摘要：有一個(gè)專門生成隨機(jī)數(shù)的方法，叫做，用于生成不同維度的隨機(jī)數(shù)據(jù)，比如下面。線圖使用生成隨機(jī)數(shù)定義為形式，數(shù)據(jù)為然后再用繪制這一組時(shí)間序列，參數(shù)設(shè)置展現(xiàn)三個(gè)不同周期的時(shí)序分析。

作者：xiaoyu

微信公眾號(hào)：Python數(shù)據(jù)科學(xué)

知乎：python數(shù)據(jù)分析師

學(xué)過Python數(shù)據(jù)分析的朋友都知道，在可視化的工具中，有很多優(yōu)秀的三方庫(kù)，比如matplotlib，seaborn，plotly，Boken，pyecharts等等。這些可視化庫(kù)都有自己的特點(diǎn)，在實(shí)際應(yīng)用中也廣為大家使用。

plotly、Boken等都是交互式的可視化工具，結(jié)合Jupyter notebook可以非常靈活方便地展現(xiàn)分析后的結(jié)果。雖然做出的效果非常的炫酷，比如plotly，但是每一次都需要寫很長(zhǎng)的代碼，一是麻煩，二是不便于維護(hù)。

我覺得在數(shù)據(jù)的分析階段，更多的時(shí)間應(yīng)該放在分析上，維度選擇、拆解合并，業(yè)務(wù)理解和判斷。如果既可以減少代碼量，又可以做出炫酷可視化效果，那將大大提高效率。當(dāng)然如果有特別的需求除外，此方法僅針對(duì)想要快速可視化進(jìn)行分析的人。

本篇給大家介紹一個(gè)非常棒的工具，cufflinks，可以完美解決這個(gè)問題,且效果一樣炫酷。

就像seaborn封裝了matplotlib一樣，cufflinks在plotly的基礎(chǔ)上做了一進(jìn)一步的包裝，方法統(tǒng)一，參數(shù)配置簡(jiǎn)單。其次它還可以結(jié)合pandas的dataframe隨意靈活地畫圖?？梢园阉稳轂?pandas like visualization"。

毫不夸張地說，畫出各種炫酷的可視化圖形，我只需一行代碼，效率非常高，同時(shí)也降低了使用的門檻兒。cufflinks的github鏈接如下：

https://github.com/santosjorg...

安裝不多說，直接pip install即可。

pip install cufflinks

cufflinks庫(kù)一直在不斷更新，目前最新版為V0.14.0，支持plotly3.0。首先我們看看它都支持哪些種類的圖形，可以通過help來查看。

import cufflinks as cf
cf.help()

Use "cufflinks.help(figure)" to see the list of available parameters for the given figure.
Use "DataFrame.iplot(kind=figure)" to plot the respective figure
Figures:
  bar
  box
  bubble
  bubble3d
  candle
  choroplet
  distplot
  heatmap
  histogram
  ohlc
  pie
  ratio
  scatter
  scatter3d
  scattergeo
  spread
  surface
  violin

使用方法其實(shí)很簡(jiǎn)單，我總結(jié)一下，它的格式大致是這樣的：

DataFrame：代表pandas的數(shù)據(jù)框；

Figure：代表我們上面看到的可繪制圖形，比如bar、box、histogram等等；

iplot：代表繪制方法，其中有很多參數(shù)可以進(jìn)行配置，調(diào)節(jié)符合你自己風(fēng)格的可視化圖形；

我們通過幾個(gè)實(shí)例感受一下上面的使用方法。使用過plotly的朋友可能知道，如果使用online模式，那么生成的圖形是有限制的。所以，我們這里先設(shè)置為offline模式，這樣就避免了出現(xiàn)次數(shù)限制問題。

import pandas as pd
import cufflinks as cf
import numpy as np

cf.set_config_file(offline=True)

然后我們需要按照上面的使用格式來操作，首先我們需要有個(gè)DataFrame，如果手頭沒啥數(shù)據(jù)，那可以先生成個(gè)隨機(jī)數(shù)。cufflinks有一個(gè)專門生成隨機(jī)數(shù)的方法，叫做datagen，用于生成不同維度的隨機(jī)數(shù)據(jù)，比如下面。

cf.datagen.lines(1,500).ta_plot(study="sma",periods=[13,21,55])

1）cufflinks使用datagen生成隨機(jī)數(shù)；

2）figure定義為lines形式，數(shù)據(jù)為(1,500)；

3）然后再用ta_plot繪制這一組時(shí)間序列，參數(shù)設(shè)置SMA展現(xiàn)三個(gè)不同周期的時(shí)序分析。

還是與上面用法一樣，一行代碼解決。

cf.datagen.box(20).iplot(kind="box",legend=False)

可以看到，x軸每個(gè)box都有對(duì)應(yīng)的名稱，這是因?yàn)閏ufflinks通過kind參數(shù)識(shí)別了box圖形，自動(dòng)為它生成的名字。如果我們只生成隨機(jī)數(shù)，它是這樣子的，默認(rèn)生成100行的隨機(jī)分布的數(shù)據(jù)，列數(shù)由自己選定。

cf.datagen.histogram(3).iplot(kind="histogram")

和plotly一樣，我們可以通過一些輔助的小工具框選或者lasso選擇來區(qū)分和選定指定區(qū)域，只要一行代碼。

當(dāng)然了，除了隨機(jī)數(shù)據(jù)，任何的其它dataframe數(shù)據(jù)框都可以，包括我們自己導(dǎo)入的數(shù)據(jù)。

df=pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
df.iplot(kind="bar",barmode="stack")

上面我們生成了一個(gè)(10,4)的dataframe數(shù)據(jù)框，名稱分別是a,b,c,d。那么cufflinks將會(huì)根據(jù)iplot中的kind種類自動(dòng)識(shí)別并繪制圖形。參數(shù)設(shè)置為堆疊模式。

df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])
df.iplot(kind="scatter",mode="markers",colors=["orange","teal","blue","yellow"],size=10)

df.iplot(kind="bubble",x="a",y="b",size="c")

df = pd.DataFrame(np.random.randn(1000, 4), columns=["a", "b", "c", "d"])
df.scatter_matrix()

df=cf.datagen.lines(4)
df.iplot(subplots=True,shape=(4,1),shared_xaxes=True,vertical_spacing=.02,fill=True)

df.iplot(subplots=True,subplot_titles=True,legend=False)

再比如復(fù)雜一點(diǎn)的。

df=cf.datagen.bubble(10,50,mode="stocks")
figs=cf.figures(df,[dict(kind="histogram",keys="x",color="blue"),
                    dict(kind="scatter",mode="markers",x="x",y="y",size=5),
                    dict(kind="scatter",mode="markers",x="x",y="y",size=5,color="teal")],asList=True)
figs.append(cf.datagen.lines(1).figure(bestfit=True,colors=["blue"],bestfit_colors=["pink"]))
base_layout=cf.tools.get_base_layout(figs)
sp=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.15,horizontal_spacing=.03,
               specs=[[{"rowspan":2},{}],[None,{}],[{"colspan":2},None]],
               subplot_titles=["Histogram","Scatter 1","Scatter 2","Bestfit Line"])
sp["layout"].update(showlegend=False)
cf.iplot(sp)

如果我們想在lines圖上增加一些直線作為參考基準(zhǔn)，這時(shí)候我們可以使用hlines的類型圖。

df=cf.datagen.lines(3,columns=["a","b","c"])
df.iplot(hline=[dict(y=-1,color="blue",width=3),dict(y=1,color="pink",dash="dash")])

或者是將某個(gè)區(qū)域標(biāo)記出來，可以使用hspan類型。

df.iplot(hspan=[(-1,1),(2,5)])

又或者是豎條的區(qū)域，可以用vspan類型。

df.iplot(vspan={"x0":"2015-02-15","x1":"2015-03-15","color":"teal","fill":True,"opacity":.4})

如果對(duì)iplot中的參數(shù)不熟練，直接輸入以下代碼即可查詢。

help(df.iplot)

怎么樣，是不是非?？旖莘奖?？以上介紹是一般的可繪制類型，當(dāng)然你可以根據(jù)自己的需求做出更多的可視化圖形。如果是常規(guī)圖形，一行即可實(shí)現(xiàn)。除此外，cufflinks還有強(qiáng)大的顏色管理功能，如果感興趣可以自行學(xué)習(xí)。

如果覺得有幫助，還請(qǐng)給點(diǎn)個(gè)贊！

歡迎關(guān)注我的個(gè)人公眾號(hào)：Python數(shù)據(jù)科學(xué)