【Python】让 plotly 可视化更上一层：cufflinks 包

怼烎@ 2023-10-12 18:57 79阅读 0赞

#### 文章目录 ####

*  一、导读
 *  二、安装
 *  三、使用方法
 *  四、数据说明
 *  五、折线图
 *  六、散点图
 *  七、气泡图
 *  八、柱状图
 *  九、箱型图box
 *  十、直方图
 *  十一、小提琴图
 *  十二、热力图heatmap
 *  十三、3d图
 *  十四、散点矩阵图
 *  十五、子图

## 一、导读 ##

今天给大家推荐一个高级的可视化神器：cufflinks

学习过可视化库matplotlib和seaborn的朋友都知道：seaborn是matplotlib的高级封装。在这里我也告诉大家：cufflinks就是plotly的高级封装。

plotly的绘图已经够简洁和优雅，没有想到cufflinks更甚之。在这里用一句话形容cufflinks：

**cufflinks之于plotly，犹如seaborn之于matplotlib**

那到底什么是cufflinks呢？

cufflinks是一个基于Python的数据可视化库，它建立在Plotly库之上，为用户提供了一种简单而强大的方式来创建交互式的、美观的图表和可视化。它的设计旨在使绘图过程变得简单且具有灵活性，无需编写复杂的代码。

使用cufflinks可以轻松地将Pandas DataFrame和Series对象转换为交互式图表。它提供了与Pandas紧密集成的API，使数据可视化的过程变得直观且易于操作。通过几行简单的代码，就可以创建各种类型的图表，包括线图、柱状图、散点图、面积图、箱线图、热图等。

cufflinks还具有许多便捷的功能和选项，可让用户自定义图表的外观和样式。此外可以设置标题、轴标签、颜色、图例等，并通过拖动和缩放等交互式功能与图表进行互动。

此外，cufflinks还提供了简便的导出功能，可以将生成的图表保存为静态图像或动态HTML文件，以便与他人共享或嵌入到网页中。

## 二、安装 ##

安装非常简单：

pip install cufflinks

建议用清华源加速：

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

![在这里插入图片描述][0391e2a2ce384cdf8ccfb0b1fc8b746e.png]

## 三、使用方法 ##

import pandas as pd
    import numpy as np
    
    import cufflinks as cf
    # 设置配置文件
    #  theme的7个选择项: 'ggplot', 'pearl', 'solar', 'space', 'white', 'polar', 'henanigans'
    cf.set_config_file(world_readable=True, theme="pearl", offline=True) 
    
    %reload_ext autoreload
    %autoreload 2

查看cufflinks的帮助文档，目前cufflinks绘制的图形：

cf.help()

![在这里插入图片描述][2097d0ce94bb4a028a0358447c7b4a41.png]  
查看某个图形的参数：

cf.help("violin")

![在这里插入图片描述][c1b45e41bd204adeb645ac36066ce63f.png]  
使用说明：

DataFrame.Figure.iplot()

*  DataFrame：pandas中的数据框
 *  Figure：指定图形，比如box、bar等
 *  iplot()：参数设置

参数说明：

df.iplot(
        kind='scatter',data=None,layout=None,filename='',sharing=None,
        title='',xTitle='',yTitle='',zTitle='',theme=None,
        colors=None,colorscale=None,fill=False,width=None,dash='solid',
        mode='',interpolation='linear',symbol='circle',size=12,barmode='',
        sortbars=False,bargap=None,bargroupgap=None,bins=None,histnorm='',
        histfunc='count',orientation='v',boxpoints=False,annotations=None,keys=False,
        bestfit=False,bestfit_colors=None,mean=False,mean_colors=None,categories='',
        x='',y='',z='',text='',gridcolor=None,zerolinecolor=None,
        margin=None,labels=None,values=None,secondary_y='',secondary_y_title='',
        subplots=False,shape=None,error_x=None,error_y=None,error_type='data',
        locations=None,lon=None,lat=None,asFrame=False,asDates=False,
        asFigure=False,asImage=False,dimensions=None,asPlot=False,asUrl=False,online=None,**kwargs,
    )

cufflinks的7大绘图主题风格：

cf.getThemes()

![在这里插入图片描述][9e702ba4cb0240a19c24fcd0f8dddf23.png]  
cufflinks支持的色盘：

cf.colors.scales()

![在这里插入图片描述][3e23d5bee8054048add72fe43e9f645c.png]

## 四、数据说明 ##

我们使用sklearn自带的iris数据集：

from sklearn import datasets
    iris = datasets.load_iris()
    df = pd.DataFrame(iris.data,columns=iris.feature_names)
    df.head(3)

![在这里插入图片描述][09640efa285a407f9c726fb02a8409be.png]

df["target"] = iris.target
    df.head(3)

![在这里插入图片描述][4638dd31e6e94a99a829c427ee62292d.png]  
基于对应关系进行转换：

0:'setosa', 1:'versicolor', 2:'virginica'

df["id"] = df["target"].map({
        0:'setosa', 1:'versicolor', 2:'virginica'})
    df.head(3)

![在这里插入图片描述][4a0ee470806f42118a0701eaa56b9b93.png]

## 五、折线图 ##

默认是折线图：

df.iplot()
    
    # df.iplot(kind="scatter")  # 等价

![在这里插入图片描述][630404052dee4321a43d435e07b0a32d.png]  
对折线进行填充：

df.iplot(kind="scatter",fill=True)

![在这里插入图片描述][84bae07aa25a4e28a2e39e8e56972bbd.png]

## 六、散点图 ##

df.iloc[:100,:4].iplot(kind="scatter",
                           mode="markers", # 指定类型
                           # colors=["red","orange","blue","black"], # 颜色
                           size=7,  # 大小
                           theme="henanigans",  # 指定主题
                           symbol="star"  # 散点形状；默认是圆点
                          )

![在这里插入图片描述][ec220cfe11844d399a94c66a29e7e04a.png]  
绘制带有回归趋势的散点图：

df.iloc[:,:3].iplot(kind="scatter",
                        mode="markers", 
                        bestfit=True,  # 拟合趋势
                        bestfit_colors=["red","blue","black"]  # 拟合线颜色
                          )

![在这里插入图片描述][6abfe025a98d4bcf95806236b69c6685.png]

## 七、气泡图 ##

df.iplot(kind="bubble",x="sepal length (cm)",y="sepal width (cm)",size="target")

![在这里插入图片描述][413bed91513846e391e2f03e5b0cfe47.png]

## 八、柱状图 ##

df.head(20).iplot(kind="bar")

![在这里插入图片描述][2b378da856a5425badef506deec6a42d.png]  
堆叠柱状图 ：

df.iplot(kind="bar", barmode="stack")

![在这里插入图片描述][23c19bccb80f4f788c99bb1ac35dbbee.png]  
取出部分dataframe数据下绘图：

df.iloc[:30,:3].iplot(kind="bar", barmode="stack")

![在这里插入图片描述][8d81950749a94b3bb81ecc175e50d9fc.png]  
水平柱状图：

df.iloc[:20,:2].iplot(kind="barh", barmode="stack")

![在这里插入图片描述][d87975262d4a405b8a447d1158fbc1c1.png]  
也可以通过参数orientation进行设置：v-垂直方向，h-水平方向

df.iloc[:20,:2].iplot(kind="bar", 
                          barmode="stack", 
                          orientation="h",
                          theme="space",  # 指定主题
                         )

![在这里插入图片描述][f1399026ff714942aabc3a9c7e1c9f5e.png]

## 九、箱型图box ##

df.iloc[:60,:4].iplot(kind="box")

![在这里插入图片描述][2f5f3762352f4518895b854140c8a249.png]

df.iloc[:60,:4].iplot(kind="box",boxpoints="all")

![在这里插入图片描述][0c5426f4252141ebad7f874d82f0f9ae.png]

df.iloc[:60,:4].iplot(kind="box",boxpoints="outliers")

![在这里插入图片描述][077bfc69680d4fa39c893ae408fe1bf2.png]

df.iloc[:60,:4].iplot(kind="box",boxpoints="suspectedoutliers")

![在这里插入图片描述][c493891dec0d48b7b86bfef59e20191a.png]

## 十、直方图 ##

df.iloc[:,:4].iplot(kind="histogram")

![在这里插入图片描述][f83a2db9d4a54dffbda9a9c6ba83b619.png]

## 十一、小提琴图 ##

df.columns

Index(['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)',
           'petal width (cm)', 'target', 'id'],
          dtype='object')

df.iloc[:,:].iplot(kind="violin",data_header='sepal length (cm)')

![在这里插入图片描述][dbffb150114d4a33acd3e2942690ac9e.png]

## 十二、热力图heatmap ##

我们需要先生成透视表的数据：

data = pd.pivot_table(df,index="id",values=["sepal length (cm)","sepal width (cm)"])
    data

![在这里插入图片描述][ab4367182b0c4a359b2b74046860fc1b.png]

data.iplot(kind="heatmap")

![在这里插入图片描述][86c925c538e2460e8a6ad24782be9dde.png]

## 十三、3d图 ##

df.iplot(kind="scatter3d",
             x="sepal length (cm)", # 指定三个轴的数据
             y="sepal width (cm)",
             z="petal length (cm)",
             categories="id",
             xTitle="sepal length",  # 指定3个轴的标题
             yTitle="sepal width",
             zTitle="petal length"
            )

![在这里插入图片描述][47edd51f32084af98658ff9c6bb5e096.png]

## 十四、散点矩阵图 ##

df.iloc[:,:4].scatter_matrix()

![在这里插入图片描述][fb8786ff15344f11b8511f8fed1995ca.png]

## 十五、子图 ##

df.iloc[:,:4].iplot(kind="bar",
                        barmode="stack", # 模式
                        title="绘制子图",  # 标题
                        subplots=True, # 子图开始
                        shape=(2,2),  # n行m列
                        shared_xaxes=True,  # 是否共享x轴
                        vertical_spacing=0.08,  # 垂直和水平间距
                        horizontal_spacing=0.05,
                        subplot_titles=True,  # 开启子图名称
                        legend=False  # 是否显示图例
                       )

![在这里插入图片描述][fd0ecad3e1b04914986cbf0d6f23e216.png]

[0391e2a2ce384cdf8ccfb0b1fc8b746e.png]: https://img-blog.csdnimg.cn/0391e2a2ce384cdf8ccfb0b1fc8b746e.png
[2097d0ce94bb4a028a0358447c7b4a41.png]: https://img-blog.csdnimg.cn/2097d0ce94bb4a028a0358447c7b4a41.png
[c1b45e41bd204adeb645ac36066ce63f.png]: https://img-blog.csdnimg.cn/c1b45e41bd204adeb645ac36066ce63f.png
[9e702ba4cb0240a19c24fcd0f8dddf23.png]: https://img-blog.csdnimg.cn/9e702ba4cb0240a19c24fcd0f8dddf23.png
[3e23d5bee8054048add72fe43e9f645c.png]: https://img-blog.csdnimg.cn/3e23d5bee8054048add72fe43e9f645c.png
[09640efa285a407f9c726fb02a8409be.png]: https://img-blog.csdnimg.cn/09640efa285a407f9c726fb02a8409be.png
[4638dd31e6e94a99a829c427ee62292d.png]: https://img-blog.csdnimg.cn/4638dd31e6e94a99a829c427ee62292d.png
[4a0ee470806f42118a0701eaa56b9b93.png]: https://img-blog.csdnimg.cn/4a0ee470806f42118a0701eaa56b9b93.png
[630404052dee4321a43d435e07b0a32d.png]: https://img-blog.csdnimg.cn/630404052dee4321a43d435e07b0a32d.png
[84bae07aa25a4e28a2e39e8e56972bbd.png]: https://img-blog.csdnimg.cn/84bae07aa25a4e28a2e39e8e56972bbd.png
[ec220cfe11844d399a94c66a29e7e04a.png]: https://img-blog.csdnimg.cn/ec220cfe11844d399a94c66a29e7e04a.png
[6abfe025a98d4bcf95806236b69c6685.png]: https://img-blog.csdnimg.cn/6abfe025a98d4bcf95806236b69c6685.png
[413bed91513846e391e2f03e5b0cfe47.png]: https://img-blog.csdnimg.cn/413bed91513846e391e2f03e5b0cfe47.png
[2b378da856a5425badef506deec6a42d.png]: https://img-blog.csdnimg.cn/2b378da856a5425badef506deec6a42d.png
[23c19bccb80f4f788c99bb1ac35dbbee.png]: https://img-blog.csdnimg.cn/23c19bccb80f4f788c99bb1ac35dbbee.png
[8d81950749a94b3bb81ecc175e50d9fc.png]: https://img-blog.csdnimg.cn/8d81950749a94b3bb81ecc175e50d9fc.png
[d87975262d4a405b8a447d1158fbc1c1.png]: https://img-blog.csdnimg.cn/d87975262d4a405b8a447d1158fbc1c1.png
[f1399026ff714942aabc3a9c7e1c9f5e.png]: https://img-blog.csdnimg.cn/f1399026ff714942aabc3a9c7e1c9f5e.png
[2f5f3762352f4518895b854140c8a249.png]: https://img-blog.csdnimg.cn/2f5f3762352f4518895b854140c8a249.png
[0c5426f4252141ebad7f874d82f0f9ae.png]: https://img-blog.csdnimg.cn/0c5426f4252141ebad7f874d82f0f9ae.png
[077bfc69680d4fa39c893ae408fe1bf2.png]: https://img-blog.csdnimg.cn/077bfc69680d4fa39c893ae408fe1bf2.png
[c493891dec0d48b7b86bfef59e20191a.png]: https://img-blog.csdnimg.cn/c493891dec0d48b7b86bfef59e20191a.png
[f83a2db9d4a54dffbda9a9c6ba83b619.png]: https://img-blog.csdnimg.cn/f83a2db9d4a54dffbda9a9c6ba83b619.png
[dbffb150114d4a33acd3e2942690ac9e.png]: https://img-blog.csdnimg.cn/dbffb150114d4a33acd3e2942690ac9e.png
[ab4367182b0c4a359b2b74046860fc1b.png]: https://img-blog.csdnimg.cn/ab4367182b0c4a359b2b74046860fc1b.png
[86c925c538e2460e8a6ad24782be9dde.png]: https://img-blog.csdnimg.cn/86c925c538e2460e8a6ad24782be9dde.png
[47edd51f32084af98658ff9c6bb5e096.png]: https://img-blog.csdnimg.cn/47edd51f32084af98658ff9c6bb5e096.png
[fb8786ff15344f11b8511f8fed1995ca.png]: https://img-blog.csdnimg.cn/fb8786ff15344f11b8511f8fed1995ca.png
[fd0ecad3e1b04914986cbf0d6f23e216.png]: https://img-blog.csdnimg.cn/fd0ecad3e1b04914986cbf0d6f23e216.png