原文：
www.kdnuggets.com/2021/06/interactive-plots-directly-pandas.html
评论
由 Parul Pandey 撰写，H2O.ai 数据科学家 | @wicds 编辑。
1. Google 网络安全证书 - 快速开启网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织进行 IT 工作
信息图矢量图由 macrovector 创建 — www.freepik.com。
数据探索是任何数据分析任务中最重要的方面之一。我们进行的初步探查和检查，通过各种可视化工具的广泛目录，给予我们对数据性质的可操作性见解。然而，有时选择可视化工具比任务本身更为复杂。一方面，我们有一些易于使用的库，但在展示数据中的复杂关系时并不太有用。另一方面，还有一些提供交互性的库，但学习曲线相当陡峭。幸运的是，一些开源库已经被创建出来，试图有效地解决这个痛点。
在这篇文章中，我们将讨论两个这样的库，即 pandas_bokeh 和 cufflinks。我们将学习如何使用基本的 pandas 绘图语法创建 plotly 和 bokeh 图表，这种语法我们都很熟悉。由于文章的重点是语法而非图表类型，我们将限制在五种基本图表，即折线图、柱状图、直方图、散点图和饼图。我们将首先使用 pandas 绘图库创建这些图表，然后再在 plotly 和 bokeh 中重建这些图表，但会有一些变化。
我们将使用NIFTY-50 数据集。NIFTY 50 指数是 印度国家证券交易所 对印度股票市场的基准。该数据集在 Kaggle 上公开提供，但我们将使用包含四个行业股票价值的子集，即银行、制药、IT 和快速消费品（FMCG）。
你可以从这里下载示例数据集。
让我们导入所需的库和数据集以进行可视化：
# Importing required modules
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
# Reading in the data
nifty_data = pd.read_csv('NIFTY_data_2020.csv',parse_dates=["Date"],index_col='Date')
nifty_data.head()
包含银行、制药、IT 和快速消费品部门的 NIFTY 指数的合并数据框。
我们还可以按月末重新采样/聚合数据。pandas 库具有一个 * resample()* 函数，用于重新采样时间序列数据。
nifty_data_resample = nifty_data.resample(rule = 'M').mean()
nifty_data_resample
现在我们已经准备好了数据框，是时候通过不同的图表来可视化它们了。
让我们从最简单的绘图技术开始 — pandas 的 绘图函数。要使用 pandas 绘制图表，我们将调用 * .plot() * 方法。
语法：dataframe.plot()
plot 方法只是 matplotlib 的一个简单封装，* plt.plot() *。我们还可以指定一些额外的参数，如下所述：
Some of the important Parameters
--------------------------------
x : label or position, default None
Only used if data is a DataFrame.
y : label, position or list of label, positions, default None
title: title to be used for the plot
X and y label: Name to use for the label on the x-axis and y-axis.
figsize : specifies the size of the figure object.
kind : str
The kind of plot to produce:
- 'line' : line plot (default)
- 'bar' : vertical bar plot
- 'barh' : horizontal bar plot
- 'hist' : histogram
- 'box' : boxplot
- 'kde' : Kernel Density Estimation plot
- 'density' : same as 'kde'
- 'area' : area plot
- 'pie' : pie plot
- 'scatter' : scatter plot
- 'hexbin' : hexbin plot.有关参数及其用法的完整列表，请参考 文档。现在我们来看一下创建不同图表的方法。在本文中，我们不会详细解释每种图表。我们只关注语法，如果你有一些 pandas 经验，这些语法是自解释的。要详细了解 pandas 图表，这篇文章 将很有帮助。
- 折线图
nifty_data.plot(title='Nifty Index values in 2020',
xlabel = 'Values',
figsize=(10,6);
使用 pandas 绘制的折线图。
- 散点图
nifty_data.plot(kind='scatter',
x='NIFTY FMCG index',
y='NIFTY Bank index',
title = 'Scatter Plot for NIFTY Index values in 2020',
figsize=(10,6));
使用 pandas 绘制的散点图。
- 直方图
nifty_data[['NIFTY FMCG index','NIFTY Bank index']].plot(kind='hist',figsize=(9,6), bins=30);
使用 pandas 绘制的直方图。
- 柱状图
nifty_data_resample.plot(kind='bar',figsize=(10,6));
使用 pandas 绘制的柱状图。
- 堆叠柱状图
nifty_data_resample.plot(kind='barh',figsize=(10,6));
使用 pandas 绘制的堆叠柱状图。
- 饼图
nifty_data_resample.index=['Jan','Feb','March','Apr','May','June','July']
nifty_data_resample['NIFTY Bank index'].plot.pie(legend=False, figsize=(10,6),autopct='%.1f');
使用 pandas 绘制的饼图。
这些是可以直接使用 pandas 数据框创建的一些图表。然而，这些图表缺乏交互性和缩放、平移等功能。现在，让我们将这些现有图表的语法稍微修改一下，使其变成完全互动的图表。
作者提供的图片。
bokeh 库在数据可视化方面明显突出。Pandas-Bokeh 为 Pandas、GeoPandas 和 Pyspark DataFrames 提供了 bokeh 绘图后端。该后端向 DataFrames 和 Series 添加了 plot_bokeh() 方法。
安装
Pandas-Bokeh 可以通过 PyPI 使用 pip 或 conda 安装：
pip install pandas-bokeh
or
conda install -c patrikhlobil pandas-bokeh用法
Pandas-Bokeh 库应在 Pandas、GeoPandas 或 Pyspark 之后导入。
import pandas as pd
import pandas_bokeh然后需要定义绘图输出，这可以是以下两者之一：
pandas_bokeh.output_notebook() # for embedding plots in Jupyter Notebooks.
pandas_bokeh.output_file(filename) # for exporting plots as HTML.语法
现在，绘图 API 通过 dataframe.plot_bokeh() 可用于 Pandas DataFrame。
有关绘图输出的更多详细信息，请参见此处的参考资料或 Bokeh 文档。现在，我们将绘制上节中绘制的五种图表。我们将使用与上面相同的数据集。
import pandas as pd
import pandas_bokeh
pandas_bokeh.output_notebook()
- 折线图
nifty_data.plot_bokeh(kind='line') #equivalent to nifty_data.plot_bokeh.line()
使用 pandas_bokeh 绘制的折线图。
- 散点图
nifty_data.plot_bokeh.scatter(x='NIFTY FMCG index', y='NIFTY Bank index');
使用 pandas_bokeh 绘制的散点图。
- 直方图
nifty_data[['NIFTY FMCG index','NIFTY Bank index']].plot_bokeh(kind='hist', bins=30);
使用 pandas_bokeh 绘制的直方图。
- 条形图
nifty_data_resample.plot_bokeh(kind='bar',figsize=(10,6));
使用 pandas_bokeh 绘制的条形图。
- 堆叠条形图
nifty_data_resample.plot_bokeh(kind='barh',stacked=True);
使用 pandas_bokeh 绘制的堆叠条形图。
- 饼图
nifty_data_resample.index=['Jan','Feb','March','Apr','May','June','July']
nifty_data_resample.plot_bokeh.pie(y ='NIFTY Bank index')
使用 pandas_bokeh 绘制的饼图。
此外，你还可以在同一图表中创建多个嵌套的饼图：
nifty_data_resample.plot_bokeh.pie()
使用 pandas_bokeh 绘制的嵌套饼图。
本节展示了如何在不显著改变 pandas 绘图语法的情况下无缝创建 bokeh 图表。现在，我们可以在不需要学习任何新格式的情况下享受两者的最佳结合。
作者提供的图片。
另一个常用的数据可视化库是 Plotly。使用 Plotly，你可以在 Python、R 和 JavaScript 中创建交互式图表。从 4.8 版本开始，Plotly 推出了一个 Plotly Express 驱动的 Pandas 绘图后端，这意味着即使不导入 plotly，也可以创建类似 plotly 的可视化。
然而，我在这里要提到的库不是 plotly express，而是围绕 Plotly 的一个独立第三方包装库 Cufflinks。 Cufflinks 的优势在于它更加灵活，功能更多，并且 API 类似于 pandas 绘图。这意味着你只需向 Pandas 数据框添加一个 .iplot() 方法即可绘制图表。
安装
确保在安装 cufflinks 之前已安装 plotly。阅读 这篇 指南以获取说明。
pip install cufflinks使用
代码库 提供了许多有用的示例和笔记本以供入门。
import pandas as pd
import cufflinks as cf
from IPython.display import display,HTML
#making all charts public and setting a global theme
cf.set_config_file(sharing='public',theme='white',offline=True)就这些了。我们现在可以利用 plotly 的强大功能，但使用 pandas 的简便性。唯一的语法变化是dataframe.iplot()。
- 折线图
nifty_data.iplot(kind='line')
带有 cufflinks 的折线图。
- 散点图
创建散点图时，你需要提及散点轨迹的 模式。模式可以是线条、标记、文本或它们的组合。
nifty_data.iplot(kind='scatter',x='NIFTY FMCG index', y='NIFTY Bank index',mode='markers');
带有 cufflinks 的散点图。
- 直方图
nifty_data[['NIFTY FMCG index','NIFTY Bank index']].iplot(kind='hist', bins=30);
带有 cufflinks 的直方图。
- 条形图
nifty_data_resample.iplot(kind='bar');
带有 cufflinks 的条形图。
- 堆叠条形图
nifty_data_resample.iplot(kind='barh',barmode = 'stack');
带有 cufflinks 的堆叠条形图。
- 饼图
nifty_data_resample.index=['Jan','Feb','March','Apr','May','June','July']
nifty_data_resample.reset_index().iplot(kind='pie',labels='index',values='NIFTY Bank index')
带有 cufflinks 的饼图。
Cufflinks 库提供了一种在 Plotly 内部获得 Plotly 强大功能的简单方法。语法的相似性是另一个优势。
Bokeh 或 Plotly 图表可以独立传达所有信息。根据你的选择和偏好，你可以选择其中一个或两个，同时关注使可视化更直观和互动的主要目的。
原文。经许可转载。
相关：