99久久免费观看,人人爱精品,俺来也操逼,天天色播,日本欧美性爱视频一区二区,黄色美女操逼,免费国产网站在线观看,18禁在线亚洲

大家好，我是村長。

在Pandas的0.25.0版本之后，提供了一些其他繪圖后端，其中就有我們今天要演示的主角基于Bokeh！

Starting in 0.25 pandas can be extended with third-party plotting backends. The main idea is letting users select a plotting backend different than the provided one based on Matplotlib.

目錄：

0. 環(huán)境準備
1. 折線圖
2. 柱狀圖（條形圖）
3. 散點圖
4. 點圖
5. 階梯圖
6. 餅圖
7. 直方圖
8. 面積圖
9. 地圖
10. 其他

0. 環(huán)境準備

我們用到的是pandas-bokeh，它為Pandas、GeoPandas和Pyspark 的DataFrames提供了Bokeh繪圖后端，類似于Pandas已經(jīng)存在的可視化功能。導入庫后，在DataFrames和Series上就新添加了一個繪圖方法plot_bokeh()。

安裝第三方庫

pip?install?pandas-bokeh

or conda:

conda?install?-c?patrikhlobil?pandas-bokeh

如果你是使用jupyter notebook，可以這樣讓其直接顯示

import?pandas?as?pd
import?pandas_bokeh

pandas_bokeh.output_notebook()

同樣如果輸出是html文件，則可以用以下方式處理

import?pandas?as?pd
import?pandas_bokeh

pandas_bokeh.output_file("Interactive?Plot.html")

當然在使用的時候，記得先設置繪制后端為pandas_bokeh

import?pandas?as?pd

pd.set_option('plotting.backend',?'pandas_bokeh')

目前這個繪圖方式支持的可視化圖表有以下幾類：

折線圖
柱狀圖（條形圖）
散點圖
點圖
階梯圖
餅圖
直方圖
面積圖
地圖

1. 折線圖

交互元素含有以下幾種：

可平移或縮放
單擊圖例可以顯示或隱藏折線
懸停顯示對應點數(shù)據(jù)信息

先看一個簡單案例：

import?numpy?as?np

np.random.seed(42)
df?=?pd.DataFrame({"谷歌":?np.random.randn(1000)+0.2,?
???????????????????"蘋果":?np.random.randn(1000)+0.17},?
???????????????????index=pd.date_range('1/1/2020',?periods=1000))
df?=?df.cumsum()
df?=?df?+?50
df.plot_bokeh(kind="line")???????#等價于?df.plot_bokeh.line()

折線圖

在繪制過程中，我們還可以設置很多參數(shù)，用來設置可視化圖表的一些功能：

kind : 圖表類型，目前支持的有：“l(fā)ine”、“point”、“scatter”、“bar”和“histogram”；在不久的將來，更多的將被實現(xiàn)為水平條形圖、箱形圖、餅圖等
x：x的值，如果未指定x參數(shù)，則索引用于繪圖的 x 值；或者，也可以傳遞與 DataFrame 具有相同元素數(shù)量的值數(shù)組
y：y的值。
figsize : 圖的寬度和高度
title : 設置標題
xlim / ylim：為 x 和 y 軸設置可見的繪圖范圍（也適用于日期時間 x 軸）
xlabel / ylabel : 設置 x 和 y 標簽
logx / logy : 在 x/y 軸上設置對數(shù)刻度
xticks / yticks : 設置軸上的刻度
color：為繪圖定義顏色
colormap：可用于指定要繪制的多種顏色
hovertool：如果 True 懸停工具處于活動狀態(tài)，否則如果為 False 則不繪制懸停工具
hovertool_string：如果指定，此字符串將用于懸停工具（@{column} 將替換為鼠標懸停在元素上的列的值）
toolbar_location：指定工具欄位置的位置（None, “above”, “below”, “l(fā)eft” or “right”)），默認值：right
zooming：啟用/禁用縮放，默認值：True
panning：啟用/禁用平移，默認值：True
fontsize_label/fontsize_ticks/fontsize_title/fontsize_legend：設置標簽、刻度、標題或圖例的字體大小（整數(shù)或“15pt”形式的字符串）
rangetool啟用范圍工具滾動條，默認False
kwargs **：bokeh.plotting.figure.line 的可選關(guān)鍵字參數(shù)

df.plot_bokeh.line(
????figsize=(800,?450),?#?圖的寬度和高度
????y="蘋果",?#?y的值，這里選擇的是df數(shù)據(jù)中的蘋果列
????title="蘋果",?#?標題
????xlabel="Date",?#?x軸標題
????ylabel="Stock?price?[$]",?#?y軸標題
????yticks=[0,?100,?200,?300,?400],?#?y軸刻度值
????ylim=(0,?400),?#?y軸區(qū)間
????toolbar_location=None,?#?工具欄（取消）
????colormap=["red",?"blue"],?#?顏色
????hovertool_string=r"""????????????????????????src='https://dss0.bdstatic.com/-0U0bnSm1A5BphGlnYG/tam-ogel/920152b13571a9a38f7f3c98ec5a6b3f_122_122.jpg'?
????????????????????????height="42"?alt="@imgs"?width="42"
????????????????????????style="float:?left;?margin:?0px?15px?15px?0px;"
????????????????????????border="2">?Apple?
????????????????????????
?????????????????????????Stock?Price:?
?@{蘋果}""",??#?懸停工具顯示形式（支持css）
????panning=False,?#?禁止平移
????zooming=False)?#?禁止縮放

對于折線圖來說，還有一些特殊的參數(shù)，它們是：

plot_data_points：添加繪制線上的數(shù)據(jù)點
plot_data_points_size：設置數(shù)據(jù)點的大小
標記：定義點類型*（默認值：circle）*，可能的值有：“circle”、“square”、“triangle”、“asterisk”、“circle_x”、“square_x”、“inverted_triangle”、“x”、“circle_cross”、“square_cross”、“diamond”、“cross” '
kwargs **：bokeh.plotting.figure.line 的可選關(guān)鍵字參數(shù)

df.plot_bokeh.line(
????figsize=(800,?450),
????title="蘋果?vs?谷歌",
????xlabel="Date",
????ylabel="價格?[$]",
????yticks=[0,?100,?200,?300,?400],
????ylim=(0,?100),
????xlim=("2020-01-01",?"2020-02-01"),
????colormap=["red",?"blue"],
????plot_data_points=True,?#?是否線上數(shù)據(jù)點
????plot_data_points_size=10,?#?數(shù)據(jù)點的大小
????marker="square")?#?數(shù)據(jù)點的類型

啟動范圍工具滾動條的折線圖

ts?=?pd.Series(np.random.randn(1000),?index=pd.date_range('1/1/2020',?periods=1000))
df?=?pd.DataFrame(np.random.randn(1000,?4),?index=ts.index,?columns=list('ABCD'))
df?=?df.cumsum()

df.plot_bokeh(rangetool=True)

帶有范圍滾動條的折線圖

2. 柱狀圖（條形圖）

柱狀圖沒有特殊的關(guān)鍵字參數(shù)，一般分為柱狀圖和堆疊柱狀圖，默認是柱狀圖。

data?=?{
????'fruits':
????['Apples',?'Pears',?'Nectarines',?'Plums',?'Grapes',?'Strawberries'],
????'2015':?[2,?1,?4,?3,?2,?4],
????'2016':?[5,?3,?3,?2,?4,?6],
????'2017':?[3,?2,?4,?4,?5,?3]
}
df?=?pd.DataFrame(data).set_index("fruits")

p_bar?=?df.plot_bokeh.bar(
????ylabel="Price?per?Unit?[€]",?
????title="Fruit?prices?per?Year",?
????alpha=0.6)

柱狀圖

我們可以通過參數(shù)stacked來繪制堆疊柱狀圖：

p_stacked_bar?=?df.plot_bokeh.bar(
????ylabel="Price?per?Unit?[€]",
????title="Fruit?prices?per?Year",
????stacked=True,?#?堆疊柱狀圖
????alpha=0.6)

默認情況下，x軸的值就是數(shù)據(jù)索引列的值，我們也可通過指定參數(shù)x來設置x軸；另外，我們還可以通過關(guān)鍵字kind="barh"或訪問器plot_bokeh.barh來進行條形圖繪制。

#Reset?index,?such?that?"fruits"?is?now?a?column?of?the?DataFrame:
df.reset_index(inplace=True)

#Create?horizontal?bar?(via?kind?keyword):
p_hbar?=?df.plot_bokeh(
????kind="barh",
????x="fruits",
????xlabel="Price?per?Unit?[€]",
????title="Fruit?prices?per?Year",
????alpha=0.6,
????legend?=?"bottom_right",
????show_figure=False)

#Create?stacked?horizontal?bar?(via?barh?accessor):
p_stacked_hbar?=?df.plot_bokeh.barh(
????x="fruits",
????stacked=True,
????xlabel="Price?per?Unit?[€]",
????title="Fruit?prices?per?Year",
????alpha=0.6,
????legend?=?"bottom_right",
????show_figure=False)

#Plot?all?barplot?examples?in?a?grid:
pandas_bokeh.plot_grid([[p_bar,?p_stacked_bar],
????????????????????????[p_hbar,?p_stacked_hbar]],?
???????????????????????plot_width=450)

3. 散點圖

散點圖需要指定x和y，以下參數(shù)可選：

category：確定用于為散點著色的類別對應列字段名
kwargs **：bokeh.plotting.figure.scatter 的可選關(guān)鍵字參數(shù)

以下繪制表格和散點圖：

#?Load?Iris?Dataset:
df?=?pd.read_csv(
????r"https://raw.githubusercontent.com/PatrikHlobil/Pandas-Bokeh/master/docs/Testdata/iris/iris.csv"
)
df?=?df.sample(frac=1)

#?Create?Bokeh-Table?with?DataFrame:
from?bokeh.models.widgets?import?DataTable,?TableColumn
from?bokeh.models?import?ColumnDataSource

data_table?=?DataTable(
????columns=[TableColumn(field=Ci,?title=Ci)?for?Ci?in?df.columns],
????source=ColumnDataSource(df),
????height=300,
)

#?Create?Scatterplot:
p_scatter?=?df.plot_bokeh.scatter(
????x="petal?length?(cm)",
????y="sepal?width?(cm)",
????category="species",
????title="Iris?DataSet?Visualization",
????show_figure=False,
)

#?Combine?Table?and?Scatterplot?via?grid?layout:
pandas_bokeh.plot_grid([[data_table,?p_scatter]],?plot_width=400,?plot_height=350)

表格與散點圖

我們還可以傳遞一些參數(shù)比如散點的大小之類的（用某列的值）

#Change?one?value?to?clearly?see?the?effect?of?the?size?keyword
df.loc[13,?"sepal?length?(cm)"]?=?15

#Make?scatterplot:
p_scatter?=?df.plot_bokeh.scatter(
????x="petal?length?(cm)",
????y="sepal?width?(cm)",
????category="species",
????title="Iris?DataSet?Visualization?with?Size?Keyword",
????size="sepal?length?(cm)",?#?散點大小
)

4. 點圖

點圖比較簡單，直接調(diào)用pointplot即可

import?numpy?as?np

x?=?np.arange(-3,?3,?0.1)
y2?=?x**2
y3?=?x**3
df?=?pd.DataFrame({"x":?x,?"Parabula":?y2,?"Cube":?y3})
df.plot_bokeh.point(
????x="x",
????xticks=range(-3,?4),
????size=5,
????colormap=["#009933",?"#ff3399"],
????title="Pointplot?(Parabula?vs.?Cube)",
????marker="x")

點圖

5. 階梯圖

階梯圖主要是需要設置其模式mode，目前可供選擇的是before, after和center

import?numpy?as?np

x?=?np.arange(-3,?3,?1)
y2?=?x**2
y3?=?x**3
df?=?pd.DataFrame({"x":?x,?"Parabula":?y2,?"Cube":?y3})
df.plot_bokeh.step(
????x="x",
????xticks=range(-1,?1),
????colormap=["#009933",?"#ff3399"],
????title="Pointplot?(Parabula?vs.?Cube)",
????figsize=(800,300),
????fontsize_title=30,
????fontsize_label=25,
????fontsize_ticks=15,
????fontsize_legend=5,
????)

df.plot_bokeh.step(
????x="x",
????xticks=range(-1,?1),
????colormap=["#009933",?"#ff3399"],
????title="Pointplot?(Parabula?vs.?Cube)",
????mode="after",
????figsize=(800,300)
????)

6. 餅圖

這里我們用網(wǎng)上的一份自 2002 年以來德國所有聯(lián)邦議院選舉結(jié)果的數(shù)據(jù)集為例展示

df_pie?=?pd.read_csv(r"https://raw.githubusercontent.com/PatrikHlobil/Pandas-Bokeh/master/docs/Testdata/Bundestagswahl/Bundestagswahl.csv")
df_pie

	Partei	2002	2005	2009	2013	2017
0	CDU/CSU	38.5	35.2	33.8	41.5	32.9
1	SPD	38.5	34.2	23.0	25.7	20.5
2	FDP	7.4	9.8	14.6	4.8	10.7
3	Grünen	8.6	8.1	10.7	8.4	8.9
4	Linke/PDS	4.0	8.7	11.9	8.6	9.2
5	AfD	0.0	0.0	0.0	0.0	12.6
6	Sonstige	3.0	4.0	6.0	11.0	5.0

df_pie.plot_bokeh.pie(
????x="Partei",
????y="2017",
????colormap=["blue",?"red",?"yellow",?"green",?"purple",?"orange",?"grey"],
????title="Results?of?German?Bundestag?Election?2017",
????)

餅圖

如果我們想繪制全部的列（上圖中我們繪制的是2017年的數(shù)據(jù)），則無需對y賦值，結(jié)果會嵌套顯示在一個圖中：

df_pie.plot_bokeh.pie(
????x="Partei",
????colormap=["blue",?"red",?"yellow",?"green",?"purple",?"orange",?"grey"],
????title="Results?of?German?Bundestag?Elections?[2002-2017]",
????line_color="grey")

7. 直方圖

在繪制直方圖時，有不少參數(shù)可供選擇：

bins：確定用于直方圖的 bin，如果 bins 是 int，則它定義給定范圍內(nèi)的等寬 bin 數(shù)量（默認為 10），如果 bins 是一個序列，它定義了 bin 邊緣，包括最右邊的邊緣，允許不均勻的 bin 寬度，如果 bins 是字符串，則它定義用于計算最佳 bin 寬度的方法，如histogram_bin_edges所定義
histogram_type：“sidebyside”、“topontop”或“stacked”，默認值：“topontop”
stacked：布爾值，如果給定，則將histogram_type覆蓋為*“stacked”*。默認值：*假False
kwargs **：bokeh.plotting.figure.quad 的可選關(guān)鍵字參數(shù)

import?numpy?as?np

df_hist?=?pd.DataFrame({
????'a':?np.random.randn(1000)?+?1,
????'b':?np.random.randn(1000),
????'c':?np.random.randn(1000)?-?1
????},
????columns=['a',?'b',?'c'])

#Top-on-Top?Histogram?(Default):
df_hist.plot_bokeh.hist(
????bins=np.linspace(-5,?5,?41),
????vertical_xlabel=True,
????hovertool=False,
????title="Normal?distributions?(Top-on-Top)",
????line_color="black")

#Side-by-Side?Histogram?(multiple?bars?share?bin?side-by-side)?also?accessible?via
#kind="hist":
df_hist.plot_bokeh(
????kind="hist",
????bins=np.linspace(-5,?5,?41),
????histogram_type="sidebyside",
????vertical_xlabel=True,
????hovertool=False,
????title="Normal?distributions?(Side-by-Side)",
????line_color="black")

#Stacked?histogram:
df_hist.plot_bokeh.hist(
????bins=np.linspace(-5,?5,?41),
????histogram_type="stacked",
????vertical_xlabel=True,
????hovertool=False,
????title="Normal?distributions?(Stacked)",
????line_color="black")

Top-on-Top Histogram (Default)

Side-by-Side Histogram

Stacked histogram

同時，對于直方圖我們還有更高級的參數(shù)：

weights：DataFrame 的一列，用作 histogramm 聚合的權(quán)重（另請參見numpy.histogram）
normed：如果為 True，則直方圖值被歸一化為 1（直方圖值之和 = 1）。也可以傳遞一個整數(shù)，例如normed=100將導致帶有百分比 y 軸的直方圖（直方圖值的總和 = 100），默認值：False
cumulative：如果為 True，則顯示累積直方圖，默認值：False
show_average：如果為 True，則還顯示直方圖的平均值，默認值：False

p_hist?=?df_hist.plot_bokeh.hist(
????y=["a",?"b"],
????bins=np.arange(-4,?6.5,?0.5),
????normed=100,
????vertical_xlabel=True,
????ylabel="Share[%]",
????title="Normal?distributions?(normed)",
????show_average=True,
????xlim=(-4,?6),
????ylim=(0,?30),
????show_figure=False)

p_hist_cum?=?df_hist.plot_bokeh.hist(
????y=["a",?"b"],
????bins=np.arange(-4,?6.5,?0.5),
????normed=100,
????cumulative=True,
????vertical_xlabel=True,
????ylabel="Share[%]",
????title="Normal?distributions?(normed?&?cumulative)",
????show_figure=False)

pandas_bokeh.plot_grid([[p_hist,?p_hist_cum]],?plot_width=450,?plot_height=300)?#?儀表盤輸出方式

8. 面積圖

面積圖嘛，提供兩種：堆疊或者在彼此之上繪制

stacked：如果為 True，則面積圖堆疊；如果為 False，則在彼此之上繪制圖。默認值：False
kwargs **：bokeh.plotting.figure.patch 的可選關(guān)鍵字參數(shù)

#?我們用?之前餅圖里的數(shù)據(jù)來繪制
df_energy?=?df_pie
df_energy.plot_bokeh.area(
????x="Partei",
????stacked=True,
????legend="top_right",
????colormap=["brown",?"orange",?"black",?"grey",?"blue"],
????title="標題",
????ylabel="Y軸",
????)

堆疊面積圖

df_energy.plot_bokeh.area(
????x="Partei",
????stacked=False,
????legend="top_right",
????colormap=["brown",?"orange",?"black",?"grey",?"blue"],
????title="標題",
????ylabel="Y軸",
????)

非堆疊面積圖

當我們使用normed關(guān)鍵字對圖進行規(guī)范時，還可以看到這種效果：

df_energy.plot_bokeh.area(
????x="Partei",
????stacked=True,
????normed=100,??#?規(guī)范滿100（可看大致占比）
????legend="top_right",
????colormap=["brown",?"orange",?"black",?"grey",?"blue"],
????title="標題",
????ylabel="Y軸",
????)

9. 地圖

關(guān)于地圖繪制部分內(nèi)容較多，這里我們不做詳細介紹，后續(xù)出個專題講解！

plot_bokeh.map函數(shù)，參數(shù)x和y分別對應經(jīng)緯度坐標，我們以全球超過100萬居民所有城市為例簡單展示一下：

df_mapplot?=?pd.read_csv(r"https://raw.githubusercontent.com/PatrikHlobil/Pandas-Bokeh/master/docs/Testdata/populated%20places/populated_places.csv")
df_mapplot.head()

	name	pop_max	latitude	longitude
0	Mesa	1085394	33.423915	-111.736084
1	Sharjah	1103027	25.371383	55.406478
2	Changwon	1081499	35.219102	128.583562
3	Sheffield	1292900	53.366677	-1.499997
4	Abbottabad	1183647	34.149503	73.199501

df_mapplot["size"]?=?df_mapplot["pop_max"]?/?1000000
df_mapplot.plot_bokeh.map(
????x="longitude",
????y="latitude",
????hovertool_string="""?@{name}?
?
????
?????????????????????????Population:?@{pop_max}?
""",
????tile_provider="STAMEN_TERRAIN_RETINA",
????size="size",?
????figsize=(900,?600),
????title="World?cities?with?more?than?1.000.000?inhabitants")

map

10. 其他

儀表盤輸出，通過pandas_bokeh.plot_grid來設計儀表盤（大家具體看這行代碼的邏輯）

import?pandas?as?pd
import?numpy?as?np
import?pandas_bokeh
pandas_bokeh.output_notebook()

#Barplot:
data?=?{
????'fruits':
????['Apples',?'Pears',?'Nectarines',?'Plums',?'Grapes',?'Strawberries'],
????'2015':?[2,?1,?4,?3,?2,?4],
????'2016':?[5,?3,?3,?2,?4,?6],
????'2017':?[3,?2,?4,?4,?5,?3]
}
df?=?pd.DataFrame(data).set_index("fruits")
p_bar?=?df.plot_bokeh(
????kind="bar",
????ylabel="Price?per?Unit?[€]",
????title="Fruit?prices?per?Year",
????show_figure=False)

#Lineplot:
np.random.seed(42)
df?=?pd.DataFrame({
????"Google":?np.random.randn(1000)?+?0.2,
????"Apple":?np.random.randn(1000)?+?0.17
},
??????????????????index=pd.date_range('1/1/2000',?periods=1000))
df?=?df.cumsum()
df?=?df?+?50
p_line?=?df.plot_bokeh(
????kind="line",
????title="Apple?vs?Google",
????xlabel="Date",
????ylabel="Stock?price?[$]",
????yticks=[0,?100,?200,?300,?400],
????ylim=(0,?400),
????colormap=["red",?"blue"],
????show_figure=False)

#Scatterplot:
from?sklearn.datasets?import?load_iris
iris?=?load_iris()
df?=?pd.DataFrame(iris["data"])
df.columns?=?iris["feature_names"]
df["species"]?=?iris["target"]
df["species"]?=?df["species"].map(dict(zip(range(3),?iris["target_names"])))
p_scatter?=?df.plot_bokeh(
????kind="scatter",
????x="petal?length?(cm)",
????y="sepal?width?(cm)",
????category="species",
????title="Iris?DataSet?Visualization",
????show_figure=False)

#Histogram:
df_hist?=?pd.DataFrame({
????'a':?np.random.randn(1000)?+?1,
????'b':?np.random.randn(1000),
????'c':?np.random.randn(1000)?-?1
},
???????????????????????columns=['a',?'b',?'c'])

p_hist?=?df_hist.plot_bokeh(
????kind="hist",
????bins=np.arange(-6,?6.5,?0.5),
????vertical_xlabel=True,
????normed=100,
????hovertool=False,
????title="Normal?distributions",
????show_figure=False)

#Make?Dashboard?with?Grid?Layout:
pandas_bokeh.plot_grid([[p_line,?p_bar],?
????????????????????????[p_scatter,?p_hist]],?plot_width=450)

儀表盤輸出

又或者這樣：

p_line.plot_width?=?900
p_hist.plot_width?=?900

layout?=?pandas_bokeh.column(p_line,
????????????????pandas_bokeh.row(p_scatter,?p_bar),
????????????????p_hist)??#?指定每行顯示的內(nèi)容

pandas_bokeh.show(layout)

替代儀表板布局

以上就是本次全部內(nèi)容，通過這部分的學習，我們發(fā)現(xiàn)Pandas除了結(jié)合matplotlib常規(guī)繪圖外，還可以通過bokeh繪圖后端快速繪制可交互的圖表，用起來非常方便。

當然，如果想更深入了解或者定制化這些可視化圖表，可能需要對bokeh有更多的了解，這塊查閱官網(wǎng)資料即可！

用 Pandas 繪制帶交互的可視化圖表

?Stock?Price:?

?@{name}?

?Population:?@{pop_max}?