再见，可视化！你好，Pandas！

来源： Python数据科学
做者：东哥起飞

用Python作数据分析离不开pandas，pnadas更多的承载着处理和变换数据的角色，pands中也内置了可视化的操做，但效果很糙。

所以，你们在用Python作数据分析时，正常的作法是用先pandas先进行数据处理，而后再用Matplotlib、Seaborn、Plotly、Bokeh等对dataframe或者series进行可视化操做。

可是说实话，每一个可视化包都有本身独特的方法和函数，常常忘，这是让我一直很头疼的地方。

好消息来了！从最新的pandas版本0.25.3开始，再也不须要上面的操做了，数据处理和可视化彻底能够用pandas一个就所有搞定。

pandas如今可使用Plotly、Bokeh做为可视化的backend，直接实现交互性操做，无需再单独使用可视化包了。

下面咱们一块儿看看如何使用。

1. 激活backend

在import了pandas以后，直接使用下面这段代码激活backend，好比下面要激活plotly。

pd.options.plotting.backend = 'plotly'

目前，pandas的backend支持如下几个可视化包。

• Plotly
• Holoviews
• Matplotlib
• Pandas_bokeh
• Hyplot

2. Plotly backend

Plotly的好处是，它基于Javascript版本的库写出来的，所以生成的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。

下面看下如何用plotly做为pandas的backend进行可视化。

若是还没安装Plotly，则须要安装它pip intsall plotly。若是是在Jupyterlab中使用Plotly，那还须要执行几个额外的安装步骤来显示可视化效果。

首先，安装IPywidgets。

pip install jupyterlab "ipywidgets>=7.5"

而后运行此命令以安装Plotly扩展。

jupyter labextension install jupyterlab-plotly@4.8.1

示例选自openml.org的的数据集，连接以下：

数据连接： https://www.openml.org/d/187

这个数据也是Scikit-learn中的样本数据，因此也可使用如下代码将其直接导入。

import pandas as pd
import numpy as np

from sklearn.datasets import fetch_openml

pd.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关的，包含葡萄酒类型的许多功能和相应的标签。数据集的前几行以下所示。

下面使用Plotly backend探索一下数据集。

绘图方式与正常使用Pandas内置的绘图操做几乎相同，只是如今以丰富的Plotly显示可视化效果。

下面的代码绘制了数据集中两个要素之间的关系。

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

若是将鼠标悬停在图表上，能够选择将图表下载为高质量的图像文件。

咱们能够结合Pandas的groupby函数建立一个条形图，总结各种之间Hue的均值差别。

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

将class添加到咱们刚才建立的散点图中。经过Plotly能够轻松地为每一个类应用不一样的颜色，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是另外一个Python可视化包，也可提供丰富的交互式可视化效果。Bokeh还具备streaming API，能够为好比金融市场等流数据建立实时可视化。

pandas-Bokeh的GitHub连接以下：

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

老样子，用pip安装便可，pip install pandas-bokeh。

为了在Jupyterlab中显示Bokeh可视化效果，还须要安装两个新的扩展。

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

下面咱们使用Bokeh backend从新建立刚刚plotly实现的的散点图。

pd.options.plotting.backend = 'pandas_bokeh'

import pandas_bokeh
from bokeh.io import output_notebook
from bokeh.plotting import figure, show

output_notebook()
p1 = data.plot_bokeh.scatter(x='Hue', 
                              y='Proline', 
                              category='class', 
                              title='Proline and Hue by wine class',
                              show_figure=False)
show(p1)

关键语句就一行代码，很是快捷，交互式效果以下。

Bokeh还具备plot_grid函数，能够为多个图表建立相似于仪表板的布局，下面在网格布局中建立了四个图表。

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，可视化的部分都是在pandas的dataframe基础上一行代码搞定，最后plot_grid完成布局。

4. 总结

在内置的Pandas绘图功能增长多个第三方可视化backend，大大加强了pandas用于数据可视化的功能，从此可能真的不需再去学习众多可视化操做了，使用pandas也能够一击入魂！

---

原创不易，来波点赞支持。

本篇首发于个人原创公众号：Python数据科学，欢迎关注。
我的网站：http://www.datadeepin.com/