本文轉(zhuǎn)載自公眾號“讀芯術(shù)”(ID：AI_Discovery)。

流行 Python 數(shù)據(jù)分析庫 Pandas 中的繪圖功能一直是迅速繪制圖表的首選之一。但是，其可用的可視化效果總是十分粗略，實用有余、美觀不足。

筆者常用 Pandas 的繪圖功能快速地執(zhí)行一些可視的數(shù)據(jù)探索，但在介紹數(shù)據(jù)洞察時，我會使用“更美觀”的繪圖庫(如 Plotly 或 Bokeh )來重做可視化。

自最新的 Pandas 版本0.25.3發(fā)布后，無需這樣做了，現(xiàn)在我們可以使用第三方可視化庫作為 Pandas 繪圖功能的后端。Plotly是一款基于 web 實現(xiàn)交互式可視化的流行Python庫，其最近發(fā)布了 Pandas繪圖后端。

來看看如何使用 Plotly 和 Bokeh 后端創(chuàng)建更豐富的可視化效果。

[[334122]]

使用不同的后端

想要激活繪圖功能的不同后端需在導(dǎo)入 pandas 后，添加此行代碼：

pd.options.plotting.backend = 'plotly' 

當(dāng)前可用的后端有：

• Plotly
• Holoviews
• Matplotlib
• Pandas _bokeh
• Hyplot

Plotly后端

Plotly是一個 Python庫，其支持豐富的交互式可視化效果。Plotly包的好處之一在于它是在庫的 Javascript 版本之上構(gòu)建的，這意味著圖表會基于Web，可以顯示為 HTML 文件或嵌入到基于Python的Web應(yīng)用程序中。用戶還可以將可視化內(nèi)容下載為高質(zhì)量的圖像文件，以便在文檔或論文中使用。

下面來瀏覽一些Plotly作為Pandas繪圖后端的快速示例。

如果還沒有安裝Plotly ，則需要使用pip intsall plotly來安裝。如果是在Jupyterlab中使用 Plotly ，則需要額外執(zhí)行幾個安裝步驟來顯示可視化效果。首先，安裝IPywaidgets：

pipenv install jupyterlab " ipywidgets>=7.5" 
pip install jupyterlab "ipywidgets>=7.5" 

然后運行以下命令以安裝Plotly擴展：

jupyter labextension install jupyterlab-plotly@4.8.1 

為了說明繪圖后端的用法，使用openml.org名為“wine(葡萄酒)”的數(shù)據(jù)集。

import pandas as pd 
      import numpy as np 
             from sklearn.datasets import fetch_openml 
             pd.options.plotting.backend ='plotly' 
             X,y =fetch_openml("wine", version=1, as_frame=True, return_X_y=True) 
      data = pd.concat([X,y], axis=1) 
      data.head() 

該數(shù)據(jù)集由各類葡萄酒的多個特征和相應(yīng)的標(biāo)簽組成。下圖顯示了數(shù)據(jù)集的前幾行。

繪圖功能的工作方式與標(biāo)準(zhǔn)Pandas繪圖功能的工作方式大致相同，只是現(xiàn)在可視化效果同Plotly一樣豐富。下面的代碼繪制了數(shù)據(jù)集中兩個特征之間的關(guān)系。

fig = data[['Alcohol', 'Proline']].plot.scatter(y='Alcohol', x='Proline') 
fig.show() 

可以通過組合 Pandas 的groupby函數(shù)創(chuàng)建一個柱狀圖來總結(jié)類之間的平均色調(diào)差異：

data[['Hue','class']].groupby(['class']).mean().plot.bar() 

將類添加到之前創(chuàng)建的散點圖中。使用Plotly，可以輕松地給每個類使用不同的顏色，以便直觀地區(qū)分：

fig = data[['Alcohol', 'Proline']].plot.scatter(y='Alcohol', x='Proline') 
                                      fig.show() 

Bokeh 后端

Bokeh 也可以提供豐富交互式可視化效果。其可視化圖表可以在 Web 瀏覽器中查看，嵌入到 Web應(yīng)用程序中或用于創(chuàng)建交互式儀表板。Bokeh 甚至有一個流式 API，可以為流數(shù)據(jù)(如金融市場數(shù)據(jù))創(chuàng)建實時可視化圖表。

庫可以通過pip來安裝：

pip install pandas-bokeh 

要在 Jupyterlab中顯示 Bokeh的可視化效果，需要安裝兩個新的擴展：

jupyter labextension install @jupyter-widgets/jupyterlab-managerjupyterlabextension install @bokeh/jupyter_bokeh 

使用 Bokeh 后端重新創(chuàng)建之前的散點圖：

pd.options.plotting.backend ='pandas_bokeh' 
             import pandas_bokeh 
                            from bokeh.io import output_notebook 
                            from bokeh.plotting import figure, show 
             output_notebook() 
                            p1= data.plot_bokeh.scatter(x='Hue', 
                                                          y='Proline', 
                                                          category='class', 
                                                          title='Proline and Hue by wine class', 
                                                          show_figure=False) 
                            show(p1) 

可視化效果如下：

Bokeh 有一個plot_grid函數(shù)，可為多個圖表創(chuàng)建儀表板式布局。下面的代碼在網(wǎng)格布局中創(chuàng)建四個圖表：

output_notebook() 
             p1 = data.plot_bokeh.scatter(x='Hue', 
                                               y='Proline', 
                                               category='class', 
                                               title='Proline and Hue by wine class', 
                                               show_figure=False) 
    
                                   p2 = data[['Hue','class']].groupby(['class']).mean().plot.bar(title='Mean Hue per Class') 
             df_hue = pd.DataFrame({ 
                     'class_1': data[data['class'] =='1']['Hue'], 
                     'class_2': data[data['class'] =='2']['Hue'], 
                     'class_3': data[data['class'] =='3']['Hue']}, 
                     columns=['class_1', 'class_2', 'class_3']) 
             p3 = df_hue.plot_bokeh.hist(title='Distribution perClass: Hue') 
             df_proline = pd.DataFrame({ 
                     'class_1': data[data['class'] =='1']['Proline'], 
                     'class_2': data[data['class'] =='2']['Proline'], 
                     'class_3': data[data['class'] =='3']['Proline']}, 
                     columns=['class_1', 'class_2', 'class_3']) 
             p4 =df_proline.plot_bokeh.hist(title='Distribution per Class: Proline') 
             pandas_bokeh.plot_grid([[p1, p2], 
                                         [p3, p4]], plot_width=450) 

為內(nèi)置的Pandas繪圖功能添加多個第三方后端，這大大增強了該庫用于數(shù)據(jù)可視化的能力。從此之后，pandas就可以集美貌與實用于一身啦。