蓝狮平台_蓝狮注册登录云技术中心

蓝狮面向小白的最全Python可视化教程,超全的

image.png


今天小编总结归纳了若干个常用的可视化图表,并且通过调用plotly、matplotlib、altair、bokeh和seaborn等模块来分别绘制这些常用的可视化图表,最后无论是绘制可视化的代码,还是会指出来的结果都会通过调用streamlit模块展示在一个可视化大屏,出来的效果如下图所示


面向小白的最全<a href='/map/<a href='/map/python/' style='color:#000;font-size:14px;'>python</a>keshihua/' style='color:#000;font-size:14px;'>Python可视化</a>教程,蓝狮平台官网注册超全的

那我们接下去便一步一步开始可视化大屏的制作吧!


标题、副标题以及下拉框

首先我们对标题、副标题部分的内容,代码如下


with st.container():

    st.title("pythonkeshihua/' style='color:#000;font-size:14px;'>Python可视化合集")

    st.header("经典常用的pythonkeshihua/' style='color:#000;font-size:14px;'>Python可视化模块")

    st.write("""包括代码和可视化图表展示""")

然后便是下拉框的制作,代码如下


plot_types = ( "Scatter", "Histogram", "Bar", "Line", "Boxplot" ) # 选择绘制的图表种类 chart_type = st.selectbox("Choose your chart type", plot_types)


with st.container():

    st.subheader(f"Showing:  {chart_type}")

    st.write("")

对于图表的展示可以选择是“双排式”的,如下图所示


面向小白的最全<a href='/map/<a href='/map/python/' style='color:#000;font-size:14px;'>python</a>keshihua/' style='color:#000;font-size:14px;'>Python可视化</a>教程,超全的

也可以选择是沉浸式的,也即是“单排式”的,如下图所示


面向小白的最全<a href='/map/<a href='/map/python/' style='color:#000;font-size:14px;'>python</a>keshihua/' style='color:#000;font-size:14px;'>Python可视化</a>教程,超全的

代码如下


two_cols = st.checkbox("2 columns?", True) if two_cols:

    col1, col2 = st.columns(2) # 展示图表 if two_cols: with col1:

        show_plot(kind="Matplotlib") with col2:

        show_plot(kind="Seaborn") with col1:

        show_plot(kind="Plotly Express") with col2:

        show_plot(kind="Altair") with col1:

        show_plot(kind="Pandas Matplotlib") with col2:

        show_plot(kind="Bokeh") else: with st.container(): for lib in libs:

            show_plot(kind=lib)

对于双排式的展示方式而言,col1也就是左边,放置的是matplotlib、plotly、以及pandas绘制出来的图表,右边也就是col2也就是右边,放置的是seaborn、altair以及bokeh绘制出来的图表,而上述代码中调用的show_plot()函数代码如下


# 生成图表 def show_plot(kind: str): st.write(kind) if kind == "Matplotlib":

        plot = matplotlib_plot(chart_type, df)

        st.pyplot(plot) elif kind == "Seaborn":

        plot = sns_plot(chart_type, df)

        st.pyplot(plot) elif kind == "Plotly Express":

        plot = plotly_plot(chart_type, df)

        st.plotly_chart(plot, use_container_width=True) elif kind == "Altair":

        plot = altair_plot(chart_type, df)

        st.altair_chart(plot, use_container_width=True) elif kind == "Pandas Matplotlib":

        plot = pd_plot(chart_type, df)

        st.pyplot(plot) elif kind == "Bokeh":

        plot = bokeh_plot(chart_type, df)

        st.bokeh_chart(plot, use_container_width=True)

是一系列if...else...的判断,当绘制图表的模块是matplotlib时就调用对应的matplotlib_plot()函数,当绘制图表的模块是seaborn时就调用对应的sns_plot()函数,依次同理。我们来看其中一个函数sns_plot()的具体逻辑,代码如下


def sns_plot(chart_type: str, df): """ 生成seaborn绘制的图表 """ fig, ax = plt.subplots() if chart_type == "Scatter": with st.echo():

            sns.scatterplot(

                data=df,

                x="bill_depth_mm",

                y="bill_length_mm",

                hue="species",

            )

            plt.title("Bill Depth by Bill Length") elif chart_type == "Histogram": with st.echo():

            sns.histplot(data=df, x="bill_depth_mm")

            plt.title("Count of Bill Depth Observations") elif chart_type == "Bar": with st.echo():

            sns.barplot(data=df, x="species", y="bill_depth_mm")

            plt.title("Mean Bill Depth by Species") elif chart_type == "Boxplot": with st.echo():

            sns.boxplot(data=df["bill_depth_mm"].dropna())

            plt.title("Bill Depth Observations") elif chart_type == "Line": with st.echo():

            sns.lineplot(data=df, x=df.index, y="bill_length_mm")

            plt.title("Bill Length Over Time") return fig

其实也是一系列if...else...的判断,当所要绘制的图表是散点图时,蓝狮注册研发专利调用的是sns.scatterplot()函数,所要绘制的是直方图时,调用的是sns.histplot(),绘制的柱状图或者是折线图时也是同理


最后要是我们想要查看源数据时,也可以查看,代码如下


# 展示源数据 with st.container():

    show_data = st.checkbox("See the raw data?") if show_data:

        df # 要点 st.subheader("Notes")

    st.write( """

        - 这个应用是通过python当中的streamlit模块制作出来的

        - 关注"关于数据分析与可视化",学习更多数据分析和可视化知识与技能

        """ )

output