從青銅到王者，進階數據可視化2.0的五個Python庫！

知識 03-16

數據可視化的工具和程序庫已經極大豐盛，當你習慣其中一種或數種時，你會幹得很出色，但是如果你因此而沾沾自喜，就會錯失從青銅到王者的新工具和程序庫。如果你仍然堅持使用Matplotlib（這太神奇了），Seaborn（這也很神奇），Pandas（基本，簡單的可視化）和Bokeh，那麼你真的需要停下來了解一下新事物了。例如，python中有許多令人驚嘆的可視化庫，而且通用化程度已經很高，例如下面這五個：

Plotly

Cufflinks

Folium

Altair Vega

D3.js（個人認為最好的選擇，因為我也用JS寫代碼）

如果您了解並使用上面提到的庫，那麼您就處於進化的正確軌道上。它們可以幫助生成一些令人拍案的可視化效果，語法也不難。一般來說，我更喜歡Plotly Cufflinks和D3.js.以下詳細道來：

Plotly

Plotly是一個開源，互動式和基於瀏覽器的Python圖形庫。可以創建能在儀錶板或網站中使用的互動式圖表（您可以將它們保存為html文件或靜態圖像）。Plotly基於plotly.js，而plotly.js又基於D3.js，因此它是一個高級圖表庫，與Bokeh一樣，Plotly的強項是製作互動式圖，有超過30種圖表類型，提供了一些在大多數庫中沒有的圖表，如等高線圖、樹狀圖、科學圖表、統計圖表、3D圖表、金融圖表等。 plotly最棒的一點是可以在Jupyter筆記本或獨立的HTML頁面中使用。您也可以在他們的網站上在線使用它，但我更喜歡離線使用它，您也可以將可視化保存為圖像，非常易於使用也非常實用。

– 在Jupyter Notebook中使用Plotly的方法（離線）

首先，安裝plotly庫。

pip install plotly

然後打開jupyter筆記本並鍵入：

from plotly import __version__

from plotly.offline import download_plotlyjs，init_notebook_mode，plot，iplot

init_notebook_mode（connected = True）

語法超簡單！在Pandas中，你使用dataframe.plot（），在這裡，您使用dataframe.iplot（）。這個「i」改變了可視化的整個定義。

只需一行代碼，我生成了下面這個散點圖。您可以根據需要自定義它。請記住指定模式標記，否則您將獲得一些線條。

請注意，隨著數據的增加，plotly會開始卡滯。所以，只有當數據點的小於500K時，我才會使用plotly。

Cufflinks

Cufflinks將Plotly直接綁定到pandas數據幀。這種組合非常驚人，結合了Pandas的靈活性，比Plotly更有效，語法甚至比plotly簡單。使用plotly的Python庫，您可以使用DataFrame的系列和索引來描述圖形，但是使用Cufflinks可以直接繪製它。正如下面這個例子：

df = cf.datagen.lines（）

py.iplot（[{

"x"：df.index，

"y"：df [col]，

"name"：col

} for col in df.columns]）

with plotly

df.iplot（kind= "scatter"）

with cufflinks

Cufflinks使得圖表繪製更加容易。您甚至還可以使用Cufflinks生成令人驚嘆的3D圖表。我只用幾行代碼生成了下面這個3D圖表。

用Cufflinks生成的3D圖表

你可以隨時在Jupyter Notebook中試用它。

– 快速竅門：

在配置中設置：

c.NotebookApp.iopub_data_rate_limit = 1.0e10

按以下方式導入：

import plotly.graph_objs as go

import plotly.plotly as py

import cufflinks as cf

from plotly.offline import iplot，init_notebook_mode

cf.go_offline（）

#Set global theme

cf.set_config_file（world_readable = True，theme ="pearl"，offline = True ）

init_notebook_mode（）

接下來，我將談論另一個神庫——Viz庫。

Folium

Folium建立在Python生態系統的數據優勢和Leaflet.js庫的映射優勢之上。您可以在python中操作數據，然後通過folium在Leaflet地圖中將其可視化。Folium是一個用於繪製空間數據的「神庫」。你還可以使用folium生成熱圖和等值區域圖。讓我們了解一下folium：

地圖定義為folium.Map對象，可在folium頂部添加其他folium對象。

您可以為Folium渲染的地圖使用不同的地圖圖層，例如MapBox，OpenStreetMap和其他幾個圖層，你可以查看此github庫文件夾或此文檔頁面。

你還可以選擇不同的地圖投影。有許多投影可供選擇。

讓我們用美國失業的Geojson生成一個Choropleth地圖。以下是片段：

map = folium.Map([43, -100], zoom_start=4)

choropleth = folium.Choropleth(

geo_data=us_states,

data=state_data,

columns=["State", "Unemployment"],

key_on="feature.id",

fill_color="YlGn",

name="Unenployment",

show=False,

).add_to(m)

# 底層的GeoJson和StepColormap對象是可訪問的

print(type(choropleth.geojson))

print(type(choropleth.color_scale))

folium.LayerControl(collapsed=False).add_to(m)

map.save(os.path.join("results", "GeoChoro.html"))

map

這只是一個基本的地圖，你可以添加標記，彈出窗口等等。可以是下面的leaflet和folium生成的地圖

Altair Vega

Altair是一個聲明性統計可視化庫，基於Vega和Vega-Lite。

聲明意味著只需要提供數據列與編碼通道之間的鏈接，例如x軸，y軸，顏色等，其餘的繪圖細節它會自動處理。聲明使Altair變得簡單，友好和一致。使用Altair可以輕鬆設計出有效且美觀的可視化代碼。

Altair使您能夠使用強大而簡潔的可視化語法快速開發各種統計可視化圖表。如果您使用的是Jupyter Notebook，則需要按以下方式安裝它。它還包括一些示例vega數據集。

pip install -U altair vega_datasets notebook vega

Altair主要依賴Vega，為了使圖表在屏幕上可見，你需要安裝Vega，並且還需要為每個新會話運行此命令：

Altair中的數據是圍繞Pandas Dataframe構建的。統計可視化最明顯的特徵是以整潔的Dataframes開始。您還可以將繪圖另存為圖像或在vega編輯器中打開它以獲得更多選項。Altair可能不是最好的，但絕對值得一試。

下面這個例子，我使用了汽車數據集;

import altair as alt

from vega_datasets import data

source = data.cars()

brush = alt.selection(type="interval")

points = alt.Chart().mark_point().encode(

x="Horsepower:Q",

y="Miles_per_Gallon:Q",

color=alt.condition(brush, "Origin:N", alt.value("lightgray"))

).add_selection(

brush

)

bars = alt.Chart().mark_bar().encode(

y="Origin:N",

color="Origin:N",

x="count(Origin):Q"

).transform_filter(

brush

)

alt.vconcat(points, bars, data=source)

Altair和Vega生成的分散圖和直方圖

D3.js（數據驅動文檔DDD）

D3.js是一個JavaScript庫，根據數據操作文檔。您可以使用HTML，SVG和CSS將數據變成活靈活現的圖表。D3並不要求您將自己綁定到任何專有框架，因為現代瀏覽器擁有D3所需的一切，它還用於組合強大的可視化組件和數據驅動的DOM操作方法。

D3.js是目前市場上最好的數據可視化庫。您可以將它與python一起使用，也可以與R一起使用。最初，它可以與JavaScript一起使用，因為JS具有廣泛的功能並且需要大量的學習和經驗，但是如果你是JS專業人員則不需要猶豫。雖然Python和R使D3.js變得更簡單，但只是一點點！總之D3.js是絕對不會錯的上佳之選。

D3py有3個主要依賴項：

NumPy

Pandas

NetworkX

我建議你使用JavaScript或R，而不是python，因為版本已經過時，最後一次更新是在2016年。而且只是D3.js的一個瘦的python包裝器。

R提供D3可視化介面。使用r2d3，您可以將數據從R綁定到D3可視化。使用r2d3創建的D3可視化就像RStudio，R Markdown文檔和Shiny應用程序中的R圖一樣工作。您可以按如下方式從CRAN 安裝r2d3軟體包：

install.packages(「r2d3」)

你可以做一些驚人的可視化，例如下面這幾個：