Python一行代碼搞定炫酷可視化，你須要瞭解一下Cufflinks

做者：xiaoyu

微信公衆號：Python數據科學

知乎：python數據分析師

---

前言

學過Python數據分析的朋友都知道，在可視化的工具中，有不少優秀的三方庫，好比matplotlib，seaborn，plotly，Boken，pyecharts等等。這些可視化庫都有本身的特色，在實際應用中也廣爲你們使用。

plotly、Boken等都是交互式的可視化工具，結合Jupyter notebook能夠很是靈活方便地展示分析後的結果。雖然作出的效果很是的炫酷，好比plotly，可是每一次都須要寫很長的代碼，一是麻煩，二是不便於維護。

我以爲在數據的分析階段，更多的時間應該放在分析上，維度選擇、拆解合併，業務理解和判斷。若是既能夠減小代碼量，又能夠作出炫酷可視化效果，那將大大提升效率。固然若是有特別的需求除外，此方法僅針對想要快速可視化進行分析的人。

本篇給你們介紹一個很是棒的工具，cufflinks，能夠完美解決這個問題,且效果同樣炫酷。

cufflinks介紹

就像seaborn封裝了matplotlib同樣，cufflinks在plotly的基礎上作了一進一步的包裝，方法統一，參數配置簡單。其次它還能夠結合pandas的dataframe隨意靈活地畫圖。能夠把它形容爲"pandas like visualization"。

絕不誇張地說，畫出各類炫酷的可視化圖形，我只需一行代碼，效率很是高，同時也下降了使用的門檻兒。cufflinks的github連接以下：

https://github.com/santosjorg...

cufflinks安裝

安裝很少說，直接pip install便可。

pip install cufflinks

cufflinks如何使用？

cufflinks庫一直在不斷更新，目前最新版爲V0.14.0，支持plotly3.0。首先咱們看看它都支持哪些種類的圖形，能夠經過help來查看。

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

使用方法其實很簡單，我總結一下，它的格式大體是這樣的：

• DataFrame：表明pandas的數據框；
• Figure：表明咱們上面看到的可繪製圖形，好比bar、box、histogram等等；
• iplot：表明繪製方法，其中有不少參數能夠進行配置，調節符合你本身風格的可視化圖形；

cufflinks實例

咱們經過幾個實例感覺一下上面的使用方法。使用過plotly的朋友可能知道，若是使用online模式，那麼生成的圖形是有限制的。因此，咱們這裏先設置爲offline模式，這樣就避免了出現次數限制問題。

import pandas as pd
import cufflinks as cf
import numpy as np

cf.set_config_file(offline=True)

而後咱們須要按照上面的使用格式來操做，首先咱們須要有個DataFrame，若是手頭沒啥數據，那能夠先生成個隨機數。cufflinks有一個專門生成隨機數的方法，叫作datagen，用於生成不一樣維度的隨機數據，好比下面。

lines線圖

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

1）cufflinks使用datagen生成隨機數；

2）figure定義爲lines形式，數據爲(1,500)；

3）而後再用ta_plot繪製這一組時間序列，參數設置SMA展示三個不一樣週期的時序分析。

box箱型圖

仍是與上面用法同樣，一行代碼解決。

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

能夠看到，x軸每一個box都有對應的名稱，這是由於cufflinks經過kind參數識別了box圖形，自動爲它生成的名字。若是咱們只生成隨機數，它是這樣子的，默認生成100行的隨機分佈的數據，列數由本身選定。

histogram直方圖

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

和plotly同樣，咱們能夠經過一些輔助的小工具框選或者lasso選擇來區分和選定指定區域，只要一行代碼。

固然了，除了隨機數據，任何的其它dataframe數據框均可以，包括咱們本身導入的數據。

histogram條形圖

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

上面咱們生成了一個(10,4)的dataframe數據框，名稱分別是a,b,c,d。那麼cufflinks將會根據iplot中的kind種類自動識別並繪製圖形。參數設置爲堆疊模式。

scatter散點圖

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氣泡圖

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

scatter matrix 散點矩陣圖

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

subplots 子圖

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)

再好比複雜一點的。

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 形狀圖

若是咱們想在lines圖上增長一些直線做爲參考基準，這時候咱們可使用hlines的類型圖。

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')])

或者是將某個區域標記出來，可使用hspan類型。

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

又或者是豎條的區域，能夠用vspan類型。

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

若是對iplot中的參數不熟練，直接輸入如下代碼便可查詢。

help(df.iplot)

總結

怎麼樣，是否是很是快捷方便？以上介紹是通常的可繪製類型，固然你能夠根據本身的需求作出更多的可視化圖形。若是是常規圖形，一行便可實現。除此外，cufflinks還有強大的顏色管理功能，若是感興趣能夠自行學習。

若是以爲有幫助，還請給點個贊！

歡迎關注個人我的公衆號：Python數據科學