flinck 使用python 效率高吗

在学习可视化的时候发现了一个非常棒的工具cufflinks，可以交互式的绘制图像，并且非常酷炫，记录一下使用方法：

一、cufflinks介绍

1.1 简介

  学过Python数据分析的朋友都知道，在可视化的工具中，有很多优秀的三方库，比如matplotlib，seaborn，plotly，pyecharts等等。这些可视化库都有自己的特点，在实际应用中也广为大家使用。

  就像seaborn封装了matplotlib一样，cufflinks在plotly的基础上做了一进一步的包装，方法统一，参数配置简单。其次它还可以结合pandas的dataframe随意灵活地画图。可以把它形容为"pandas like visualization"。

1.2 安装

pip install cufflinks
'''
Collecting cufflinks
  Using cached https://files.pythonhosted.org/packages/5e/5a/db3d6523ee870ecc229008b209b6b21231397302de34f9c446929a41f027/cufflinks-0.16.tar.gz
...................................................................................
Successfully built cufflinks retrying
Installing collected packages: retrying, plotly, colorlover, cufflinks
Successfully installed colorlover-0.3.0 cufflinks-0.16 plotly-3.10.0 retrying-1.3.3
'''

1.3 cufflinks包介绍

import cufflinks as cf
print(cf.help())

Use 'cufflinks.help(figure)' to see the list of available parameters for the given figure.
Use 'DataFrame.iplot(kind=figure)' to plot the respective figure
Figures:
	bar
	box
	bubble
	bubble3d
	candle
	choroplet
	distplot
	heatmap
	histogram
	ohlc
	pie
	ratio
	scatter
	scatter3d
	scattergeo
	spread
	surface
	violin
None

1.4 使用方法

使用方法其实很简单，我总结一下，它的格式大致是这样的：

DataFrame.Figure.iplot

DataFrame：代表pandas的数据框；
Figure：代表我们上面看到的可绘制图形，比如bar、box、histogram等等；
iplot：代表绘制方法，其中有很多参数可以进行配置，调节符合你自己风格的可视化图形；

import pandas as pd
import numpy as np
import cufflinks as cf
# 如果使用online模式，那么生成的图形是有限制的。所以，我们这里先设置为offline模式，这样就避免了出现次数限制问题。
cf.set_config_file(offline=True)
df = pd.read_csv('./PimaIndiansdiabetes.csv')
print(df.shape)  #(768, 9)

2.0 条形图 bar

# 随机生成bar 条形图
df1=pd.DataFrame(np.random.rand(12, 4), columns=['a', 'b', 'c', 'd'])	
df1.iplot(kind='bar',barmode='stack')

# Pima生成bar 条形图
df.iloc[0:66,0:3].iplot(kind='bar',barmode='stack')

2.1 histogram直方图

# 随机生成histogram直方图
cf.datagen.histogram(3).iplot(kind='histogram')

# Pima生成histogram直方图
df.iloc[:,0:3].iplot(kind='histogram')

2.2 box箱型图

# box箱型图,可以看到，x轴每个box都有对应的名称，这是因为cufflinks通过kind参数识别了box图形，
# 自动为它生成的名字。如果我们只生成随机数，它是这样子的，默认生成100行的随机分布的数据，列数由自己选定。
cf.datagen.box(20).iplot(kind='box',legend=False)

print(df.columns)
'''
Index(['Pregnancies', 'Glucose', 'BloodPressure', 'SkinThickness', 'Insulin',
       'BMI', 'DiabetesPedigreeFunction', 'Age', 'Outcome'],
      dtype='object')
'''
df.iplot(kind='box',legend=False)

2.3 scatter散点图

# scatter散点图df.iplot(kind='scatter',
         mode='markers',
         colors=[
             'orange', 'teal', 'blue', 'yellow', 'black', 'red', 'green',
             'magenta', 'cyan'
         ],
         size=5)

2.4 lines 线图

# 随机数绘图,'DataFrame' object has no attribute 'lines'
cf.datagen.lines(1,500).ta_plot(study='sma',periods=[13,21,55])
'''
1）cufflinks使用datagen生成随机数；

2）figure定义为lines形式，数据为(1,500)；

3）然后再用ta_plot绘制这一组时间序列，参数设置SMA展现三个不同周期的时序分析。

2.5 bubble气泡图

# bubble气泡图
d = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
d.iplot(kind='bubble',x='a',y='b',size='a')

# bubble气泡图
# pPma bubble气泡图
d = df.iloc[0:100,:]
#size决定了圈的大小
d.iplot(kind='bubble',x='Glucose',y='DiabetesPedigreeFunction',size='DiabetesPedigreeFunction')

2.6 3d 图

#随机数生成3d 图
cf.datagen.scatter3d(5,4).iplot(kind='scatter3d',x='x',y='y',z='z',text='text',categories='categories')

2.7 scatter matrix 散点矩阵图

#随机scatter matrix 散点矩阵图
df2 = pd.DataFrame(np.random.randn(1000, 4), columns=['a', 'b', 'c', 'd'])	
df2.scatter_matrix()

#Pima scatter matrix 散点矩阵图
df.iloc[0:200,0:5].scatter_matrix()

2.8 subplots 子图

#随机subplots 子图
df3=cf.datagen.lines(4)	
df3.iplot(subplots=True,shape=(4,1),shared_xaxes=True,vertical_spacing=.02,fill=True)

#Pima subplots 子图
df.iloc[0:200,0:5].iplot(subplots=True,shape=(5,1),shared_xaxes=True,vertical_spacing=.02,fill=True)

df.iloc[0:200,0:6].iplot(subplots=True,subplot_titles=True,legend=False)

2.9 shapes 形状图

# 随机shapes 形状图
df5=cf.datagen.lines(3,columns=['a','b','c'])	
df5.iplot(hline=[dict(y=-1,color='blue',width=3),dict(y=1,color='pink',dash='dash')])
# 将某个区域标记出来，可以使用hspan类型。竖条的区域，可以用vspan类型。
df5.iplot(hspan=[(-1,1),(2,5)])

# Pima shapes 形状图
df.iloc[0:200,0:6].iplot(hline=[dict(y=-1,color='blue',width=3),dict(y=1,color='pink',dash='dash')])
# 将某个区域标记出来，可以使用hspan类型。竖条的区域，可以用vspan类型。
df.iloc[0:200,0:6].iplot(hspan=[(100,120),(220,250)])

三、总结

help(df.iplot)

数据集和jupyter文件链接：https://pan.baidu.com/s/1O5ukYe41iAO9v_czHbs5CA

提取码：by2a