本文转载自公众号“读芯术”(ID：AI_Discovery)。
流行 Python 数据分析库 Pandas 中的绘图功能一直是迅速绘制图表的首选之一。但是，其可用的可视化效果总是十分粗略，实用有余、美观不足。
笔者常用 Pandas 的绘图功能快速地执行一些可视的数据探索，但在介绍数据洞察时，我会使用“更美观”的绘图库(如 Plotly 或 Bokeh )来重做可视化。
自最新的 Pandas 版本0.25.3发布后，无需这样做了，现在我们可以使用第三方可视化库作为 Pandas 绘图功能的后端。Plotly是一款基于 web 实现交互式可视化的流行Python库，其最近发布了 Pandas绘图后端。
来看看如何使用 Plotly 和 Bokeh 后端创建更丰富的可视化效果。
使用不同的后端
想要激活绘图功能的不同后端需在导入 pandas 后，添加此行代码：
- pd.options.plotting.backend = 'plotly'
当前可用的后端有：
- Plotly
- Holoviews
- Matplotlib
- Pandas _bokeh
- Hyplot
Plotly后端
Plotly是一个 Python库，其支持丰富的交互式可视化效果。Plotly包的好处之一在于它是在库的 Javascript 版本之上构建的，这意味着图表会基于Web，可以显示为 HTML 文件或嵌入到基于Python的Web应用程序中。用户还可以将可视化内容下载为高质量的图像文件，以便在文档或论文中使用。
下面来浏览一些Plotly作为Pandas绘图后端的快速示例。
如果还没有安装Plotly ，则需要使用pip intsall plotly来安装。如果是在Jupyterlab中使用 Plotly ，则需要额外执行几个安装步骤来显示可视化效果。首先，安装IPywaidgets：
- pipenv install jupyterlab " ipywidgets>=7.5"
- pip install jupyterlab "ipywidgets>=7.5"
然后运行以下命令以安装Plotly扩展：
- jupyter labextension install jupyterlab-plotly@4.8.1
为了说明绘图后端的用法，使用openml.org名为“wine(葡萄酒)”的数据集。
- 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()
该数据集由各类葡萄酒的多个特征和相应的标签组成。下图显示了数据集的前几行。
绘图功能的工作方式与标准Pandas绘图功能的工作方式大致相同，只是现在可视化效果同Plotly一样丰富。下面的代码绘制了数据集中两个特征之间的关系。
- fig = data[['Alcohol', 'Proline']].plot.scatter(y='Alcohol', x='Proline')
- fig.show()
可以通过组合 Pandas 的groupby函数创建一个柱状图来总结类之间的平均色调差异：
- data[['Hue','class']].groupby(['class']).mean().plot.bar()
将类添加到之前创建的散点图中。使用Plotly，可以轻松地给每个类使用不同的颜色，以便直观地区分：
- fig = data[['Alcohol', 'Proline']].plot.scatter(y='Alcohol', x='Proline')
- fig.show()
Bokeh 后端
Bokeh 也可以提供丰富交互式可视化效果。其可视化图表可以在 Web 浏览器中查看，嵌入到 Web应用程序中或用于创建交互式仪表板。Bokeh 甚至有一个流式 API，可以为流数据(如金融市场数据)创建实时可视化图表。
库可以通过pip来安装：
- pip install pandas-bokeh
要在 Jupyterlab中显示 Bokeh的可视化效果，需要安装两个新的扩展：
- jupyter labextension install @jupyter-widgets/jupyterlab-managerjupyterlabextension install @bokeh/jupyter_bokeh
使用 Bokeh 后端重新创建之前的散点图：
- 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)
可视化效果如下：
Bokeh 有一个plot_grid函数，可为多个图表创建仪表板式布局。下面的代码在网格布局中创建四个图表：
- 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 perClass: 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)
为内置的Pandas绘图功能添加多个第三方后端，这大大增强了该库用于数据可视化的能力。从此之后，pandas就可以集美貌与实用于一身啦。
