搜索

7000字 23张图，Pandas一键生成炫酷的动态交互式图表

小数志

共 6573字，需浏览 14分钟

 ·

2021-11-05 14:23

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 np

np.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)"] = 20

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,
    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="""
 @{name} 
 
    
                        
 Population: @{pop_max} 
""",
    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 ) * 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="""
                        " 
                        height="42" alt="@imgs" width="42"
                        style="float: left; margin: 0px 15px 15px 0px;"
                        border="2">
                
                        
  @STATE_NAME 

                        
 2010: @POPESTIMATE2010 

                        
 2017: @POPESTIMATE2017 
""",
    tile_provider_url=r"http://c.tile.stamen.com/watercolor/{Z}/{X}/{Y}.jpg",
    tile_attribution='Map tiles by Stamen Design, under CC BY 3.0. Data by OpenStreetMap, under ODbL.'
    )

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="""
@name

                        
Population: @pop_max 
""",
    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 ColumnDataSource

data_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




相关阅读：


浏览 14
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
7000字 23张图，Pandas一键生成炫酷的动态交互式图表
小詹学Python
0
精选30张炫酷的动态交互式图表，Pandas一键生成，通俗易懂
小詹学Python
0
Envision.js动态交互式 HTML5 图表库
Envision.js 是快速创建动态交互式的可视化 HTML5 图表库。主要特性如下： 支持现代浏
Envision.js动态交互式 HTML5 图表库
Envision.js是快速创建动态交互式的可视化HTML5图表库。主要特性如下：支持现代浏览器，IE6+支持移动端和触摸设备预先构建模板兼容现有的库
何用 160 行代码，实现动态炫酷的可视化图表？
前端宇宙
0
Z3d交互式的三维图表
Z3d 可用来生成交互式的三维图表。 示例代码：<html>  <head>
Z3d交互式的三维图表
Z3d可用来生成交互式的三维图表。 示例代码：<html>  <head>    <script src="bower_components/threejs/build/
使用Plotly绘制常见5种动态交互式图表
Python大数据分析
0
一键生成
一键生成
0
Pyecharts 动态线图，十分炫酷！
Python与算法社区
0
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报