今天我来讲一下如何用 Python 一行代码在 DataFrame数据集当中生成炫酷的动态交互式的图表，本文中我们需要用到的模块 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。
本文案例较多，很多可以拿来即用，欢迎收藏学习，喜欢点赞支持。 很多基础薄弱、喜欢技术交流学习的小伙伴，可以文末加入技术交流群。
本文中我将绘制的图表包括
- 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
pip install cufflinks
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)' 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
.......
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
Category Values
0 A 95
1 B 56
2 C 70
3 D 85
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='A B C D'.split())
df.head()
output
A B C D
0 0.612403 -0.029236 -0.595502 0.027722
1 1.167609 1.528045 -0.498168 -0.221060
2 -1.338883 -0.732692 0.935410 0.338740
3 1.662209 0.269750 -1.026117 -0.858472
4 1.387077 -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Falsemode: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
x y size text categories
0 0.332274 1.053811 2 LCN.CG industry1
1 -0.856835 0.422373 87 ZKY.XC industry1
2 -0.818344 -0.167020 72 ZSJ.DJ industry1
3 -0.720254 0.458264 11 ONG.SM industry1
4 -0.004744 0.644006 40 HUW.DN industry1
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='Analyst Score',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
x y z text categories
0 0.375359 -0.683845 -0.960599 RER.JD category1
1 0.635806 1.210649 0.319687 INM.LE category1
2 0.578831 0.103654 1.333646 BSZ.HS category1
3 -1.128907 -1.189098 1.531494 GJZ.UX category1
4 0.067668 -1.990996 0.088281 IQZ.KS category1
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
x y z size text categories
0 -1.888528 0.801430 -0.493671 77 OKC.HL category1
1 -0.744953 -0.004398 -1.249949 61 GAG.UH category1
2 0.980846 1.241730 -0.741482 37 LVB.EM category1
3 -0.230157 0.427072 0.007010 78 NWZ.MG category1
4 0.025272 -0.424051 -0.602937 76 JDW.AX category2
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_0 y_1 y_2 ... y_17 y_18 y_19
x_0 40.000000 58.195525 55.355233 ... 77.318287 80.187609 78.959951
x_1 37.111934 25.068114 25.730511 ... 27.261941 32.303315 28.550340
x_2 54.881357 54.254479 59.434281 ... 75.894161 74.051203 72.896999
x_3 41.337221 39.319033 37.916613 ... 15.885289 29.404226 26.278611
x_4 42.862472 36.365226 37.959368 ... 24.998608 25.096598 32.413760
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
open high low close
2015-01-01 100.000000 119.144561 97.305961 106.125985
2015-01-02 106.131897 118.814224 96.740816 115.124342
2015-01-03 116.091647 131.477558 115.801048 126.913591
2015-01-04 128.589287 144.116844 117.837221 136.332657
2015-01-05 134.809052 138.681252 118.273850 120.252828
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')
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)
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
技术交流
欢迎转载、收藏、有所收获点赞支持一下！
目前开通了技术交流群，群友已超过 2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友
- 方式①、发送如下图片至微信，长按识别，后台回复：加群；
- 方式②、添加微信号： dkl88191，备注：来自CSDN
- 方式③、微信搜索公众号： Python学习与数据挖掘，后台回复：加群
Original: https://blog.csdn.net/weixin_38037405/article/details/121669321
Author: 我爱Python数据挖掘
Title: 30张炫酷的动态交互式图表，Python 一键即可生成
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/743374/
转载文章受原作者版权保护。转载请注明原作者出处！