今天小编来讲一下如何用一行代码在DataFrame
数据集当中生成炫酷的动态交互式的图表,我们先来介绍一下这次需要用到的模块cufflinks
就像是seaborn
封装了matplotlib
一样,cufflinks
也在plotly
上面做了进一步的包装及优化,方法统一、参数配置简单,对于DataFrame
数据集而言也可以方便灵活的绘图,而这次我们要绘制的图表包括
折线图
面积图
散点图
柱状图
直方图
箱型图
热力图
3D 散点图/3D 气泡图
趋势图
饼图
K线图
多个子图相拼合
模块的安装
涉及到安装,直接pip install
即可
pipinstallcufflinks
导入模块,并查看相关的配置
我们导入该模块,看一下目前的版本是在多少
cf.__version__
output
'0.17.3'
目前该模块的版本已经到了0.17.3
,也是最新的版本,然后我们最新版本支持可以绘制的图表有哪些
cf.help()
output
Use'cufflinks.help(figure)'toseethelistofavailableparametersforthegivenfigure.Use'DataFrame.iplot(kind=figure)'toplottherespectivefigureFigures:barboxbubblebubble3dcandlechoropletdistplot.......
从上面的输出我们可以看到,绘制图表大致的语法是df.iplot(kind=图表名称)
而如何我们想要查看某个特定图表绘制时候的参数,例如柱状图bar
参数有哪些,可以这么做
cf.help('bar')
柱状图
我们先来看一下直方图图表的绘制,首先来创建一个数据集用于图表的绘制
df2=pd.DataFrame({'Category':['A','B','C','D'],'Values':[95,56,70,85]})df2
output
CategoryValues0A951B562C703D85
然后我们来绘制直方图
df2.iplot(kind='bar',x='Category',y='Values',xTitle="Category",yTitle="Values",title="直方图")
output
其中的x
参数上面填的是x
轴上面对应的变量名,而y
参数填的是y
轴上面对应的变量名,我们可以将绘制的图表以png
的格式下载下来,
同时我们也还可以对绘制的图表放大查看,
我们再来看一下下面这组数据
df=pd.DataFrame(np.random.randn(100,4),columns='ABCD'.split())df.head()
output
ABCD00.612403-0.029236-0.5955020.02772211.1676091.528045-0.498168-0.2210602-1.338883-0.7326920.9354100.33874031.6622090.269750-1.026117-0.85847241.387077-0.839192-0.562382-0.989672
我们来绘制直方图的图表
df.head(10).iplot('bar')
output
我们也可以来绘制“堆叠式”的直方图
df.head(10).iplot(kind='bar',barmode='stack')
output
那么同样地,我们也可以将直方图横过来来绘制
df.head(10).iplot(kind='barh',barmode='stack')
output
折线图
下面我们来看一下折线图的绘制,我们首先针对上面的df
数据集各列做一个累加
df3=df.cumsum()
然后我们来绘制折线图
df3.iplot()
output
当然你也可以筛选出当中的几列然后来进行绘制,效果如下
df3[["A","B"]].iplot()
output
我们也可以给折线图画一条拟合其走势的直线,
df3['A'].iplot(bestfit=True,bestfit_colors=['pink'])
output
这里我们着重来介绍一个iplot()
方法里面常用的参数
kind
:图表类型,默认的是scatter
,散点类型,可供选择的类型还有bar(直方图)、box(箱型图)、heatmap(热力图)等等
theme
: 布局主题,可以通过cf.getThemes()
来查看主要有哪些
title
: 图表的标题
xTitle/yTitle
: x或者y轴上面的轴名
colors
: 绘制图表时候的颜色
subplots
: 布尔值,绘制子图时候需要用到,默认为False
mode
:字符串
,绘图的模式,可以有lines
、markers
,也还有lines+markers
和lines+text
等模式
size
: 针对于散点图而言,主要用来调整散点的大小
shape
: 在绘制子图时候各个图的布局
bargap
: 直方图当中柱子之间的距离
barmode
: 直方图的形态,stack(堆叠式)、group(簇状)、overlay(覆盖)
面积图
从折线图到面积图的转变非常的简单,只需要将参数fill
设置为True
即可,代码如下
df3.iplot(fill=True)
output
散点图
对于散点图的绘制,我们需要将mode
设置成marker
,代码如下
df3.iplot(kind='scatter',x='A',y='B',mode='markers',size=10)
output
我们可以通过调整size
参数来调整散点的大小,例如我们将size
调整成20
df3.iplot(kind='scatter',x='A',y='B',mode='markers',size=20)
output
或者将mode设置成lines+markers
,代码如下
df3.iplot(kind='scatter',x='A',y='B',mode='lines+markers',size=10)
我们还可以对散点的形状加以设定,例如下面的代码
df3.iplot(kind='scatter',x='A',y='B',mode='markers',size=20,symbol="x",colorscale='paired',)
output
当然我们也可以对散点的颜色加以设定
df.iplot(kind='scatter',mode='markers',symbol='square',colors=['orange','purple','blue','red'],size=20)
output
气泡图
气泡图的呈现方式与散点图相比有着异曲同工之妙,在绘制上面将kind
参数改成bubble
,假设我们有这样一组数据
cf.datagen.bubble(prefix='industry').head()
output
xysizetextcategories00.3322741.0538112LCN.CGindustry11-0.8568350.42237387ZKY.XCindustry12-0.818344-0.16702072ZSJ.DJindustry13-0.7202540.45826411ONG.SMindustry14-0.0047440.64400640HUW.DNindustry1
我们来绘制一下气泡图
cf.datagen.bubble(prefix='industry').iplot(kind='bubble',x='x',y='y',size='size',categories='categories',text='text',xTitle='Returns',yTitle='AnalystScore',title='Cufflinks-气泡图')
output
气泡图与散点图的不同就在于,散点图当中的每个点大小都是一致的,但是气泡图并不是如此
3D散点图
那既然我们已经提到了气泡图,那么3D散点图也就顺便提一下吧,假设我们的数据如下所示
cf.datagen.scatter3d(2,150).head()
output
xyztextcategories00.375359-0.683845-0.960599RER.JDcategory110.6358061.2106490.319687INM.LEcategory120.5788310.1036541.333646BSZ.HScategory13-1.128907-1.1890981.531494GJZ.UXcategory140.067668-1.9909960.088281IQZ.KScategory1
我们来绘制一下3D的气泡图,既然是三维的图形就说明有x轴、y轴还有z轴,代码如下
cf.datagen.scatter3d(2,150).iplot(kind='scatter3d',x='x',y='y',z='z',size=15,categories='categories',text='text',title='Cufflinks-3D气泡图',colors=['yellow','purple'],width=1,margin=(0,0,0,0),opacity=1)
output
3D气泡图
那么提到了3D散点图,就不得不提3D的气泡图了,假设我们的数据集长这样
cf.datagen.bubble3d(5,4).head()
output
xyzsizetextcategories0-1.8885280.801430-0.49367177OKC.HLcategory11-0.744953-0.004398-1.24994961GAG.UHcategory120.9808461.241730-0.74148237LVB.EMcategory13-0.2301570.4270720.00701078NWZ.MGcategory140.025272-0.424051-0.60293776JDW.AXcategory2
我们来绘制一下3D的气泡图
cf.datagen.bubble3d(5,4).iplot(kind='bubble3d',x='x',y='y',z='z',size='size',text='text',categories='categories',title='Cufflinks-3D气泡图',colorscale='set1',width=.9,opacity=0.9)
output
箱型图
接下来我们看一下箱型图的绘制,箱型图对于我们来观察数据的分布、是否存在极值等情况有着很大的帮助
df.iplot(kind="box")
output
热力图
这个是热力图的绘制,我们来看一下数据集
cf.datagen.heatmap(20,20).head()
output
y_0y_1y_2...y_17y_18y_19x_040.00000058.19552555.355233...77.31828780.18760978.959951x_137.11193425.06811425.730511...27.26194132.30331528.550340x_254.88135754.25447959.434281...75.89416174.05120372.896999x_341.33722139.31903337.916613...15.88528929.40422626.278611x_442.86247236.36522637.959368...24.99860825.09659832.413760
我们来绘制一下热力图,代码如下
cf.datagen.heatmap(20,20).iplot(kind='heatmap',colorscale='spectral',title='Cufflinks - 热力图')
output
趋势图
所谓的趋势图,说白了就是折线图和面积图两者的结合,代码如下
df[["A","B"]].iplot(kind='spread')
output
饼图
下面我们来看一下饼图的绘制,代码如下
cf.datagen.pie(n_labels=6,mode="stocks").iplot(kind="pie",labels="labels",values="values")
output
K线图
cufflinks
也可以用来绘制K线图,我们来看一下这里的数据集
cf.datagen.ohlc().head()
output
openhighlowclose-01-01100.000000119.14456197.305961106.125985-01-02106.131897118.81422496.740816115.124342-01-03116.091647131.477558115.801048126.913591-01-04128.589287144.116844117.837221136.332657-01-05134.809052138.681252118.273850120.252828
从上面的数据集当中可以看到,有开盘价、收盘价、最高/最低价,然后我们来绘制K线图
cf.datagen.ohlc().iplot(kind="ohlc",xTitle="日期",yTitle="价格",title="K线图")
output
直方图
df=pd.DataFrame({'a':np.random.randn(1000)+1,'b':np.random.randn(1000),'c':np.random.randn(1000)-1},columns=['a','b','c'])df.iplot(kind="histogram")
output
多个子图的绘制
然后我们看一下多个子图的绘制,一个是用scatter_matrix()
方法来实现
df=pd.DataFrame(np.random.randn(1000,4),columns=['a','b','c','d'])df.scatter_matrix()
output
另外就是使用subplots
参数,将其参数设置为True
,例如我们来绘制多个直方图子图
df_h=cf.datagen.histogram(4)df_h.iplot(kind='histogram',subplots=True,bins=50)
output
或者是绘制多个折线图子图
df=cf.datagen.lines(4)df.iplot(subplots=True,subplot_titles=True,legend=True)
output
最后我们还可以自由来组合多个子图的绘制,通过里面的specs
参数
df=cf.datagen.bubble(10,50,mode='stocks')#定义要绘制图表的形式figs=cf.figures(df,[dict(kind='histogram',keys='x',color='blue'),dict(kind='scatter',mode='markers',x='x',y='y',size=5),dict(kind='scatter',mode='markers',x='x',y='y',size=5,color='teal')],asList=True)figs.append(cf.datagen.lines(1).figure(bestfit=True,colors=['blue'],bestfit_colors=['red']))base_layout=cf.tools.get_base_layout(figs)#多个子图如何来分布,specs参数当中,分为两行两列来进行分布specs=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.25,horizontal_spacing=.04,specs=[[{'rowspan':2},{}],[None,{}],[{'colspan':2},None]],subplot_titles=['直方图','散点图_1','散点图_2','折线图+拟合线'])specs['layout'].update(showlegend=True)cf.iplot(specs)
output
各位伙伴们好,詹帅本帅搭建了一个个人博客和小程序,汇集各种干货和资源,也方便大家阅读,感兴趣的小伙伴请移步小程序体验一下哦!(欢迎提建议)
推荐阅读
牛逼!Python常用数据类型的基本操作(长文系列第①篇)
牛逼!Python的判断、循环和各种表达式(长文系列第②篇)
牛逼!Python函数和文件操作(长文系列第③篇)
牛逼!Python错误、异常和模块(长文系列第④篇)