Python数据交互式可视化 - 跨层数据

亚图跨际

已于 2022-04-27 17:02:42 修改

阅读量498

点赞数

分类专栏： Python 文章标签： python 数据可视化

于 2020-11-23 05:47:19 首次发布

本文链接：https://blog.csdn.net/jiyotin/article/details/109979542

版权

Python 专栏收录该内容

366 篇文章 24 订阅

订阅专栏

交互式散点图

如您现在所知，散点图是用于在数据集中显示全局模式的最重要的图类型之一。自然，重要的是要知道如何在这些图中引入交互性。我们将首先查看对图的缩放和重置操作。不过，在此之前，让我们看一下数据集。

我们可以使用以下代码查看HPI数据集：

import pandas as pd
#Download the data from Github repo 
hpi_url = "https://
# Once downloaded, read it into a DataFrame using pandas
hpi_df = pd.read_csv(hpi_url, sep='\t')
hpi_df.head()

输出结果：

图略

请注意，此数据集中有5个数字/定量特征：预期寿命（年），幸福感（0-10），结果不平等，生态足迹（gha /人均）和快乐星球指数。有两个分类/名义特征：国家和地区。在altair中，量化特征表示为Q，名义特征表示为N。我们将很快在可视化中看到如何使用它。

这实际上很棘手。通常，出于可视化的目的，如果表示诸如等级之类的属性的特征具有广泛的范围（大约超过10个等级），则可以将该特征视为另一个数字或定量特征。但是等级越少，它的作用就越像标签，并且类似于名义特征。但是，等级特征与名义特征不同的方式存在一个关键差异–顺序特征对于次序特征很重要。等级1与等级5具有不同的含义和优先级。

让我们通过练习生成并观察每个国家的“幸福感”（0-10）和“快乐星球指数”特征的静态散点图，使用不同的颜色表示该国家所属的区域并继续添加交互性。

向静态散点图添加放大和缩小

我们将使用matplotlib生成静态散点图。我们将在此处使用hpi_data_countries数据集作为绘图，并分析绘图中由图例表示的每个国家/地区的福利得分。我们将继续添加缩放功能。我们将使用altair库执行此操作。让我们将简单的代码分解为更简单的组件，因为这是我们第一次使用altair进行交互。为此，请执行以下步骤：

加载hpi数据集并使用pandas从数据集中读取：

import pandas as pd
hpi_url = “https:”

Once downloaded, read it into a DataFrame using pandas

hpi_df = pd.read_csv(hpi_url, sep=‘\t’)



*   使用matplotlib绘制静态散点图：

    ```
import seaborn as sns
import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111)
ax = sns.scatterplot(x='Wellbeing (0-10)', y='Happy Planet Index',
hue='Region', data=hpi_df)
plt.show()

输出结果：

图略

这里的每个点代表来自7个区域任何一个国家。幸福感和幸福星球指数似乎相关。我们看到不同地区的快乐星球指数得分和幸福感得分呈趋势。

现在我们有了一个静态散点图，让我们探讨一下该图的交互性。我们将研究放大和缩小。

将altair模块导入为alt：

import altair as alt
alt.renderers.enable(‘notebook’)




输出结果：

RendererRegistry.enable(‘notebook’)





*   提供选择的DataFrame（在我们的例子中为hpi_df）到altair Chart函数。
*   使用mark_circle（）函数使用实心圆表示散点图中的数据点。您也可以使用mark_point（）函数使用空圆代替实心圆。
*   使用encode函数在x和y轴上指定特征。 尽管我们在此函数中还使用了color参数，以使用region函数对数据点进行颜色编码，但这是可选的。 最后，添加Interactive（）函数以使绘图具有交互性以进行缩放！ 这需要Jupyter Notebook 5.3或更高版本。 使用以下代码：

    ```
alt.Chart(hpi_df).mark_circle().encode(
   x='Wellbeing (0-10):Q',
   y='Happy Planet Index:Q',
   color='Region:N',
).interactive()

输出结果：

静态散点图上的放大功能

图略

静态散点图上的缩小功能

图略

在该图上稍作调整，以确保可以实际放大和缩小。

您是否注意到我们在定量特征旁边添加了：Q后缀，在名义特征旁边添加了：N后缀？添加这样的后缀有助于altair预先了解功能的类型，而不必自己推断。您还可以尝试消除该图中的后缀，并且您会发现该图仍然可以正确生成，因为在这种情况下altair可以猜测要素的类型。因此，添加后缀是一个好习惯，因为在某些情况下altair无法推断要素类型。

altair绘图中的一个重要概念是编码和通道。这个概念真的很简单– altair尝试对数据的各个方面进行映射/编码，以实现更好的可视化。这就是为什么您看到代码中有一个encode（）函数的原因。我们在编码函数中指定的各种参数（例如x，y和color）在altair中称为channel。既然您已经了解了这些重要的术语，那么让我们看看Altair中其他有趣的交互形式。

注意：注意到绘图旁边的三个小点吗？一旦将交互式绘图设置为所需的配置，就可以使用它将绘图保存到.png（静态）或.svg（交互式）文件中。但是，.svg文件中的交互功能将无法正常工作，除非您在兼容软件（例如Adobe Animate）中将其打开。