Wenn ich als Datenberater arbeite, verwende ich häufig Pandas in Jupyter, um die Werte zu visualisieren, die ich von der Datenbank vor dem Kunden erhalte. Daher werde ich die Visualisierung in der letzten Phase zusammenfassen.
Wenn Sie die hier aufgeführten verwenden, wird der größte Teil der Arbeit erledigt. Informationen zur Verwendung finden Sie im Tutorial. Es ist nicht so schwierig.
matplotlib
Basisbibliothek. Jeder benutzt
seaborn
Eine auf matplotlib basierende Bibliothek, die statistische Analyseergebnisse auf visuelle Weise visualisiert. Sie können auch ein Dendrogramm schreiben. Kann mit Pandas verbunden werden.
bokhe
Eine in JS geschriebene Visualisierungsbibliothek mit vollem Scratch. Wenn Sie matplotlib so wie es ist verwenden, wird auf Jupyter ein Bild generiert. Wenn Sie jedoch bokhe verwenden, können Sie interaktive Operationen wie die Skalierung ausführen. Es kann sehr bequem in Kundendemos verwendet werden. Ich kann Animationen machen, aber es ist langweilig.
ggplot
Python-Version von ggplot2 für R. Nützlich zur Visualisierung der Ergebnisse des Pandas DataFrame- und Statistikmodells. Ich habe mich noch nicht daran gewöhnt, daher habe ich vorerst das Gefühl, ich sollte Seaborn verwenden.
plotly
Ein Cloud-basiertes Visualisierungstool, das auch über die API von Python aus verwendet werden kann. Es gibt eine Zusammenarbeit zwischen Pandas und Jupyter. Sie können Diagramme im Web veröffentlichen. Es ist extrem raffiniert und selbst 3D-Diagramme bewegen sich schleimig. Wenn Sie es nur auf Jupyter verwenden, ohne es zu veröffentlichen, scheint es keine Begrenzung zu geben, daher würde ich es gerne in Zukunft verwenden. (https://plot.ly/python/offline/)
MLPD3
Eine Schnittstelle von matplotlib, die mit D3.js so wie sie ist visualisiert werden kann. Dies ist praktisch, wenn Sie das Ergebnis des Knetens mit Jupyter in die Dashboard-Webanwendung einfügen möchten.
Recommended Posts