0/前言

用Python做数据分析离不开pandas包，pnadas更多的是承载数据处理的角色。
虽然pandas中也内置了可视化的操作，但效果很糙。

因此，大家在用python做数据分析时，正常的做法是用先pandas先进行数据处理，
然后再用Matplotlib、Seaborn、Plotly、Bokeh等包对dataframe对象或者series对象进行可视化操作。

但是说实话，以上每个可视化包都有自己独特的方法和函数，经常忘，这是让我一直很头疼的地方。

好消息来了！
从最新的pandas版本0.25.3开始，数据处理和可视化完全可以用pandas一个就全部搞定。

pandas现在可以使用Plotly、Bokeh作为可视化的backend，直接实现交互性操作，无需再单独使用可视化包了。

1/激活backend

在import pandas as pd之后，还需要激活backend，才可以使用pandas进行可视化。
直接使用下面这段代码激活backend，目前，pandas的backend支持以下几个可视化包。

-  Pandas_bokeh
-  Plotly
-  Holoviews
-  Matplotlib 
-  Hyplot

   # 激活backend，需要以下的代码
   
   pd.options.plotting.backend = 'plotly'
   
   #当然，以下也是可以的
   pd.options.plotting.backend = 'Pandas_bokeh'
   pd.options.plotting.backend = 'Holoviews'
   pd.options.plotting.backend = 'Matplotlib'
   pd.options.plotting.backend = 'Hyplot'

2/Plotly backend

Plotly的好处是，它基于Javascript版本的库写出来的，
因此生成的Web可视化图表，可以显示为HTML文件或嵌入基于Python的Web应用程序中。

下面看下如何用plotly作为pandas的backend进行可视化。

如果还没安装Plotly，则需要安装它pip intsall plotly。
如果是在Jupyterlab中使用Plotly，那还需要执行以下几个额外的安装步骤来显示可视化效果:

   #首先安装IPywidgets
   pip install jupyterlab "ipywidgets>=7.5"
   
   #然后运行此命令以安装`Plotly`扩展
   jupyter labextension install jupyterlab-plotly@4.8.1

   import pandas as pd 
   import numpy as np 
   from sklearn.datasets import fetch_openml 
   
   pd.options.plotting.backend = 'plotly' 
   
   #该数据集是葡萄酒相关的，包含葡萄酒类型的许多功能和相应的标签
   X,y = fetch_openml("wine", version=1, as_frame=True, return_X_y=True) 
   data = pd.concat([X,y], axis=1) 
   data.head()

下面的代码绘制了数据集中两个要素之间的关系:

   fig = data[['Alcohol', 'Proline']].plot.scatter(y='Alcohol', x='Proline')   
   fig.show()

如果将鼠标悬停在图表上，可以选择将图表下载为高质量的图像文件。

data[['Hue','class']].groupby(['class']).mean().plot.bar()

fig = data[['Hue', 'Proline', 'class']].plot.scatter(x='Hue', y='Proline', color='class', title='Proline and Hue by wine class') fig.show()

3/Bokeh backend

Bokeh是另一个Python可视化包，也可提供丰富的交互式可视化效果。
Bokeh还具有streaming API，可以为比如金融市场等流数据创建实时可视化。

老样子，用pip安装即可，pip install pandas-bokeh
为了在Jupyterlab中显示Bokeh可视化效果，还需要安装两个新的扩展。
jupyter labextension install @jupyter-widgets/jupyterlab-manager 
jupyter labextension install @bokeh/jupyter_bokeh


下面我们使用`Bokeh backend`重新创建刚刚`plotly`实现的的散点图。

    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)

`Bokeh`还具有`plot_grid`函数，可以为多个图表创建类似于仪表板的布局，
下面在网格布局中创建了四个图表。

    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 per Class: 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)

可以看到，可视化的部分都是在`pandas`的`dataframe`基础上一行代码搞定，最后`plot_grid`完成布局

4/总结

在内置的`Pandas`绘图功能增加多个第三方可视化backend，大大增强了`pandas`用于数据可视化的功能，
今后可能真的不需再去学习众多可视化操作了

pandas：直接做可视化

0/前言

1/激活backend

2/Plotly backend

3/Bokeh backend

4/总结