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。