Визуализация визуализации интерактивной визуализации гистограммы

Ответ 1

Вот новое решение, использующее bokeh и HoloViews. Он должен немного реагировать на интерактивную часть.

Я стараюсь помнить, что простота красива, когда дело доходит до dataviz.

Я использовал faker библиотеку, чтобы генерировать случайные названия городов, чтобы сделать следующие графики более реалистичными.

Я позволю себе все мои коды, даже если самая важная часть - выбор библиотек.

import pandas as pd
import numpy as np
from faker import Faker

def generate_random_dataset(city_number, 
                        list_identifier,
                        labels,
                        bins,
                        city_location='en_US'):

    fake = Faker(locale=city_location)

    df = pd.DataFrame(data=np.random.uniform(0, 100, len(list_identifier)]), 
                      index=[fake.city() for _ in range(city_number)], 
                      columns=list_identifier)

    for name in list_identifier:
        df[name + 'bkt'] =  pd.Series(pd.cut(df[name], bins, labels=labels))

    return df

list_identifier=list('ABC')
labels = ['Low', 'Medium', 'Average', 'Good', 'Great']
bins = np.array([-1, 20, 40, 60, 80, 101])

df = generate_random_dataset(30, list_identifier, labels, bins)

df.head()

будет выводиться:

Иногда, когда ваш набор данных мал, достаточно разоблачить простой график с цветами.

from bokeh.charts import Bar, output_file, show
from bokeh.layouts import column

bar = []
for name in list_identifier:
    bar.append(Bar(df, label='index', values=name, stack=name+'bkt',
               title="percentage of " + name, legend='top_left', plot_width=1024))

output_file('cities.html')

show(column(bar))

Создает новую html-страницу (города), содержащую графики. Обратите внимание, что все графики, сгенерированные с помощью bokeh, являются интерактивными.

bokeh не может первоначально построить гексбин. Однако HoloViews может. Таким образом, он позволяет рисовать интерактивные сюжеты whitin ipython notebook.

Синтаксис довольно прост, вам просто нужна матрица с двумя столбцами и вызовите метод hist:

import holoviews as hv
hv.notebook_extension('bokeh')

df = generate_random_dataset(1000, list_identifier, list(range(5)), 5)

points = hv.Points(np.column_stack((df.A, df.B)))
points.hist(num_bins=5, dimension=['x', 'y'])

Чтобы сравнить с решением @piRSquared, я украл немного кода (спасибо вам, чтобы показать данные с некоторой корреляцией:

mean, cov = [0, 1], [(1, .5), (.5, 1)]
data = np.random.multivariate_normal(mean, cov, 100000)
df = pd.DataFrame(data, columns=["A", "B"])

df.index = df.index.to_series().astype(str).radd('city')

df_ = pd.cut(df[['A', 'B']].stack(), 30, labels=list(range(30))).unstack()
df_.columns = df_.columns.to_series() + 'bkt'

points = hv.Points(np.column_stack((df_.Abkt, df_.Bbkt)))
points.hist(num_bins=5, dimension=['x', 'y'])

Пожалуйста, рассмотрите HoloViews tutorial.

Ответ 2

Чтобы получить эффект взаимодействия, который вы ищете, вы должны объединить все столбцы, о которых вы заботитесь, вместе.

Самый чистый способ, который я могу сделать, это stack в один series, затем использовать pd.cut

Учитывая ваш образец df

df_ = pd.cut(df[['A', 'B']].stack(), 5, labels=list(range(5))).unstack()
df_.columns = df_.columns.to_series() + 'bkt'
pd.concat([df, df_], axis=1)

Давайте построим лучший пример и посмотрим на визуализацию с помощью seaborn

df = pd.DataFrame(dict(A=(np.random.randn(10000) * 100 + 20).astype(int),
                       B=(np.random.randn(10000) * 100 - 20).astype(int)))

import seaborn as sns

df.index = df.index.to_series().astype(str).radd('city')

df_ = pd.cut(df[['A', 'B']].stack(), 30, labels=list(range(30))).unstack()
df_.columns = df_.columns.to_series() + 'bkt'

sns.jointplot(x=df_.Abkt, y=df_.Bbkt, kind="scatter", color="k")

Или как насчет некоторых данных с некоторой корреляцией

mean, cov = [0, 1], [(1, .5), (.5, 1)]
data = np.random.multivariate_normal(mean, cov, 100000)
df = pd.DataFrame(data, columns=["A", "B"])

df.index = df.index.to_series().astype(str).radd('city')

df_ = pd.cut(df[['A', 'B']].stack(), 30, labels=list(range(30))).unstack()
df_.columns = df_.columns.to_series() + 'bkt'

sns.jointplot(x=df_.Abkt, y=df_.Bbkt, kind="scatter", color="k")

Интерактивный bokeh

Без слишком сложного

from bokeh.io import show, output_notebook, output_file

from bokeh.plotting import figure
from bokeh.layouts import row, column
from bokeh.models import ColumnDataSource, Select, CustomJS

output_notebook()

# generate random data
flips = np.random.choice((1, -1), (5, 5))
flips = np.tril(flips, -1) + np.triu(flips, 1) + np.eye(flips.shape[0])

half = np.ones((5, 5)) / 2
cov = (half + np.diag(np.diag(half))) * flips
mean = np.zeros(5)

data = np.random.multivariate_normal(mean, cov, 10000)
df = pd.DataFrame(data, columns=list('ABCDE'))

df.index = df.index.to_series().astype(str).radd('city')

# Stack and cut to get dependent relationships
b = 20
df_ = pd.cut(df.stack(), b, labels=list(range(b))).unstack()

# assign default columns x and y.  These will be the columns I set bokeh to read
df_[['x', 'y']] = df_.loc[:, ['A', 'B']]

source = ColumnDataSource(data=df_)

tools = 'box_select,pan,box_zoom,wheel_zoom,reset,resize,save'

p = figure(plot_width=600, plot_height=300)
p.circle('x', 'y', source=source, fill_color='olive', line_color='black', alpha=.5)

def gcb(like, n):
    code = """
    var data = source.get('data');
    var f = cb_obj.get('value');
    data['{0}{1}'] = data[f];
    source.trigger('change');
    """
    return CustomJS(args=dict(source=source), code=code.format(like, n))

xcb = CustomJS(
    args=dict(source=source),
    code="""
    var data = source.get('data');
    var colm = cb_obj.get('value');
    data['x'] = data[colm];
    source.trigger('change');
    """
)

ycb = CustomJS(
    args=dict(source=source),
    code="""
    var data = source.get('data');
    var colm = cb_obj.get('value');
    data['y'] = data[colm];
    source.trigger('change');
    """
)

options = list('ABCDE')
x_select = Select(options=options, callback=xcb, value='A')
y_select = Select(options=options, callback=ycb, value='B')


show(column(p, row(x_select, y_select)))

Ответ 3

Как новичок с недостаточной репутацией, я не могу комментировать, поэтому я ставлю это здесь как "ответ", хотя его нельзя рассматривать как один; это лишь некоторые неполные предложения в том же духе, что и комментарии.

Наряду с другими мне нравится seaborn, хотя я не уверен, что эти сюжеты являются интерактивными в том виде, в котором вы ищете. Хотя я не использовал bokeh, я понимаю, что он обеспечивает больше возможностей интерактивности, но независимо от пакета, поскольку вы переходите за пределы 3 и 4 переменных, вы можете так сильно влизать в одно (семейство) графики.

Как и в вашей таблице, вышеупомянутый df.hist() (lanery) является хорошим началом. После того, как у вас есть эти бункеры, вы можете играть с чрезвычайно мощной df.groupby() функцией. Я использую pandas уже два года, и эта функция STILL дует мне в голову. Хотя это и не интерактивно, это определенно поможет вам нарезать и нарезать ваши данные по своему усмотрению.