Python一行代码搞定炫酷可视化你需要了解一下Cufflinks

作者：xiaoyu

微信公众号：Python 数据科学

知乎：python 数据分析师

---

前言

学过 Python 数据分析的朋友都知道，在可视化的工具中，有很多优秀的三方库，比如 matplotlib，seaborn，plotly，Boken，pyecharts 等等。这些可视化库都有自己的特点，在实际应用中也广为大家使用。

plotly、Boken 等都是交互式的可视化工具，结合 Jupyter notebook 可以非常灵活方便地展现分析后的结果。虽然做出的效果非常的炫酷，比如 plotly，但是每一次都需要写很长的代码，一是麻烦，二是不便于维护。

我觉得在数据的分析阶段，更多的时间应该放在分析上，维度选择、拆解合并，业务理解和判断。如果既可以减少代码量，又可以做出炫酷可视化效果，那将大大提高效率。当然如果有特别的需求除外，此方法仅针对想要快速可视化进行分析的人。

本篇给大家介绍一个非常棒的工具，cufflinks，可以完美解决这个问题, 且效果一样炫酷。

cufflinks 介绍

就像 seaborn 封装了 matplotlib 一样，cufflinks 在 plotly 的基础上做了一进一步的包装，方法统一，参数配置简单。其次它还可以结合 pandas 的 dataframe 随意灵活地画图。可以把它形容为 ”pandas like visualization”。

毫不夸张地说，画出各种炫酷的可视化图形，我只需一行代码，效率非常高，同时也降低了使用的门槛儿。cufflinks 的 github 链接如下：

https://github.com/santosjorg…

cufflinks 安装

安装不多说，直接 pip install 即可。

pip install cufflinks

cufflinks 如何使用？

cufflinks 库一直在不断更新，目前最新版为 V0.14.0，支持 plotly3.0。首先我们看看它都支持哪些种类的图形，可以通过 help 来查看。

 
import cufflinks as cf
cf.help()
 
Use 'cufflinks.help(figure)' to see the list of available parameters for the given figure.
Use 'DataFrame.iplot(kind=figure)' to plot the respective figure
Figures:
  bar
  box
  bubble
  bubble3d
  candle
  choroplet
  distplot
  heatmap
  histogram
  ohlc
  pie
  ratio
  scatter
  scatter3d
  scattergeo
  spread
  surface
  violin

使用方法其实很简单，我总结一下，它的格式大致是这样的：

• DataFrame：代表 pandas 的数据框；
• Figure：代表我们上面看到的可绘制图形，比如 bar、box、histogram 等等；
• iplot：代表绘制方法，其中有很多参数可以进行配置，调节符合你自己风格的可视化图形；

cufflinks 实例

我们通过几个实例感受一下上面的使用方法。使用过 plotly 的朋友可能知道，如果使用 online 模式，那么生成的图形是有限制的。所以，我们这里先设置为 offline 模式，这样就避免了出现次数限制问题。

import pandas as pd
import cufflinks as cf
import numpy as np
 
cf.set_config_file(offline=True)

然后我们需要按照上面的使用格式来操作，首先我们需要有个 DataFrame，如果手头没啥数据，那可以先生成个随机数。cufflinks 有一个专门生成随机数的方法，叫做datagen，用于生成不同维度的随机数据，比如下面。

lines 线图

cf.datagen.lines(1,500).ta_plot(study='sma',periods=[13,21,55])

1）cufflinks 使用 datagen 生成随机数；

2）figure 定义为 lines 形式，数据为(1,500)；

3）然后再用 ta_plot 绘制这一组时间序列，参数设置 SMA 展现三个不同周期的时序分析。

box 箱型图

还是与上面用法一样，一行代码解决。

cf.datagen.box(20).iplot(kind='box',legend=False)

可以看到，x 轴每个 box 都有对应的名称，这是因为 cufflinks 通过 kind 参数识别了 box 图形，自动为它生成的名字。如果我们只生成随机数，它是这样子的，默认生成 100 行的随机分布的数据，列数由自己选定。

histogram 直方图

cf.datagen.histogram(3).iplot(kind='histogram')

和 plotly 一样，我们可以通过一些辅助的小工具框选或者 lasso 选择来区分和选定指定区域，只要一行代码。

当然了，除了随机数据，任何的其它 dataframe 数据框都可以，包括我们自己导入的数据。

histogram 条形图

df=pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df.iplot(kind='bar',barmode='stack')

上面我们生成了一个 (10,4) 的 dataframe 数据框，名称分别是 a,b,c,d。那么 cufflinks 将会根据 iplot 中的 kind 种类自动识别并绘制图形。参数设置为堆叠模式。

scatter 散点图

df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.iplot(kind='scatter',mode='markers',colors=['orange','teal','blue','yellow'],size=10)

bubble 气泡图

df.iplot(kind='bubble',x='a',y='b',size='c')

scatter matrix 散点矩阵图

df = pd.DataFrame(np.random.randn(1000, 4), columns=['a', 'b', 'c', 'd'])
df.scatter_matrix()

subplots 子图

df=cf.datagen.lines(4)
df.iplot(subplots=True,shape=(4,1),shared_xaxes=True,vertical_spacing=.02,fill=True)

df.iplot(subplots=True,subplot_titles=True,legend=False)

再比如复杂一点的。

df=cf.datagen.bubble(10,50,mode='stocks')
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=['pink']))
base_layout=cf.tools.get_base_layout(figs)
sp=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.15,horizontal_spacing=.03,
               specs=[[{'rowspan':2},{}],[None,{}],[{'colspan':2},None]],
               subplot_titles=['Histogram','Scatter 1','Scatter 2','Bestfit Line'])
sp['layout'].update(showlegend=False)
cf.iplot(sp)

shapes 形状图

如果我们想在 lines 图上增加一些直线作为参考基准，这时候我们可以使用 hlines 的类型图。

df=cf.datagen.lines(3,columns=['a','b','c'])
df.iplot(hline=[dict(y=-1,color='blue',width=3),dict(y=1,color='pink',dash='dash')])

或者是将某个区域标记出来，可以使用 hspan 类型。

df.iplot(hspan=[(-1,1),(2,5)])

又或者是竖条的区域，可以用 vspan 类型。

df.iplot(vspan={'x0':'2015-02-15','x1':'2015-03-15','color':'teal','fill':True,'opacity':.4})

如果对 iplot 中的参数不熟练，直接输入以下代码即可查询。

help(df.iplot)

总结

怎么样，是不是非常快捷方便？以上介绍是一般的可绘制类型，当然你可以根据自己的需求做出更多的可视化图形。如果是常规图形，一行即可实现。除此外，cufflinks 还有强大的颜色管理功能，如果感兴趣可以自行学习。

如果觉得有帮助，还请给点个赞！

欢迎关注我的个人公众号：Python 数据科学