Seaborn-Pygal-Pyecharts 可视化

数据分析 Seaborn pygal Pyecharts
发布时间 :
字数:3.4k 阅读 :
  1. 1.Seaborn 前言
    1. 1.1 快速优化图形
    2. 1.2 去掉坐标轴
    3. 1.3 临时绘图风格
    4. 1.4 缩放图风格
  2. 2. Seaborn 绘图 API
    1. 2.1 关联图
    2. 2.2 类别图
    3. 2.3 分布图
      1. 2.3.1 jointplot()
      2. 2.3.2 pairplot()
      3. 2.3.3 distplot()
      4. 2.3.4 kdeplot()
    4. 2.4 回归图
    5. 2.5 矩阵图
      1. 2.5.1 heatmap()
      2. 2.5.2 clustermap()
  3. 3. pygal 库
    1. 3.1 安装
    2. 3.2 使用
  4. 4. Pyecharts 库
    1. 4.1 初识语法
    2. 4.2 会用官方文档
      1. 4.2.1 会看图表说明
      2. 4.2.2 会用全局配置项
      3. 4.2.3 链式调用
      4. 4.2.4 输出图片
    3. 4.3 进阶用法

1.Seaborn 前言

Seaborn 和 Matplotlib 同为 Python 最强大的两个可视化库。Seaborn 是在 matplotlib 的基础上进行了更高级的 API 封装，让你能用更少的代码去调用 matplotlib 的方法，从而使得作图更加容易，在大多数情况下使用 seaborn 就能做出很具有吸引力的图，而使用 matplotlib 就能制作具有更多特色的图。应该把 Seaborn 视为 matplotlib 的补充，而不是替代物。

Seaborn：作图更容易，图像更漂亮。主要的缺点则是定制化能力会比较差，只能实现固化的一些可视化模板类型。

Matplotlib：可以实现高度定制化绘图的，高度定制化可以让你获得最符合心意的可视化输出结果，但也因此需要设置更多的参数，因而代码更加复杂一些。

Seaborn 官方文档 http://seaborn.pydata.org/tutorial

建议阅读顺序：Plot aesthetics，Plotting functions，Multi-plot grids。

1.1 快速优化图形

Seaborn 以多变优雅的绘图风格出名，首先热个身：

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)

sinplot()  // 输出如图 1

sns.set()
sinplot()  // 输出如图 2

使用 Seaborn 完成图像快速优化的方法非常简单。只需要将 Seaborn 提供的样式声明代码 sns.set() 放置在绘图前即可。

sns.set()还可进行细致化设置：

sns.set(context=, style=, palette=, font=, font_scale=, color_codes=, rc=)
  • context= 参数控制着默认的画幅大小，分别有 {paper, notebook, talk, poster} 四个值。其中，poster > talk > notebook > paper。
  • style= 参数控制默认样式，分别有 {darkgrid, whitegrid, dark, white, ticks}，你可以自行更改查看它们之间的不同。默认为darkgrid。
  • palette= 参数为预设的调色板。分别有 {deep, muted, bright, pastel, dark, colorblind} 等，你可以自行更改查看它们之间的不同。
  • 剩下的 font= 用于设置字体，font_scale= 设置字体大小，color_codes= 不使用调色板而采用先前的 'r' 等色彩缩写。

另外，还有两个直接控制风格的函数方法：sns.set_style()和sns.axes_style()。

其包含两个参数style=，可直接设置样式；rc=，字典值，其参数映射将覆盖预设的 seaborn 样式字典中的值。对于sns.axes_style()，如没有进行赋值，则返回当前默认设置，字典格式数据。

1.2 去掉坐标轴

sns.despine(offset=,trim=,left=)

1.3 临时绘图风格

with sns.axes_style("white"):    // 用来切换绘图风格
    ax = f.add_subplot(gs[0, 0])
    sinplot1()

sinplot2()          //sinplot1()和 sinplot2() 绘图风格不一样

1.4 缩放图风格

sns.set()  // 重置函数
// 包含四个预设，相对大小的顺序，paper，notebook，talk，和 poster
// 包含四个预设，相对大小的顺序为 paper，notebook，talk，和 poster
sns.set_context("paper")

2. Seaborn 绘图 API

Seaborn 一共拥有 50 多个 API 类，相比于 Matplotlib 数千个的规模，可以算作是短小精悍了。其中，根据图形的适应场景，Seaborn 的绘图方法大致分类 6 类，分别是：

关联图、类别图、分布图、回归图、矩阵图和组合图。

而这 6 大类下面又包含不同数量的绘图函数。

Seaborn 中的 API 分为 Figure-level 和 Axes-level 两种。

Figure-level 和 Axes-level API 的区别在于，Axes-level 的函数可以实现与 Matplotlib 更灵活和紧密的结合，而 Figure-level 则更像是「懒人函数」，适合于快速应用。

2.1 关联图

关联图的 Figure-level 接口是relplot。【relating plot】

总函数：sns.relplot()，主要有 散点图 和折线图 2 种样式。

分函数：sns.scatterplot()，sns.lineplot()。

sns.relplot(x=, y=, data=,kind=, palette=, ax=, hue=, style=,  *kwargs)
  • x=, y=：传 data= 中的数字自变量和因变量。
  • data=：DataFrame 类型的数据表。
  • kind=：指定绘制的图像类型，选项为 'scatter'和'line'，与分函数对应。默认散点图。
  • palette=：调色板，可指定内置的样式，色彩丰富。
  • ax=：指定图标绘画在哪个坐标系。
  • hue=：指定绘制数据的颜色映射集。
  • style=：赋予不同类别的散点不同的形状映射集
  • *kwargs：包含size=，指定图点大小映射集；sizes=，既可以是某个具体数值，也可以是映射集。

分函数用法与之相同，只是不用指定 kind。

如想水平绘图，交换 xy 数据就行。

2.2 类别图

与关联图相似，类别图的 Figure-level 接口是 catplot。 【categorical plot】

总函数：sns.catplot()，主要有 分类散点图 ， 分类分布图 ， 分类估计图 3 类样式。

sns.catplot(x=, y=, kind=, data=, palette=, hue=)   // 参数意义同关联图, 默认 kind="strip"

分类散点图：

sns.stripplot()(kind="strip")：带状散点图，一个类别的所有点都将沿着与分类变量相对应的轴落在同一位置。

sns.swarmplot() (kind="swarm")：带状散点图（散点不重叠），使用防止重叠的算法沿分类轴调整点。它仅适用于相对较小的数据集，但它可以更好地表示观测值的分布。

例：

分类分布图：

sns.boxplot() (kind="box")：箱线图

sns.violinplot()(kind="violin")：小提琴图

sns.boxenplot() (kind="boxen")：增强箱线图

分类估计图：

sns.pointplot()(kind="point")：点线图

sns.barplot()(kind="bar")：条形图

  • 分类图中的条形图只是将点线图中的平均值以条形方框展示而已；置信区间还是以线的形式展示。

sns.countplot() (kind="count")：计数条形图

2.3 分布图

分布图主要是用于可视化变量的分布情况，一般分为单变量分布和双变量分布。

2.3.1 jointplot()

sns.jointplot(x=, y=, data=,kind= color=, *kwargs)

kind=“scatter” | “reg” | “resid” | “kde” | “hex”

主要是用于绘制二元变量分布图。散点图，六边形图，核密度估计

2.3.2 pairplot()

sns.pairplot(data=, hue=, vars=， *kwargs)

支持一次性将数据集中的特征变量两两对比绘图。默认情况下，对角线上是单变量分布图，而其他则是二元变量分布图。

2.3.3 distplot()

sns.distplot(a, bins=, hist=, kde=, color=, label=, *kwargs)

绘制单变量分布。直方图，核密度估计，拟合参数分布

2.3.4 kdeplot()

sns.kdeplot(data, shade=, vertical=, *kwargs)

绘制二维核密度图

2.4 回归图

lmplot() 与regplot()

sns.lmplot(x=, y=, hue=, data=, *kwargs)

同样是用于绘制回归图，但 lmplot 支持引入第三维度进行对比

sns.regplot(x=, y=, data=, *kwargs)

绘制回归图时，只需要指定自变量和因变量即可，regplot 会自动完成线性回归拟合。

2.5 矩阵图

2.5.1 heatmap()

sns.heatmap(data, vmin=, vmax=, cmap=, center=, *kwargs)

主要用于绘制热力图。

2.5.2 clustermap()

sns.clustermap(data, method=, metric=, *kwargs)

支持绘制层次聚类结构图。

3. pygal 库

Pygal 是另一个简单易用的数据图库，它以面向对象的方式来创建各种数据图，而且使用 Pygal 可以非常方便地生成各种格式的数据图，包括 PNG、SVG 等。

其最大的特点是能够生成 矢量图形 SVG，还可进行点击显示 交互。

3.1 安装

pip install pygal -i https://pypi.tuna.tsinghua.edu.cn/simple

3.2 使用

pygal 有非常简单清晰的官方文档，需要用时直接查阅就好。

Pygal 官方文档

http://www.pygal.org/en/stable/documentation/index.html

4. Pyecharts 库

Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。

特点：良好的交互性，支持链式调用，精巧的图表设计

官方文档是中文滴！http://pyecharts.org/#/zh-cn/intro

要想使用直接阅读官方文档即可。其中的【5 分钟上手】初学者一定要看。

为了更快的读懂官方文档，在下面会做一些总结。

4.1 初识语法

首先给一段简单代码看看 Pyecharts 是怎么画图的：

// 条形图绘制
from pyecharts.charts import Bar

bar1 = Bar()  // 首先创建一个条形图画板

bar1.add_xaxis([" 衬衫 ", " 羊毛衫 ", " 雪纺衫 ", " 裤子 ", " 高跟鞋 ", " 袜子 "])
bar1.add_yaxis(" 商家 A", [5, 20, 36, 10, 75, 90])
bar1.add_yaxis(" 商家 B", [10, 25, 35, 6, 100, 70])

bar1.render()
//render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件
// 也可以传入路径参数，如 bar.render("mycharts.html")

打开生成的 render.html 文件如下：

要想直接在 jupyter notebook 中直接显示，可采用如下方式：

bar1.render_notebook()

以上画图方法简单吧。下面再看看怎么进行更多的设置。

4.2 会用官方文档

4.2.1 会看图表说明

想要对图表进行进一步的设置，则看官方文档中对应的设置部分，对于条形图 Bar：

上述中 def 定义了函数名add_yaxis，调用格式：Bar().add_yaxis()，括号的可以传入的参数和用法即为在画红下划线里的那些。有等于号 = 的通过赋值传参，没有等于号的直接传参。

举个例子：

from pyecharts.charts import Line

L=Line()
L.add_xaxis(['1 月份 ','2 月份 ','3 月份 ','4 月份 ','5 月份 ','6 月份 '])
L.add_yaxis(" 商家 A", [5, 20, 36, 10, 75, 90])
L.add_yaxis(" 商家 B", [10, 25, 35, 6, 100, 70],
            is_smooth = True,
            linestyle_opts = opts.LineStyleOpts(type_='dotted'))  // 给商家 B 搞点不一样

L.render_notebook()

上述中给商家 B 搞点不一样，就是 参照官方文档中的用法进行了设置。查看应用路径如下：

这下学会怎么看官方文档了吧！！！

点个赞，快！

接下来如果想要添加【标题】或者修改【图例】等，需要在 全局配置项 中添加。

4.2.2 会用全局配置项

全局配置项中可对这些元素进行配置：

全局配置项可通过 set_global_options 方法设置。

在使用全局变量时，需要再 import 一个方法：

from pyecharts import options as opts // 使用 options 配置项，在 pyecharts 中，一切皆 Options。

首先找到全局配置项的那一部分，看目录，如我需要给图表加标题，则找到【TitleOpts：标题配置项】。

如我需要给图表加视觉映射，则找到【VisualMapOpts：视觉映射配置项】。

看了这两个例子应该学会举一反三，配置任何全局变量了吧！

4.2.3 链式调用

在使用 Pyecharts 过程中，一般都会采用链式调用的方法去写代码，当然怎么选择可凭个人习惯。

先看段代码：

from pyecharts import options as opts
from pyecharts.charts import Scatter

def scatter_spliteline() -> Scatter:     // 这里是 python 中一种特殊写法，下面会有解释。
    c = (Scatter()                     // 该函数的方法调用就是链式调用
        .add_xaxis(['1 月份 ','2 月份 ','3 月份 ','4 月份 ','5 月份 ','6 月份 ',])
        .add_yaxis(" 商家 A", [80, 55, 35, 10, 100, 70])
        .set_global_opts(title_opts=opts.TitleOpts(title="Scatter- 显示分割线 "),
            xaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),
            yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),
        )
    )
    return c

scatter_spliteline().render_notebook()

首先定义一个变量 c，去接收画的图表；括号里传入图表类型函数 Scatter()，代表要绘制散点图，再分别调用 Scatter()里面的 add_xaxis()，add_yaxis()，set_global_opts()三个函数，用点连接，代表方法调用。

【如何理解链式调用】

  • 所谓链式调用，就是一个函数可以“叠加”使用其中的方法。比如普通类 Car()中定义了三个方法，A，B，C，当使用其中的方法时，只能分别调用，如：

    Car().A()
Car().B()
Car().C()

    而链式调用，则可以直接：

    Car().A().B().C()   #同时调用 A，B,C 三个函数

#上面的画图函数就是这样写的：
Scatter().add_xaxis()
         .add_xaxis()
         .set_global_opts()

    当然要实现这样的调用，类函数 Car()中的方法要 return 本身。

    如：

    class Chain():

    def __init__(self,name):
        self.name=name

    def A(self):
        print('%s 正在调用方法 A'%self.name)
        return self

    def B(self):
        print(' 正在调用方法 B')
        return self

    def C(self):
        print(' 正在调用方法 C')
        return self

chain=Chain(name='author')
chain.A().B().C()

#输出结果为：
author 正在调用方法 A
正在调用方法 B
正在调用方法 C

#以上这就是链式调用

    以上过程可以这样理解：

    第一层：chain.A()调用方法 A，打印出“author 正在调用方法 A”，随后 return 回self（就是 Chain() 本身，即 chain.A() 又相当于Chain()）

    第二层：chain.A().B()等价于chain.B()。依次类推。

【如何理解 python 代码中的箭头—>】

  • 函数参数中的箭头指向是参数的 类型建议符，以告诉程序员希望传入的实参的类型。是 Python 3.5 新加的功能。

  • 值得注意的是，类型建议符并非强制规定和检查，也就是说即使传入的实际参数与建议参数不符，也不会报错。

  • 可以把它看成一种注释即可。不编译，不执行。

    def add(x, y) -> int:  # 这里 —> int 表示：告诉程序员这里 x,y 建议输入数据类型为整型
    return x+y

4.2.4 输出图片

Pyecharts 默认的输出方式为 html 网页文件，要想输出图片，可参阅官方文档【 渲染图片】

4.3 进阶用法

等到我需要用到的时候再进行更新吧。

欢迎各位看官及技术大佬前来交流指导呀，可以邮件至 jqiange@yeah.net

©2016-2021 Jqiange

Built with Hexo and 3-hexo theme