【Python】在Python中轻松玩转D3.js可视化

本期分享一个Python工具d3blocks，可轻松将JavaScript中的D3.js强交互可视化能力延续到Python中。

一个实例， PCA图结合tSNE图，

可以看到，d3blocks的结果是可交互的，可轻松实现结果的局部选取、每个点数据显示、展示模式切换(左下侧PCA、tSNE插件)等。

而且d3blocks只需几行Python代码，告别D3.js的长代码，此处使用d3.scatter()函数，

# 导入d3blocks
from d3blocks import D3Blocks
import numpy as np

# 初始化
d3 = D3Blocks()

# 数据准备
df = d3.import_example('mnist')
size = np.random.randint(0, 8, df.shape[0])
opacity = np.random.randint(0, 8, df.shape[0]) / 10
tooltip = df['y'].values.astype(str)

# 绘图
d3.scatter(
    df['PC1'].values,  # PCA图主成分PC1 x轴数据
    df['PC2'].values,  # PCA图主成分PC2 y轴数据
    x1=df['tsne_1'].values,  # tSNE图x轴数据
    y1=df['tsne_2'].values,  # tSNE图y轴数据
    color=df['y'].values.astype(str),
    tooltip=tooltip,  # 设置点的值
    size=size,
    opacity=opacity,  # 设置点透明度
    stroke='#000000',
    cmap='tab20',  # 设置Colormap
    scale=True,
    label_radio=['PCA', 'tSNE'],
    figsize=[1024, 768],
    filepath='scatter_demo.html',  #设置结果名称，结果为网页html格式
)

再看一个案例，网络图，使用d3.d3graph()函数，

再看一个案例，桑基图（Sankey diagram），使用d3.sankey()函数，

from d3blocks import D3Blocks
d3 = D3Blocks()
df = d3.import_example('energy')
d3.sankey(df,
          title='Sankey - d3blocks',
          filepath='sankey.html',
          figsize=(800, 600),
          node={"align": "justify", "width": 15, "padding": 15, "color": "currentColor"},
          link={"color": "source-target", "stroke_opacity": 0.5},
          margin={"top": 5, "right": 1, "bottom": 5, "left": 1},
          showfig=True,
          overwrite=True)

再看一个案例，图像展示（imageslider），当需要比较实验前后结果差异时，非常好用，此外，还支持时间序列图(d3.timeseries())、heatmap图(d3.heatmap())、气泡图(d3.movingbubbles())等，不一一举例，用法都很一致。

-END-

再分享一份原创Python可视化教程（基于py可视化利器seaborn）：530张图形+8000行代码+详细代码注释+后续免费更新+学习交流群，部分目录，

 加入学习要趁早，随着加入学习的小伙伴越多，维护成本越来越大，   月底将对价格适当调整，优惠截止于7月31日24:00。

每类图表包含详细代码+详细代码注释，多达8000行代码，例如，

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑

• 交流群

欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）