欧美中文在线播放你懂网站,一本色道av久久精品+网站,亚洲一级黄色毛片视频

[導(dǎo)讀]作者|俊欣來源?|關(guān)于數(shù)據(jù)分析與可視化今天小編來演示一下如何用pandas一行代碼來繪制可以動態(tài)交互的圖表，并且將繪制的圖表組合到一起，組成可視化大屏，本次小編將要繪制的圖表有折線圖散點圖直方圖柱狀圖餅圖面積圖地圖組合圖準(zhǔn)備工作我們先導(dǎo)入需要用到的庫，并做相應(yīng)的設(shè)置import?...

作者 | 俊欣
來源 | 關(guān)于數(shù)據(jù)分析與可視化今天小編來演示一下如何用

pandas一行代碼來繪制可以動態(tài)交互的圖表，并且將繪制的圖表組合到一起，組成可視化大屏，本次小編將要繪制的圖表有



	



	
		折線圖
	
	
		散點圖
	
	
		直方圖
	
	
		柱狀圖
	
	
		餅圖
	
	
		面積圖
	
	
		地圖
	
	
		組合圖
	


	準(zhǔn)備工作

我們先導(dǎo)入需要用到的庫，并做相應(yīng)的設(shè)置

	


import pandas as pd

import pandas_bokeh

pandas_bokeh.output_notebook()



	


因為小編是在jupyter nobteook上面操作的，這邊就用到了output_notebook()的設(shè)置

	



	折線圖

我們先來畫一張簡單的折線圖，當(dāng)中隨機生成一批數(shù)據(jù)

	


import numpy as np



np.random.seed(55)

df = pd.DataFrame({"寧德時代": np.random.randn(100) 0.2, 

"貴州茅臺": 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

	




	


繪制出來的圖表可以任意的縮放以及拖拽，我們也可以點擊右邊的“保存”按鈕來實現(xiàn)對圖表的下載保存，以至于圖表的類型只需要對參數(shù)kind加以設(shè)定，我們將上面的代碼優(yōu)化一下

	


df.plot_bokeh.line(

figsize=(800, 450),

title="寧德時代 vs 貴州茅臺",

xlabel="日期",

ylabel="股票價格 [$]",

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

	




	


我們對X軸以及Y軸坐標(biāo)做了范圍的限定，并且加上了標(biāo)注，效果看起來也更加的美觀一些。和pyecharts類似，我們也可以在圖標(biāo)的底部添加一個時間軸，拖動時間軸來展示數(shù)據(jù)

	


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

	




	


當(dāng)然我們也可以對折線加以修改，就可以變成另外一種樣子，主要修改的就是參數(shù)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="折線圖 (Type 1 vs. Type 2)",

marker="x")



	


output

	




	



	散點圖

接下來我們來看散點圖，步驟與上述的折線圖相類似

	


df = pd.read_csv("iris.csv")

p_scatter = df.plot_bokeh.scatter(

x="petal length(cm)",

y="sepal width(cm)",

category="species",

title="Iris數(shù)據(jù)集可視化",

show_figure=True,

)



	


output

	




	


我們在讀取了iris數(shù)據(jù)集之后，將x參數(shù)和y參數(shù)上填上我們所要繪制的兩列，而title參數(shù)則是設(shè)置圖表的標(biāo)題

	


我們也可以通過當(dāng)中size這個參數(shù)來控制散點的大小，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)"] = 20



p_scatter = df.plot_bokeh.scatter(

x="petal length(cm)",

y="sepal width(cm)",

category="species",

title="Iris數(shù)據(jù)集可視化",

show_figure=True,

size="sepal length(cm)"

)



	


output

	




	



	柱狀圖

下面我們來看一下直方圖的繪制

	


data = {

'fruits':

['蘋果', '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="每斤的的價格 [￥]", 

title="水果每年的價格", 

alpha=0.6)



	


output

	




	


我們看到上面的直方圖是按照不同的年份分開來的，我們也可以堆疊起來，通過stacked這個參數(shù)來實現(xiàn)



	


p_stacked_bar = df.plot_bokeh.bar(

ylabel="每斤的的價格 [￥]",

title="水果每年的價格",

stacked=True,

alpha=0.6)



	


output

	




	



	直方圖

繪制直方圖的方式也是類似的

	


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="正則分布直方圖",

show_average=True,

xlim=(-4, 6),

ylim=(0, 30),

show_figure=True)



	


output

	




	


小編個人覺得直方圖有點丑，不知道大家是不是有類似的體驗

	



	面積圖

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(噸)",

ylim=(0, 16000))



	


output

	




	


我們看到石油的消耗量一直都在不斷的提升，另外有一個normed參數(shù)來幫助我們更好的觀察數(shù)據(jù)的走勢

	


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(噸)")



	


output

	




	



	餅圖

df_pie.plot_bokeh.pie(

x="Type",

y="2017",

colormap=["blue", "red", "yellow", "green", "purple", "orange", "grey"],

title="餅圖",

)



	


output

	




	


上面的代碼只是引用了表格當(dāng)中的一列，當(dāng)然我們也可以不做指定，引用表格當(dāng)中的每一列數(shù)據(jù)



	


df_pie.plot_bokeh.pie(

x="Type",

colormap=["blue", "red", "yellow", "green", "purple", "orange", "grey"],

title="多重餅圖",

line_color="black")



	


output

	




	



	地圖

同時我們來看一下地圖的繪制，下面的圖表是基于全球各大城市的人口密度分布來繪制的

	


df_mapped.plot_bokeh.map(

x="longitude",

y="latitude",

hovertool_string="""

	@{name}






	Population: @{pop_max}

""",

tile_provider="STAMEN_TERRAIN_RETINA",

size="population", 

figsize=(900, 600),

title="全球特大城市分布")



	


output

	




	


從圖中可以看出，亞洲的日本主要是集中在東京這塊，而像在國內(nèi)的話，有大家熟知的北上廣深。上面的代碼有兩個參數(shù)x和y分別對應(yīng)的是經(jīng)緯度，

	


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())



	


下面這張圖是美國各個州2017年的的人口總量，我們給上面的每一個州配上不同的顏色

	


df_states.plot_bokeh(

figsize=(900, 600),

category="POPESTIMATE2017",

simplify_shapes=5000,

colormap="Inferno",

colormap_uselog=True,

colorbar_tick_format="0.0a")



	


output

	




	


當(dāng)然我們也可以在地圖上面添加一個時間軸，讓圖表隨著時間的流逝而變化

	


for i in range(8):

df_states["Delta_Population_201%d"%i] = ((df_states["POPESTIMATE201%d"%i] / df_states["POPESTIMATE2010"]) -1 ) * 100



slider_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

	




	


同時我們也可以在地圖上面添加一個下拉框，通過點選來篩選數(shù)據(jù)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="""



	


最后我們可以通過區(qū)域的篩選來進行數(shù)據(jù)的呈現(xiàn)，通過`category`這個參數(shù)來實現(xiàn)

	


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")



	




	



	多圖組合



用pandas_bokeh模塊也能夠?qū)崿F(xiàn)多張圖表的組合，例如上面 人口密度的圖表就可以和美國各大洲的人口總量的圖表進行組合

	


#繪制出大致的輪廓圖

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,

)



#繪制人口的密度圖

df_cities.plot_bokeh(

figure=figure, # <== pass figure here!

category="pop_max",

colormap="Viridis",

colormap_uselog=True,

size="size",

hovertool_string="""

	@name




	Population: @pop_max

""",

marker="inverted_triangle",

legend="Cities",

)



	




	


上面的代碼我們主要是用到了pandas_bokeh.plot_grid這個方法來將多個圖結(jié)合起來，再來看幾個簡單的案例



	


df = pd.read_csv("iris.csv")



from bokeh.models.widgets import DataTable, TableColumn

from bokeh.models import ColumnDataSource



data_table = DataTable(

columns=[TableColumn(field=Ci, title=Ci) for Ci in df.columns],

source=ColumnDataSource(df),

height=300,

)



# 創(chuàng)建散點圖:

p_scatter = df.plot_bokeh.scatter(

x="petal length(cm)",

y="sepal width(cm)",

category="species",

title="Iris數(shù)據(jù)可視化",

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

	




	


我們也可以借此多繪制幾個直方圖，然后組合起來

	


#重置表格的行索引:

df.reset_index(inplace=True)



#創(chuàng)建水平方向的直方圖:

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)



#創(chuàng)建堆疊式的柱狀圖:

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


                
            欲知詳情，請下載word文檔 下載文檔

7000?字?23?張圖，Pandas一鍵生成炫酷的動態(tài)交互式圖表

準(zhǔn)備工作

折線圖

散點圖

柱狀圖

直方圖

面積圖

餅圖

地圖

@{name}

Population: @{pop_max}

多圖組合

@name

Population: @pop_max

7000?字?23?張圖，Pandas一鍵生成炫酷的動態(tài)交互式圖表