pandas数据可视化
其实，pandas作图是个什么效果大家心里应该有数，不然也不会有那么多其他的库来作图，或者说，pandas本身是一个做数据分析的库，作图的话，可能并不是它的本职工作。
但是呢，既然人家有，那我就放一下。
不急，文章后面会有比较好的pandas可视化工具。
（如果性子急的朋友可以从目录直接跳转到下面的第二个大板块儿）
线形图
import pandas as pd
import numpy as np
s = Series( np. random. randn( 10). cumsum(), index= np. arange( 0, 100, 10))
s. plot()
条形图
df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
df.plot.bar()
堆积条形图
传递stacked = True ：
df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
df.plot.bar(stacked=True)
水平条形图
要获得水平条形图，请使用 barh 方法：
df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d')
df.plot.barh(stacked=True)
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.plot.hist(bins=20)
箱型图
df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
df.plot.box()
区域图
df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df.plot.area()
散点图
df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.plot.scatter(x='a', y='b')
饼状图
df = pd.DataFrame(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], columns=['x'])
df.plot.pie(subplots=True)
plotly数据可视化
pandas现在可以使用Plotly、Bokeh作为可视化的backend，直接实现交互性操作，无需再单独使用可视化包了。
激活backend：
pd.options.plotting.backend = 'plotly'
可以填在上面的有：
Plotly
Holoviews
Matplotlib
Pandas_bokeh
Hyplot
Plotly backend简介
Plotly是基于Javascript版本的库写出来的，因此生成的Web可视化图表，可以显示为HTML文件或嵌入基于Python的Web应用程序中。
使用Plotly可以画出很多媲美Tableau的高质量图：
此前一直是苦于pyecharm的模板不够多，前端不熟的小伙伴，这可是一个好东西哦！！！
if Jupyter
如果是在Jupyterlab中使用Plotly，那还需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"
然后运行此命令以安装Plotly扩展。
jupyter labextension install jupyterlab-plotly@4.8.1
好，我用的是pyechart
数据集选取
这个数据也是Scikit-learn中的样本数据，所以也可以使用以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)
print(data.head().T)
0 1 2 3 4
Alcohol 14.23 13.2 13.16 14.37 13.24
Malic_acid 1.71 1.78 2.36 1.95 2.59
Ash 2.43 2.14 2.67 2.5 2.87
Alcalinity_of_ash 15.6 11.2 18.6 16.8 21.0
Magnesium 127.0 100.0 101.0 113.0 118.0
Total_phenols 2.8 2.65 2.8 3.85 2.8
Flavanoids 3.06 2.76 3.24 3.49 2.69
Nonflavanoid_phenols 0.28 0.26 0.3 0.24 0.39
Proanthocyanins 2.29 1.28 2.81 2.18 1.82
Color_intensity 5.64 4.38 5.68 7.8 4.32
Hue 1.04 1.05 1.03 0.86 1.04
OD280%2FOD315_of_diluted_wines 3.92 3.4 3.17 3.45 2.93
Proline 1065.0 1050.0 1185.0 1480.0 735.0
class 1 1 1 1 1
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。
开始绘图
散点图
绘图方式与正常使用Pandas内置的绘图操作几乎相同，只是现在以丰富的Plotly显示可视化效果。
fig = data[['Alcohol', 'Proline']].plot.scatter(y='Alcohol', x='Proline')
fig.show()
放大缩小，矢量图，你懂得。
条形辉度图
我们可以结合Pandas的groupby函数创建一个条形图，总结各类之间Hue的均值差异。
fig = data[['Hue','class']].groupby(['class']).mean().plot.bar()
散点分类图
将class添加到我们刚才创建的散点图中。通过Plotly可以轻松地为每个类应用不同的颜色，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')
资料推荐
这里示例就放这些，比较简单一些。
这里不建议大家去看各种网文，质量都参差不齐的，直接去看官方文档。
Python Figure Reference: Single-Page
Plotly Python Open Source Graphing Library Fundamentals
推一篇还不错的博文：可视化神器Plotly(5)—参数详解
转载：https://blog.csdn.net/qq_43762191/article/details/115510744