量一直都在不断的提升，另外有一个normed参数来帮助我们更好的观察数据的走势

df.plot_bokeh.area(x="Year",stacked=True,normed = 100,legend="bottom_left",colormap=["yellow", "orange", "black", "grey", "blue", "green"],title="全球不同能源的消耗量",ylabel="不同能源的消耗(吨)")

output

饼图

df_pie.plot_bokeh.pie(x="Type",y="2017",colormap=["blue", "red", "yellow", "green", "purple", "orange", "grey"],title="饼图",)

output

上面的代码只是引用了表格当中的一列，当然我们也可以不做指定，引用表格当中的每一列数据

df_pie.plot_bokeh.pie(x="Type",colormap=["blue", "red", "yellow", "green", "purple", "orange", "grey"],title="多重饼图",line_color="black")

output

地图

同时我们来看一下地图的绘制，下面的图表是基于全球各大城市的人口密度分布来绘制的

df_mapped.plot_bokeh.map(x="longitude",y="latitude",hovertool_string="""<h2> @{name} </h2> <h3> Population: @{pop_max} </h3>""",tile_provider="STAMEN_TERRAIN_RETINA",size="population", figsize=(900, 600),title="全球特大城市分布")

output

从图中可以看出，亚洲的日本主要是集中在东京这块，而像在国内的话，有大家熟知的北上广深。上面的代码有两个参数x和y分别对应的是经纬度，

import geopandas as gpd
import pandas_bokeh
pandas_bokeh.output_file("Interactive Plot.html")df_states = gpd.read_file("states.geojson")
print(df_states.head())

下面这张图是美国各个州2017年的的人口总量，我们给上面的每一个州配上不同的颜色

df_states.plot_bokeh(figsize=(900, 600),category="POPESTIMATE2017",simplify_shapes=5000,colormap="Inferno",colormap_uselog=True,colorbar_tick_format="0.0a")

output

当然我们也可以在地图上面添加一个时间轴，让图表随着时间的流逝而变化

for i in range(8):df_states["Delta_Population_201%d"%i] = ((df_states["POPESTIMATE201%d"%i] / df_states["POPESTIMATE2010"]) -1 ) * 100slider_columns = ["Delta_Population_201%d"%i for i in range(8)]
slider_range = range(2010, 2018)
df_states.plot_bokeh(figsize=(900, 600),simplify_shapes=5000,slider=slider_columns,slider_range=slider_range,slider_name="Year",colormap="Inferno",hovertool_columns=["STATE_NAME"] + slider_columns,title="Change of Population [%]")

output

同时我们也可以在地图上面添加一个下拉框，通过点选来筛选数据的展示

df_states["STATE_NAME_SMALL"] = df_states["STATE_NAME"].str.lower()df_states.plot_bokeh(figsize=(900, 600),simplify_shapes=5000,dropdown=["POPESTIMATE2010", "POPESTIMATE2017"],colormap="Viridis",hovertool_string="""<imgsrc="https://www.states101.com/img/flags/gif/small/@STATE_NAME_SMALL.gif" height="42" alt="@imgs" width="42"style="float: left; margin: 0px 15px 15px 0px;"border="2"></img><h2>  @STATE_NAME </h2><h3> 2010: @POPESTIMATE2010 </h3><h3> 2017: @POPESTIMATE2017 </h3>""",tile_provider_url=r"http://c.tile.stamen.com/watercolor/{Z}/{X}/{Y}.jpg",tile_attribution='Map tiles by <a href="http://stamen.com">Stamen Design</a>, under <a href="http://creativecommons.org/licenses/by/3.0">CC BY 3.0</a>. Data by <a href="http://openstreetmap.org">OpenStreetMap</a>, under <a href="http://www.openstreetmap.org/copyright">ODbL</a>.')

output

最后我们可以通过区域的筛选来进行数据的呈现，通过`category`这个参数来实现

df_states.plot_bokeh(figsize=(900, 600),simplify_shapes=5000,category="REGION",show_colorbar=False,colormap=["blue", "yellow", "green", "red"],hovertool_columns=["STATE_NAME", "REGION"],tile_provider="STAMEN_TERRAIN_RETINA")

多图组合

用pandas_bokeh模块也能够实现多张图表的组合，例如上面 人口密度的图表就可以和美国各大洲的人口总量的图表进行组合

#绘制出大致的轮廓图
figure = df_states.plot_bokeh(figsize=(800, 450),simplify_shapes=10000,show_figure=False,xlim=[-170, -80],ylim=[10, 70],category="REGION",colormap="Dark2",legend="States",show_colorbar=False,
)#绘制人口的密度图
df_cities.plot_bokeh(figure=figure,         # <== pass figure here!category="pop_max",colormap="Viridis",colormap_uselog=True,size="size",hovertool_string="""<h1>@name</h1><h3>Population: @pop_max </h3>""",marker="inverted_triangle",legend="Cities",
)

上面的代码我们主要是用到了pandas_bokeh.plot_grid这个方法来将多个图结合起来，再来看几个简单的案例

df = pd.read_csv("iris.csv")from bokeh.models.widgets import DataTable, TableColumn
from bokeh.models import ColumnDataSourcedata_table = DataTable(columns=[TableColumn(field=Ci, title=Ci) for Ci in df.columns],source=ColumnDataSource(df),height=300,
)# 创建散点图:
p_scatter = df.plot_bokeh.scatter(x="petal length(cm)",y="sepal width(cm)",category="species",title="Iris数据可视化",show_figure=False,
)# Combine Table and Scatterplot via grid layout:
pandas_bokeh.plot_grid([[data_table, p_scatter]], plot_width=400, plot_height=350)

output

我们也可以借此多绘制几个直方图，然后组合起来

#重置表格的行索引:
df.reset_index(inplace=True)#创建水平方向的直方图:
p_hbar = df.plot_bokeh(kind="barh",x="fruits",xlabel="Price per Unit [€]",title="Fruit prices per Year",alpha=0.6,legend = "bottom_right",show_figure=False)#创建堆叠式的柱状图:
p_stacked_hbar = df.plot_bokeh.barh(x="fruits",stacked=True,xlabel="Price per Unit [€]",title="Fruit prices per Year",alpha=0.6,legend = "bottom_right",show_figure=False)#Plot all barplot examples in a grid:
pandas_bokeh.plot_grid([[p_bar, p_stacked_bar],[p_hbar, p_stacked_hbar]], plot_width=450)

output

往

期

回

顾

资讯

GPT-3与小学生的做题之战……

资讯

人工智能又将如何破局？文末赠书

资讯

老龄化的Facebook能否再换新颜

福利

赠书|深度学习视频理解之图像分类

分享

点收藏

点点赞

点在看