博客

30张炫酷的动态交互式图表，Python 一键即可生成

  • Post author:
  • Post category:python


今天我来讲一下如何用 Python 一行代码在

DataFrame

数据集当中生成炫酷的动态交互式的图表，本文中我们需要用到的模块

cufflinks

，就像是

seaborn

封装了

matplotlib

一样，

cufflinks

也在

plotly

上面做了进一步的包装及优化，方法统一、参数配置简单，对于

DataFrame

数据集而言也可以方便灵活的绘图。

本文案例较多，很多可以拿来即用，欢迎收藏学习，喜欢点赞支持。

很多基础薄弱、喜欢技术交流学习的小伙伴，可以文末加入技术交流群。

本文中我将绘制的图表包括

  • 折线图

  • 面积图

  • 散点图

  • 柱状图

  • 直方图

  • 箱型图

  • 热力图

  • 3D 散点图/3D 气泡图

  • 趋势图

  • 饼图

  • K线图

  • 多个子图相拼合



模块的安装

涉及到安装，直接

pip install

即可 

pip install cufflinks



导入模块，并查看相关的配置

我们导入该模块，看一下目前的版本是在多少 

cf.__version__

output 

'0.17.3'

目前该模块的版本已经到了

0.17.3

，也是最新的版本，然后我们最新版本支持可以绘制的图表有哪些 

cf.help()

output 

Use 'cufflinks.help(figure)' to see the list of available parameters for the given figure.
Use 'DataFrame.iplot(kind=figure)' to plot the respective figure
Figures:
 bar
 box
 bubble
 bubble3d
 candle
 choroplet
 distplot
 .......

从上面的输出我们可以看到，绘制图表大致的语法是

df.iplot(kind=图表名称)

而如何我们想要查看某个特定图表绘制时候的参数，例如柱状图

bar

参数有哪些，可以这么做 

cf.help('bar')



柱状图

我们先来看一下直方图图表的绘制，首先来创建一个数据集用于图表的绘制 

df2 = pd.DataFrame({'Category':['A','B','C','D'],
                    'Values':[95,56,70,85]})
df2

output 

  Category  Values
0        A      95
1        B      56
2        C      70
3        D      85

然后我们来绘制直方图 

df2.iplot(kind='bar',x='Category',y='Values',
          xTitle = "Category",yTitle = "Values",
          title = "直方图")

output

图片

其中的

x

参数上面填的是

x

轴上面对应的变量名，而

y

参数填的是

y

轴上面对应的变量名，我们可以将绘制的图表以

png

的格式下载下来，

图片

同时我们也还可以对绘制的图表放大查看，

在这里插入图片描述

我们再来看一下下面这组数据 

df = pd.DataFrame(np.random.randn(100,4),columns='A B C D'.split())
df.head()

output 

          A         B         C         D
0  0.612403 -0.029236 -0.595502  0.027722
1  1.167609  1.528045 -0.498168 -0.221060
2 -1.338883 -0.732692  0.935410  0.338740
3  1.662209  0.269750 -1.026117 -0.858472
4  1.387077 -0.839192 -0.562382 -0.989672

我们来绘制直方图的图表 

df.head(10).iplot('bar')

output

图片

我们也可以来绘制“堆叠式”的直方图 

df.head(10).iplot(kind='bar',barmode='stack')

output

图片

那么同样地，我们也可以将直方图横过来来绘制 

df.head(10).iplot(kind='barh',barmode='stack')

output

图片



折线图

下面我们来看一下折线图的绘制，我们首先针对上面的

df

数据集各列做一个累加 

df3 = df.cumsum()

然后我们来绘制折线图 

df3.iplot()

output

图片

当然你也可以筛选出当中的几列然后来进行绘制，效果如下 

df3[["A", "B"]].iplot()

output

图片

我们也可以给折线图画一条拟合其走势的直线， 

df3['A'].iplot(bestfit = True,bestfit_colors=['pink'])

output

图片

这里我们着重来介绍一个

iplot()

方法里面常用的参数


  • kind

    :图表类型，默认的是

    scatter

    ，散点类型，可供选择的类型还有bar(直方图)、box(箱型图)、heatmap(热力图)等等


  • theme

    : 布局主题，可以通过

    cf.getThemes()

    来查看主要有哪些


  • title

    : 图表的标题


  • xTitle/yTitle

    : x或者y轴上面的轴名


  • colors

    : 绘制图表时候的颜色


  • subplots

    : 布尔值，绘制子图时候需要用到，默认为

    False


  • mode

    :

    字符串

    ，绘图的模式，可以有

    lines

    、

    markers

    ，也还有

    lines+markers

    和

    lines+text

    等模式


  • size

    : 针对于散点图而言，主要用来调整散点的大小


  • shape

    : 在绘制子图时候各个图的布局


  • bargap

    : 直方图当中柱子之间的距离


  • barmode

    : 直方图的形态，stack(堆叠式)、group(簇状)、overlay(覆盖)



面积图

从折线图到面积图的转变非常的简单，只需要将参数

fill

设置为

True

即可，代码如下 

df3.iplot(fill = True)

output

图片



散点图

对于散点图的绘制，我们需要将

mode

设置成

marker

，代码如下 

df3.iplot(kind='scatter',x='A',y='B',
          mode='markers',size=10)

output

图片

我们可以通过调整

size

参数来调整散点的大小，例如我们将

size

调整成20 

df3.iplot(kind='scatter',x='A',y='B',
          mode='markers',size=20)

output

图片

或者将mode设置成

lines+markers

，代码如下 

df3.iplot(kind='scatter',x='A',y='B',
          mode='lines + markers',size=10)

我们还可以对散点的形状加以设定，例如下面的代码 

df3.iplot(kind='scatter',x='A',y='B',
          mode='markers',size=20,symbol="x",
          colorscale='paired',)

output

图片

当然我们也可以对散点的颜色加以设定 

df.iplot(kind='scatter' ,mode='markers',
         symbol='square',colors=['orange','purple','blue','red'],
         size=20)

output

图片



气泡图

气泡图的呈现方式与散点图相比有着异曲同工之妙，在绘制上面将

kind

参数改成

bubble

，假设我们有这样一组数据 

cf.datagen.bubble(prefix='industry').head()

output 

          x         y  size    text categories
0  0.332274  1.053811     2  LCN.CG  industry1
1 -0.856835  0.422373    87  ZKY.XC  industry1
2 -0.818344 -0.167020    72  ZSJ.DJ  industry1
3 -0.720254  0.458264    11  ONG.SM  industry1
4 -0.004744  0.644006    40  HUW.DN  industry1

我们来绘制一下气泡图 

cf.datagen.bubble(prefix='industry').iplot(kind='bubble',x='x',y='y',size='size',
       categories='categories',text='text', xTitle='Returns',
       yTitle='Analyst Score',title='Cufflinks - 气泡图')

output

图片

气泡图与散点图的不同就在于，散点图当中的每个点大小都是一致的，但是气泡图并不是如此



3D散点图

那既然我们已经提到了气泡图，那么3D散点图也就顺便提一下吧，假设我们的数据如下所示 

cf.datagen.scatter3d(2,150).head()

output 

          x         y         z    text categories
0  0.375359 -0.683845 -0.960599  RER.JD  category1
1  0.635806  1.210649  0.319687  INM.LE  category1
2  0.578831  0.103654  1.333646  BSZ.HS  category1
3 -1.128907 -1.189098  1.531494  GJZ.UX  category1
4  0.067668 -1.990996  0.088281  IQZ.KS  category1

我们来绘制一下3D的气泡图，既然是三维的图形就说明有x轴、y轴还有z轴，代码如下 

cf.datagen.scatter3d(2,150).iplot(kind='scatter3d',x='x',y='y',z='z',size=15,
                                  categories='categories',text='text',
                                  title='Cufflinks - 3D气泡图',colors=['yellow','purple'],
                                  width=1,margin=(0,0,0,0),
                                  opacity=1)

output

图片



3D气泡图

那么提到了3D散点图，就不得不提3D的气泡图了，假设我们的数据集长这样 

cf.datagen.bubble3d(5,4).head()

output 

          x         y         z  size    text categories
0 -1.888528  0.801430 -0.493671    77  OKC.HL  category1
1 -0.744953 -0.004398 -1.249949    61  GAG.UH  category1
2  0.980846  1.241730 -0.741482    37  LVB.EM  category1
3 -0.230157  0.427072  0.007010    78  NWZ.MG  category1
4  0.025272 -0.424051 -0.602937    76  JDW.AX  category2

我们来绘制一下3D的气泡图 

cf.datagen.bubble3d(5,4).iplot(kind='bubble3d',x='x',y='y',z='z',size='size',
                               text='text',categories='categories',
                               title='Cufflinks - 3D气泡图',colorscale='set1',
                               width=.9,opacity=0.9)

output

图片



箱型图

接下来我们看一下箱型图的绘制，箱型图对于我们来观察数据的分布、是否存在极值等情况有着很大的帮助 

df.iplot(kind = "box")

output

图片



热力图

这个是热力图的绘制，我们来看一下数据集 

cf.datagen.heatmap(20,20).head()

output 

           y_0        y_1        y_2  ...       y_17       y_18       y_19
x_0  40.000000  58.195525  55.355233  ...  77.318287  80.187609  78.959951
x_1  37.111934  25.068114  25.730511  ...  27.261941  32.303315  28.550340
x_2  54.881357  54.254479  59.434281  ...  75.894161  74.051203  72.896999
x_3  41.337221  39.319033  37.916613  ...  15.885289  29.404226  26.278611
x_4  42.862472  36.365226  37.959368  ...  24.998608  25.096598  32.413760

我们来绘制一下热力图，代码如下 

cf.datagen.heatmap(20,20).iplot(kind='heatmap',colorscale='spectral',title='Cufflinks - 热力图')

output

图片



趋势图

所谓的趋势图，说白了就是折线图和面积图两者的结合，代码如下 

df[["A", "B"]].iplot(kind = 'spread')

output

图片



饼图

下面我们来看一下饼图的绘制，代码如下 

cf.datagen.pie(n_labels=6, mode = "stocks").iplot(
    kind = "pie",
    labels = "labels",
    values = "values")

output

图片



K线图


cufflinks

也可以用来绘制K线图，我们来看一下这里的数据集 

cf.datagen.ohlc().head()

output 

                  open        high         low       close
2015-01-01  100.000000  119.144561   97.305961  106.125985
2015-01-02  106.131897  118.814224   96.740816  115.124342
2015-01-03  116.091647  131.477558  115.801048  126.913591
2015-01-04  128.589287  144.116844  117.837221  136.332657
2015-01-05  134.809052  138.681252  118.273850  120.252828

从上面的数据集当中可以看到，有开盘价、收盘价、最高/最低价，然后我们来绘制K线图 

cf.datagen.ohlc().iplot(kind = "ohlc",xTitle = "日期",
                        yTitle="价格",title = "K线图")

output

图片



直方图

df = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),
                    'c': np.random.randn(1000) - 1}, columns=['a', 'b', 'c'])
df.iplot(kind = "histogram")

output

图片



多个子图的绘制

然后我们看一下多个子图的绘制，一个是用

scatter_matrix()

方法来实现 

df = pd.DataFrame(np.random.randn(1000, 4),
                  columns=['a', 'b', 'c', 'd'])
df.scatter_matrix()

output

图片

另外就是使用

subplots

参数，将其参数设置为

True

，例如我们来绘制多个直方图子图 

df_h=cf.datagen.histogram(4)
df_h.iplot(kind='histogram',subplots=True,bins=50)

output

图片

或者是绘制多个折线图子图 

df=cf.datagen.lines(4)
df.iplot(subplots=True,subplot_titles=True,legend=True)

output

图片

最后我们还可以自由来组合多个子图的绘制，通过里面的

specs

参数 

df=cf.datagen.bubble(10,50,mode='stocks')
# 定义要绘制图表的形式
figs=cf.figures(df,[dict(kind='histogram',keys='x',color='blue'),
                    dict(kind='scatter',mode='markers',x='x',y='y',size=5),
                    dict(kind='scatter',mode='markers',x='x',y='y',size=5,color='teal')],asList=True)
figs.append(cf.datagen.lines(1).figure(bestfit=True,colors=['blue'],bestfit_colors=['red']))
base_layout=cf.tools.get_base_layout(figs)
# 多个子图如何来分布，specs参数当中，分为两行两列来进行分布
specs=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.25,horizontal_spacing=.04,
               specs=[[{'rowspan':2},{}],[None,{}],[{'colspan':2},None]],
               subplot_titles=['直方图','散点图_1','散点图_2','折线图+拟合线'])
specs['layout'].update(showlegend=True)
cf.iplot(specs)

output

图片



技术交流

欢迎转载、收藏、有所收获点赞支持一下！

在这里插入图片描述

目前开通了技术交流群，群友已超过

2000人

，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

  • 方式①、发送如下图片至微信，长按识别，后台回复：加群；
  • 方式②、添加微信号：

    dkl88191

    ，备注：来自CSDN
  • 方式③、微信搜索公众号：

    Python学习与数据挖掘

    ，后台回复：加群

长按关注


版权声明：本文为weixin_38037405原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。