如何實現Python底層技術的資料視覺化-Python教學-PHP中文網

如何實現Python底層技術的資料視覺化

在當今人工智慧和大數據時代，資料視覺化成為了資料分析應用中的一個非常重要的環節。數據視覺化能夠幫助我們更直觀地理解數據，發現數據中的規律和異常，同時也能夠幫助我們更清楚地向他人傳遞自己的數據分析。

Python 是目前被廣泛使用的程式語言之一，其在資料分析和資料探勘領域表現非常出色。 Python 提供了豐富的資料視覺化函式庫，例如Matplotlib、Seaborn、Bokeh等。其中，Matplotlib是Python中最著名的資料視覺化程式庫之一，其提供了極其豐富的視覺化功能，但在Matplotlib底層的資料視覺化核心技術上，官方文件並不是非常詳細，許多開發者可能並不了解Matplotlib的底層技術是如何實現的。因此，本文將重點放在如何使用Python底層技術實現資料視覺化，並提供具體的程式碼範例。

Matplotlib 底層技術的實作

Matplotlib 是Python中廣泛使用的資料視覺化函式庫，而底層則是基於pyplot。

我們通常會先匯入視覺化函式庫，然後透過plot() 函數建立圖形實例，再透過一系列函數來建立和展示圖形。

下面給出一個簡單的例子，展示如何在 Python 中使用 Matplotlib 函式庫繪製一條以 x 軸為橫軸，y 軸為縱軸的座標曲線圖。

import matplotlib.pyplot as plt
import numpy as np

# 生成X轴的范围是(-π,π)内的等差数列
x = np.linspace(-np.pi,np.pi,256,endpoint=True)

# 计算cos(x)和sin(x)的值
C,S = np.cos(x), np.sin(x)

#创建画布和子图
fig,ax = plt.subplots()

# 画出cos(x)和sin(x)的曲线图
ax.plot(x,C,label='cos(x)')
ax.plot(x,S,label='sin(x)')

# 设置标题，x轴，y轴的名称
ax.set_title('Cos and Sin Function')
ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')

# 设置图例
ax.legend()

# 显示图形
plt.show()

登入後複製

透過上面的程式碼，可以輕易地繪製出一條以 x 軸為橫軸，y 軸為縱軸的座標曲線圖。

Matplotlib 底層技術的實作過程

在上面的程式碼中，我們先產生了x軸的取值範圍，然後計算了cos(x)和sin(x)的值。接著，我們建立了一個畫布和一個子圖，然後使用plot()函數進行繪圖操作。最後，我們透過一些函數設定圖形的標題、x/y軸名稱和圖例，然後呼叫show()函數來顯示出畫布實例。

這其中，matplotlib.pyplot 子函式庫是 Matplotlib 函式庫下的繪圖模組，它提供了在 NumPy 陣列上作圖的各種功能。對於 Matplotlib 底層技術的實現，可以透過兩個面向來理解，即 FigureCanvas 和 Renderer，這兩者分別是 Matplotlib 中的畫布和渲染器物件。

FigureCanvas 是 Matplotlib 中的一個物件導向的圖形顯示類，它負責和繪圖設備進行交互，將繪圖結果輸出到顯示器上。在上述範例中，我們透過plt.subplots()建立了一個Figure，即畫布物件。而後續的繪圖操作都是在這個畫布上進行的。

Renderer 是 Matplotlib 中的一個渲染器對象，它負責將繪圖的線條、點、文字等繪製成圖像，即在畫布上進行渲染。在上述例子中，我們使用了ax.plot()函數來繪製cos(x)和sin(x)的曲線，而這個函數其實是使用了一個渲染器物件來繪製圖形。在這個過程中，首先呼叫Axis X/Y Limiter來確定每個座標軸上的資料範圍，再透過Scaler將原始資料轉換為畫布上的座標，最後透過Renderer來實現真正的繪圖操作。

Seaborn 底層技術的實作

Seaborn 是一個基於Matplotlib 的更高階的繪圖庫，它提供了更簡單易用的API，同時也保留了Matplotlib中底層的繪圖技術，可以說Seaborn是Matplotlib的補充和增強。

我們以繪製單變數的直方圖為例，來展示使用Seaborn函式庫的具體程式碼範例。這個範例將會使用Seaborn庫內建的資料集"mpg"。

import seaborn as sns

# 设置Seaborn图库的风格和背景颜色
sns.set(style='whitegrid', palette='pastel')

# 读取数据
mpg = sns.load_dataset("mpg")

# 绘制直方图，并设置额外参数
sns.distplot(mpg['mpg'], bins=20, kde=True, rug=True)

# 设置图形标题以及X轴，Y轴的标签
plt.title('Histogram of mpg ($mu=23.45, ; sigma=7.81$)')
plt.xlabel('MPG')
plt.ylabel('Frequency')

# 显示图形
plt.show()

登入後複製

透過上述程式碼，可以畫出一個展示mpg資料分佈情況的直方圖。

Seaborn 底層技術的實作過程

在上面的程式碼中，我們首先設定了 Seaborn 圖庫的風格和背景顏色，接著讀取了Seaborn中自帶的 mpg 資料集。然後，我們使用sns.distplot()函數繪製了一個直方圖，同時設定了一些額外的參數來調整圖形效果。最後，我們使用plt.title()、plt.xlabel()和plt.ylabel()函數來設定圖形的標題、x/y軸名稱等信息，然後呼叫plt.show()函數來展示圖形。

Seaborn 底層技術的實作過程類似Matplotlib，也是透過 FigureCanvas 和 Renderer 來實作繪圖的。在Seaborn底層技術中，FigureCanvas物件是透過 FacetGrid 來創建的，而繪圖就是基於這個畫布物件來進行的。同時，Seaborn庫中的繪圖主要是透過AxesSubplot類別來實現。這個類別是Matplotlib中的Axes類別的子類，但是它在設計上更有效率和易用，因此被Seaborn作為底層繪圖技術的主要實作方式。

Bokeh 底層技術的實作

Bokeh 是一個用於資料視覺化和探索性分析的 Python 函式庫，其具有互動性、響應式和高效能創建動態資料視覺化的特性。 Bokeh 底層技術中的繪製技術主要是基於JavaScript來實現的，因此能夠實現更互動和動態的視覺化效果。

下面展示一个简单的 Bokeh 代码示例，说明如何在 Python 中使用 Bokeh 库绘制一个5条折线图，其中使用 Bokeh 提供的工具箱来进行交互式操作。

from bokeh.plotting import figure, show
from bokeh.io import output_notebook

# 启用Jupyter Notebook绘图
output_notebook()

# 创建一个 Bokeh 图形对象
p = figure(title="Simple Line Graph")

# 创建折线图
x = [1, 2, 3, 4, 5]
y = [6, 7, 2, 4, 5]
p.line(x, y, legend="Line A", line_width=2)

y2 = [2, 3, 4, 5, 6]
p.line(x, y2, legend="Line B", line_width=2)

y3 = [4, 5, 1, 7, 8]
p.line(x, y3, legend="Line C", line_width=2)

y4 = [6, 2, 4, 8, 1]
p.line(x, y4, legend="Line D", line_width=2)

y5 = [5, 8, 6, 2, 4]
p.line(x, y5, legend="Line E", line_width=2)

# 添加工具箱
p.toolbar_location = "above"
p.toolbar.logo = "grey"

# 设置图形的X轴，Y轴以及图例
p.xaxis.axis_label = "X"
p.yaxis.axis_label = "Y"
p.legend.location = "bottom_right"

# 显示图形
show(p)

登入後複製

通过上述代码，可以绘制出一个包含5条折线的折线图，并且提供了一些 Bokeh 工具箱来提供交互式操作。

Bokeh 底层技术的实现过程

Bokeh 底层技术的实现过程中，最核心的部分就是基于 JavaScript 来实现绘图。在上述代码中，我们主要使用了 Bokeh 的 figure()函数来创建一个 Bokeh 图形对象。同时，我们也使用了 Bokeh 提供的 line()函数来创建折线图，并且添加了一些工具箱和额外的功能，如工具箱的位置、X轴/Y轴的名称和图例的位置等等。

在Bokeh 底层技术的实现过程中，将Python代码转换为JavaScript代码非常重要。Bokeh 将Python代码转换为 JavaScript 代码，然后使用 Web 技术在前端绘图。Bokeh 库中的 BokehJS 是使用 TypeScript 编写的 JavaScript 库，它实现了所有 Bokeh 的绘图功能。因此，在使用Bokeh库绘制数据可视化时，我们也需要对比对JavaScript进行一些调试和定制。