可以的，“Pandas”现在也可以绘制交互式的图形了，来看看怎么做的吧？

大家好，我是俊欣，今天来和大家分享一下“如何用Pandas来绘制交互式的图形”，希望读者朋友们读了之后能够有所收获。

01

Plotly作为后端支持

我们可以使用第三方的可视化模块来做“Pandas”的后端支持，例如“Plotly”以及“Bokeh”等模块，进而便可以绘制出交互式的图形了，我们先来看一下“Plotly”作为后端的支持，

在我们导入所需要用到的模块之后，我们需要导入进需要用到的数据库，并且添加下面这行代码，以激活“Plotly”作为后端的支持

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()

我们来将“Alcohol”和“Proline”两列做一个散点图，其中“Proline”列为X轴，“Alcohol”列为Y轴，代码如下

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

出来的效果则如下图所示，

是不是和用“plotly”效果差不多？我们可以任意的放大特定的区域，以及下载高清的图像

当然我们也可以对散点图加上一个类别区分，酱紫来可视化不同类别之下的结果，代码如下

fig = data[['Hue', 'Proline', 'class']].plot.scatter(x='Hue', y='Proline', color='class', title='Proline and Hue by wine class')
fig.show()

出来的效果如下图所示

我们也可以绘制一些直方图，例如下面的代码，我们对“class”这一列进行“groupby”之后，然后计算出平均值，画出直方图

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

出来的效果如下图所示

02

Bokeh作为后端支持

好了，我们来看一下用“Bokeh”作为后端支持的“Pandas”可视化该如何来操作，我们也同样来绘制一个散点图，通过不同的类别来区分的，代码如下

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)

绘制出来的结果如下，也是交互式的，

“Bokeh”模块当中有“plot_grid”方法可以用来绘制仪表盘，例如下面的代码绘制出了四个图形，分别是一张散点图，3张直方图，代码如下

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 per Class: 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)

而最后出来的结果如下图所示

今天的分享就到这里，希望大家看了有所收获！

干货分享 | Pandas处理时间序列的数据

干货分享 | 用 Streamlit 来制作数据可视化面板教程（一）

分享10个常用的Python内置函数，可以极大的提高效率哦！！

点点分享

点点赞

点点在看