统计图表这么多？这个可视化工具太赞了~~（数据可视化就是各种统计图表这句话对吗）

统计图表这么多？这个可视化工具太赞了~~（数据可视化就是各种统计图表这句话对吗）

最近一直在整理统计图表的绘制方法，发现Python中除了经典Seaborn库外，还有一些优秀的可交互的第三方库也能实现一些常见的统计图表绘制，而且其还拥有Matplotlib、Seaborn等库所不具备的交互效果。

当然，同时也能绘制出版级别的图表要求，此外，一些在使用Matplotlib需自定义函数才能绘制的图表在一些第三方库中都集成了，这也大大缩短了绘图时间。

今天我就详细介绍一个优秀的第三方库-HoloViews，内容主要如下：

Python-HoloViews库介绍Python-HoloViews库样例介绍

【注】文末提供技术交流群

Python-HoloViews库介绍

Python-HoloViews库作为一个开源的可视化库，其目的是使数据分析结果和可视化完美衔接，其默认的绘图主题和配色以及较少的绘图代码量，可以使你专注于数据分析本身，同时其统计绘图功能也非常优秀。更多关于HoloViews库的介绍，可参考：Python-HoloViews库官网[1]

Python-HoloViews库样例介绍

这一部分小编重点放在一些统计图表上，其绘制结果不仅可以在网页上交互，同时其默认的绘图结果也完全满足出版界别的要求，主要内容如下(以下图表都是可交互的)：

「密度图+箱线图」

import pandas as pdimport holoviews as hvfrom bokeh.sampledata import autompghv.extension('bokeh')df = autompg.autompg_cleanbw = hv.BoxWhisker(df, kdims=["origin"], vdims=["mpg"])dist = hv.NdOverlay( {origin: hv.Distribution(group, kdims=["mpg"]) for origin, group in df.groupby("origin")})bw + dist

密度图+箱线图

「散点图+横线图」

scatter = hv.Scatter(df, kdims=["origin"], vdims=["mpg"]).opts(jitter=0.3)yticks = [(i + 0.25, origin) for i, origin in enumerate(df["origin"].unique())]spikes = hv.NdOverlay( { origin: hv.Spikes(group["mpg"]).opts(position=i) for i, (origin, group) in enumerate(df.groupby("origin", sort=False)) }).opts(hv.opts.Spikes(spike_length=0.5, yticks=yticks, show_legend=False, alpha=0.3))scatter + spikes

散点图+横线图

「Iris Splom」

from bokeh.sampledata.iris import flowersfrom holoviews.operation import gridmatrixds = hv.Dataset(flowers)grouped_by_species = ds.groupby('species', container_type=hv.NdOverlay)grid = gridmatrix(grouped_by_species, diagonal_type=hv.Scatter)grid.opts(opts.Scatter(tools=['hover', 'box_select'], bgcolor='#efe8e2', fill_alpha=0.2, size=4))

Iris Splom

「面积图」

# create some example datapython=np.array([2, 3, 7, 5, 26, 221, 44, 233, 254, 265, 266, 267, 120, 111])pypy=np.array([12, 33, 47, 15, 126, 121, 144, 233, 254, 225, 226, 267, 110, 130])jython=np.array([22, 43, 10, 25, 26, 101, 114, 203, 194, 215, 201, 227, 139, 160])dims = dict(kdims='time', vdims='memory')python = hv.Area(python, label='python', **dims)pypy = hv.Area(pypy, label='pypy', **dims)jython = hv.Area(jython, label='jython', **dims)opts.defaults(opts.Area(fill_alpha=0.5))overlay = (python * pypy * jython)overlay.relabel("Area Chart") + hv.Area.stack(overlay).relabel("Stacked Area Chart")

面积图

「直方图系列」

def get_overlay(hist, x, pdf, cdf, label): pdf = hv.Curve((x, pdf), label='PDF') cdf = hv.Curve((x, cdf), label='CDF') return (hv.Histogram(hist, vdims='P(r)') * pdf * cdf).relabel(label)np.seterr(divide='ignore', invalid='ignore')label = "Normal Distribution (μ=0, σ=0.5)"mu, sigma = 0, 0.5measured = np.random.normal(mu, sigma, 1000)hist = np.histogram(measured, density=True, bins=50)x = np.linspace(-2, 2, 1000)pdf = 1/(sigma * np.sqrt(2*np.pi)) * np.exp(-(x-mu)**2 / (2*sigma**2))cdf = (1+scipy.special.erf((x-mu)/np.sqrt(2*sigma**2)))/2norm = get_overlay(hist, x, pdf, cdf, label)label = "Log Normal Distribution (μ=0, σ=0.5)"mu, sigma = 0, 0.5measured = np.random.lognormal(mu, sigma, 1000)hist = np.histogram(measured, density=True, bins=50)x = np.linspace(0, 8.0, 1000)pdf = 1/(x* sigma * np.sqrt(2*np.pi)) * np.exp(-(np.log(x)-mu)**2 / (2*sigma**2))cdf = (1+scipy.special.erf((np.log(x)-mu)/(np.sqrt(2)*sigma)))/2lognorm = get_overlay(hist, x, pdf, cdf, label)label = "Gamma Distribution (k=1, θ=2)"k, theta = 1.0, 2.0measured = np.random.gamma(k, theta, 1000)hist = np.histogram(measured, density=True, bins=50)x = np.linspace(0, 20.0, 1000)pdf = x**(k-1) * np.exp(-x/theta) / (theta**k * scipy.special.gamma(k))cdf = scipy.special.gammainc(k, x/theta) / scipy.special.gamma(k)gamma = get_overlay(hist, x, pdf, cdf, label)label = "Beta Distribution (α=2, β=2)"alpha, beta = 2.0, 2.0measured = np.random.beta(alpha, beta, 1000)hist = np.histogram(measured, density=True, bins=50)x = np.linspace(0, 1, 1000)pdf = x**(alpha-1) * (1-x)**(beta-1) / scipy.special.beta(alpha, beta)cdf = scipy.special.btdtr(alpha, beta, x)beta = get_overlay(hist, x, pdf, cdf, label)label = "Weibull Distribution (λ=1, k=1.25)"lam, k = 1, 1.25measured = lam*(-np.log(np.random.uniform(0, 1, 1000)))**(1/k)hist = np.histogram(measured, density=True, bins=50)x = np.linspace(0, 8, 1000)pdf = (k/lam)*(x/lam)**(k-1) * np.exp(-(x/lam)**k)cdf = 1 - np.exp(-(x/lam)**k)weibull = get_overlay(hist, x, pdf, cdf, label)

直方图系列

「Route Chord」

import holoviews as hvfrom holoviews import opts, dimfrom bokeh.sampledata.airport_routes import routes, airportshv.extension('bokeh')# Count the routes between Airportsroute_counts = routes.groupby(['SourceID', 'DestinationID']).Stops.count().reset_index()nodes = hv.Dataset(airports, 'AirportID', 'City')chord = hv.Chord((route_counts, nodes), ['SourceID', 'DestinationID'], ['Stops'])# Select the 20 busiest airportsbusiest = list(routes.groupby('SourceID').count().sort_values('Stops').iloc[-20:].index.values)busiest_airports = chord.select(AirportID=busiest, selection_mode='nodes')busiest_airports.opts( opts.Chord(cmap='Category20', edge_color=dim('SourceID').str(), height=800, labels='City', node_color=dim('AirportID').str(), width=800))

Route Chord

「小提琴图」

import holoviews as hvfrom holoviews import dimfrom bokeh.sampledata.autompg import autompghv.extension('bokeh')violin = hv.Violin(autompg, ('yr', 'Year'), ('mpg', 'Miles per Gallon')).redim.range(mpg=(8, 45))violin.opts(height=500, width=900, violin_fill_color=dim('Year').str(), cmap='Set1')

小提琴图

更多样例可查看：Python-HoloViews样例[2]

总结

今天的推文，小编主要介绍了Python可视化库HoloViews，着重介绍了其中统计图表部分，这个库也会在小编整理的资料中出现，对于一些常见且使用Matplotlib较难绘制的图表较为友好，感兴趣的小伙伴可以学习下哦~~

参考资料

[1]Python-HoloViews库官网: https://holoviews.org/gallery/index.html。

​

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。