起源：Python数据迷信
作者：东哥腾飞

用Python做数据分析离不开pandas，pnadas更多的承载着解决和变换数据的角色，pands中也内置了可视化的操作，但成果很糙。

因而，大家在用Python做数据分析时，失常的做法是用先pandas先进行数据处理，而后再用Matplotlib、Seaborn、Plotly、Bokeh等对dataframe或者series进行可视化操作。

然而说实话，每个可视化包都有本人独特的办法和函数，常常忘，这是让我始终很头疼的中央。

好消息来了！从最新的pandas版本0.25.3开始，不再须要下面的操作了，数据处理和可视化齐全能够用pandas一个就全副搞定。

pandas当初能够应用Plotly、Bokeh作为可视化的backend，间接实现交互性操作，无需再独自应用可视化包了。

上面咱们一起看看如何应用。

1. 激活backend

在import了pandas之后，间接应用上面这段代码激活backend，比方上面要激活plotly。

pd.options.plotting.backend = 'plotly'

目前，pandas的backend反对以下几个可视化包。

  • Plotly
  • Holoviews
  • Matplotlib
  • Pandas_bokeh
  • Hyplot

2. Plotly backend

Plotly的益处是，它基于Javascript版本的库写进去的，因而生成的Web可视化图表，能够显示为HTML文件或嵌入基于Python的Web应用程序中。

上面看下如何用plotly作为pandas的backend进行可视化。

如果还没装置Plotly，则须要装置它pip intsall plotly。如果是在Jupyterlab中应用Plotly，那还须要执行几个额定的装置步骤来显示可视化成果。

首先，装置IPywidgets。

pip install jupyterlab "ipywidgets>=7.5"

而后运行此命令以装置Plotly扩大。

jupyter labextension install jupyterlab-plotly@4.8.1

示例选自openml.org的的数据集，链接如下：

数据链接：https://www.openml.org/d/187

这个数据也是Scikit-learn中的样本数据，所以也能够应用以下代码将其间接导入。

import pandas as pdimport numpy as npfrom sklearn.datasets import fetch_openmlpd.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()

该数据集是葡萄酒相干的，蕴含葡萄酒类型的许多性能和相应的标签。数据集的前几行如下所示。

上面应用Plotly backend摸索一下数据集。

绘图形式与失常应用Pandas内置的绘图操作简直雷同，只是当初以丰盛的Plotly显示可视化成果。

上面的代码绘制了数据集中两个因素之间的关系。

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

如果将鼠标悬停在图表上，能够抉择将图表下载为高质量的图像文件。

咱们能够联合Pandas的groupby函数创立一个条形图，总结各类之间Hue的均值差别。

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

将class增加到咱们方才创立的散点图中。通过Plotly能够轻松地为每个类利用不同的色彩，以便直观地看到分类。

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

3. Bokeh backend

Bokeh是另一个Python可视化包，也可提供丰盛的交互式可视化成果。Bokeh还具备streaming API，能够为比方金融市场等流数据创立实时可视化。

pandas-Bokeh的GitHub链接如下：

https://github.com/PatrikHlob...

老样子，用pip装置即可，pip install pandas-bokeh。

为了在Jupyterlab中显示Bokeh可视化成果，还须要装置两个新的扩大。

jupyter labextension install @jupyter-widgets/jupyterlab-managerjupyter labextension install @bokeh/jupyter_bokeh

上面咱们应用Bokeh backend从新创立刚刚plotly实现的的散点图。

pd.options.plotting.backend = 'pandas_bokeh'import pandas_bokehfrom bokeh.io import output_notebookfrom bokeh.plotting import figure, showoutput_notebook()p1 = data.plot_bokeh.scatter(x='Hue',                               y='Proline',                               category='class',                               title='Proline and Hue by wine class',                              show_figure=False)show(p1)

要害语句就一行代码，十分快捷，交互式成果如下。

Bokeh还具备plot_grid函数，能够为多个图表创立相似于仪表板的布局，上面在网格布局中创立了四个图表。

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)

能够看到，可视化的局部都是在pandas的dataframe根底上一行代码搞定，最初plot_grid实现布局。

4. 总结

在内置的Pandas绘图性能减少多个第三方可视化backend，大大加强了pandas用于数据可视化的性能，今后可能真的不需再去学习泛滥可视化操作了，应用pandas也能够一击入魂！

原创不易，来波点赞反对。

本篇首发于我的原创公众号：Python数据迷信，欢送关注。
集体网站：http://www.datadeepin.com/