再見，可視化！你好，Pandas！

來源： Python數據科學
做者：東哥起飛

用Python作數據分析離不開pandas，pnadas更多的承載着處理和變換數據的角色，pands中也內置了可視化的操做，但效果很糙。

所以，你們在用Python作數據分析時，正常的作法是用先pandas先進行數據處理，而後再用Matplotlib、Seaborn、Plotly、Bokeh等對dataframe或者series進行可視化操做。

可是說實話，每一個可視化包都有本身獨特的方法和函數，常常忘，這是讓我一直很頭疼的地方。

好消息來了！從最新的pandas版本0.25.3開始，再也不須要上面的操做了，數據處理和可視化徹底能夠用pandas一個就所有搞定。

pandas如今可使用Plotly、Bokeh做爲可視化的backend，直接實現交互性操做，無需再單獨使用可視化包了。

下面咱們一塊兒看看如何使用。

1. 激活backend

在import了pandas以後，直接使用下面這段代碼激活backend，好比下面要激活plotly。

pd.options.plotting.backend = 'plotly'

目前，pandas的backend支持如下幾個可視化包。

• Plotly
• Holoviews
• Matplotlib
• Pandas_bokeh
• Hyplot

2. Plotly backend

Plotly的好處是，它基於Javascript版本的庫寫出來的，所以生成的Web可視化圖表，能夠顯示爲HTML文件或嵌入基於Python的Web應用程序中。

下面看下如何用plotly做爲pandas的backend進行可視化。

若是還沒安裝Plotly，則須要安裝它pip intsall plotly。若是是在Jupyterlab中使用Plotly，那還須要執行幾個額外的安裝步驟來顯示可視化效果。

首先，安裝IPywidgets。

pip install jupyterlab "ipywidgets>=7.5"

而後運行此命令以安裝Plotly擴展。

jupyter labextension install jupyterlab-plotly@4.8.1

示例選自openml.org的的數據集，連接以下：

數據連接： https://www.openml.org/d/187

這個數據也是Scikit-learn中的樣本數據，因此也可使用如下代碼將其直接導入。

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()

該數據集是葡萄酒相關的，包含葡萄酒類型的許多功能和相應的標籤。數據集的前幾行以下所示。

下面使用Plotly backend探索一下數據集。

繪圖方式與正常使用Pandas內置的繪圖操做幾乎相同，只是如今以豐富的Plotly顯示可視化效果。

下面的代碼繪製了數據集中兩個要素之間的關係。

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

若是將鼠標懸停在圖表上，能夠選擇將圖表下載爲高質量的圖像文件。

咱們能夠結合Pandas的groupby函數建立一個條形圖，總結各種之間Hue的均值差別。

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

將class添加到咱們剛纔建立的散點圖中。經過Plotly能夠輕鬆地爲每一個類應用不一樣的顏色，以便直觀地看到分類。

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是另外一個Python可視化包，也可提供豐富的交互式可視化效果。Bokeh還具備streaming API，能夠爲好比金融市場等流數據建立實時可視化。

pandas-Bokeh的GitHub連接以下：

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

老樣子，用pip安裝便可，pip install pandas-bokeh。

爲了在Jupyterlab中顯示Bokeh可視化效果，還須要安裝兩個新的擴展。

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

下面咱們使用Bokeh backend從新建立剛剛plotly實現的的散點圖。

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)

關鍵語句就一行代碼，很是快捷，交互式效果以下。

Bokeh還具備plot_grid函數，能夠爲多個圖表建立相似於儀表板的佈局，下面在網格佈局中建立了四個圖表。

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)

能夠看到，可視化的部分都是在pandas的dataframe基礎上一行代碼搞定，最後plot_grid完成佈局。

4. 總結

在內置的Pandas繪圖功能增長多個第三方可視化backend，大大加強了pandas用於數據可視化的功能，從此可能真的不需再去學習衆多可視化操做了，使用pandas也能夠一擊入魂！

---

原創不易，來波點贊支持。

本篇首發於個人原創公衆號：Python數據科學，歡迎關注。
我的網站：http://www.datadeepin.com/