[PYTHON] [Visualisierung] Ich habe versucht, Bokeh / plotly zu verwenden! 【Memorandum】
zunaechst
――Dieses Mal habe ich Bokeh und Handlung angesprochen, deshalb möchte ich es als Memorandum im Artikel belassen. ――Bitte beachten Sie, dass dieser Artikel als eigenes Memorandum erstellt wird, indem auf verschiedene Artikel verwiesen wird. ――Bitte beachten Sie, dass dieser Artikel im Rahmen meines Verständnisses verfasst wurde und die Richtigkeit des Inhalts nicht garantiert werden kann. (Bitte lassen Sie mich wissen, wenn Sie einen Fehler machen. ist).
1. Was ist Bokeh?
"Erstens ist bokeh (englisch: bokeh) _ die Schönheit des unscharfen Bereichs, der außerhalb des Brennweitenbereichs der Linse erzeugt wird, und die Ausdrucksmethode, die ihn absichtlich verwendet ([aus Wikipedia](https: /)). /ja.wikipedia.org/wiki/%E3%83%9C%E3%82%B1(%E5%86%99%E7%9C%9F))) "
Das stimmt (was ist das?).
Kehren wir nun zur Visualisierungsbibliothek zurück, die mit Python verwendet werden kann.
Normalerweise benutze ich matplotlib / seaborn, aber ich kam auf die Idee, dass es etwas gibt, das etwas dynamischer ausgedrückt werden kann (_ ≒ interaktiv_).
Die unten angezeigten Grafiken sind alle Bilder und können nicht verschoben werden. Achtung.
1.1 Installation
Laut der offiziellen HP können Sie entweder "conda" oder "pip" installieren.
conda install bokeh
or
pip install bokeh
1.2 Codierung
Na dann würde ich es gerne machen. Grundsätzlich ist es im Benutzerhandbuch auf der offiziellen Website veröffentlicht.
1.2.1: Bibliothek importieren
from bokeh.plotting import figure, output_file, show
Es ist wie ein Zauber. Es gibt keinen Verlust, an den man sich erinnert.
Lassen Sie uns nun ein Diagramm aus dem nächsten erstellen.
1.2.2: Streumarker (Streumarker)
Erstens ist das Gesamtbild des Codes. Es sieht wie folgt aus.
from bokeh.plotting import figure, output_file, show
#1
output_file('scatter.html')
p = figure(plot_width=400, plot_height=400)
#2
p.circle([1,2,3,4,5], [6,7,2,4,5], size=20, color='navy', alpha=0.5)
#3
show(p)
Dann sehen Sie die Grafik unten.
Schauen wir uns jeden an.
** # 1: HTML-Datei erstellen & Figur setzen ** Die Ausgabe in Bokeh scheint HTML zu sein, nicht JPEG oder PNG. Das ist also auch wie ein Zauber
output_file('xxx.html')
Da (zumindest ich) daran denke, HTML so zu erstellen, wie es erstellt wird.
Die folgende p = Figur (plot_width = 400, plot_height = 400) , aber ich verstehe, dass dies ** eine Operation ist, um einen Raum zum Zeichnen einer Figur ** zu erstellen. Ich verstehe, dass dies so etwas wie fig = plt.figure (...) in matplotlib ist.
** # 2: Addiere den Inhalt des Streudiagramms (diesmal den Kreis) zu p **
Das Folgende ist p.circle (...) , aber ich verstehe dies mit dem Bild des Hinzufügens seines Inhalts zu dem oben erstellten Leerzeichen " p ". Dieses Mal habe ich versucht, mit 〇 zu zeichnen, also verwende ich . Circle *.
Der Inhalt von () ist "x-Achse", "y-Achse" und "Anzeigemethode" von links.
** # 3: Zeichnen **
Wenn Sie eine Figur zeichnen, kann diese mit show (p) (_plt.show () _ in matplotlib) angezeigt werden.
Ich denke, dass die Grundlagen von Bokeh unterdrückt wurden.
- Es gibt verschiedene Markierungen zum Erstellen eines Streudiagramms mit Bokeh. Viele davon sind im Benutzerhandbuch aufgeführt. Daher ist es interessant, sie auszuprobieren.
1.2.3 Liniendiagramm_
Als nächstes erstellen wir ein Liniendiagramm (die Methode ist fast dieselbe).
from bokeh.plotting import figure, output_file, show
output_file('line.html')
p = figure(plot_width=400, plot_height=400)
p.line([1,2,3,4,5], [6,7,2,4,5], line_width=2)
show(p)
Der Inhalt ist fast der gleiche wie im Streudiagramm. Der einzige Unterschied ist der Teil "Anzeigemethode" von p.line (...) , in dem die Liniendicke (line_width) angegeben ist. Wenn es angezeigt wird, sieht es wie folgt aus.
In diesem Artikel habe ich die rudimentäre Art des Schreibens von Bokeh vorgestellt, aber ich hoffe, dass jeder die schleimige bewegte Figur erleben kann, indem er sie mit der Maus bewegt. Persönlich dachte ich, dass es für dynamische Präsentationen nützlich wäre (ich denke, Matplotlib und Seaborn sind ausreichend für die Herstellung von ppt-Materialien).
2. Was ist Handlung?
Es scheint, dass es kostenlose und einige kostenpflichtige Visualisierungsbibliotheken gibt, die von plotly bereitgestellt werden. Weitere Informationen finden Sie auf der offiziellen Website unten.
2.1 Installation
Lassen Sie uns nun die Installation planen. Wie Bokeh können Sie es mit Pip oder Conda tun.
pip install plotly
conda install -c plotly plotly=4.7.1
(aus dem offiziellen Dokument)
Machen wir das! Es ist jedoch notwendig, eine andere Möglichkeit zu entwickeln, um es mit jupyter notebook auszuführen. Laut der offiziellen HP, um plotly mit jupyter Notebook zu verwenden
conda install "notebook>=5.3" "ipywidgets>=7.2"
Es ist notwendig zu tun. Im Fall von jupyter lab
conda install jupyterlab "ipywidgets=7.5"
Es ist notwendig zu tun.
2.2: Codierung
2.2.1: Bibliothek importieren
import plotly.express as px
Verwenden wir zunächst eine Bibliothek namens plotly.express.
2.2.3: Streudiagramm
Das große Bild des Codes ist unten.
import plotly.express as px
x = [1,2,3,4,5]
y = [6,7,2,4,5]
fig = px.scatter(x=x, y=y)
fig.show()
Wenn Sie dies tun,
Ein solches Diagramm wird angezeigt. (Im Gegensatz zur Formel sind die Daten dieselben wie die in Bokeh verwendeten.) Es ist sehr einfach zu bedienen, ohne es erklären zu müssen (ich dachte, es wäre ähnlich wie Matplotlib).
Der Unterschied zu Matplotlib und Bokeh besteht darin, dass der Achsname aufgeführt wird, obwohl der Achsname (label) nicht angegeben ist.
Da ich die Anzeigemethode oben nicht angegeben habe, möchte ich sie mit pandas.DataFrame kombinieren und auch verschiedene Einstellungen ausprobieren.
df = px.data.iris() #Stellen Sie die Irisdaten als Datenrahmen ein
fig = px.scatter(df, x=df.sepal_length, y=df.sepal_width,
color=df.species, size=df.petal_length)
fig.show()
Dann wird das folgende Diagramm ausgegeben.
Ich werfe px.sctter (...) in die Figur und nehme verschiedene Einstellungen in () vor.
| 1 | 2 | 3 |
|---|---|---|
| dataframe | Daten lesen | df |
| x= | Einstellungen für die x-Achse(Daten+Einstellung des Achsnamens) | df.sepal_length |
| y= | Einstellung der y-Achse(Daten+Einstellung des Achsnamens) | df.sepal_width |
| color= | Farbeinstellungen(Der Inhalt der eingestellten Spalte wird wiedergegeben) | df.species |
| size= | Kreisgröße(Der Inhalt der eingestellten Spalte wird wiedergegeben) | df.petal_length |
Lassen Sie uns zunächst einen kurzen Blick auf die Daten von Iris werfen.
df.head()
| sepal_length | sepal_width | petal_length | petal_width | species | species_id | |
|---|---|---|---|---|---|---|
| 0 | 5.1 | 3.5 | 1.4 | 0.2 | setosa | 1 |
| 1 | 4.9 | 3.0 | 1.4 | 0.2 | setosa | 1 |
| 2 | 4.7 | 3.2 | 1.3 | 0.2 | setosa | 1 |
| 3 | 4.6 | 3.1 | 1.5 | 0.2 | setosa | 1 |
| 4 | 5.0 | 3.6 | 1.4 | 0.2 | setosa | 1 |
--df: Ich lese einen Datenrahmen.
--x =, y =: x Achse, y Achse werden gesetzt. Hierbei ist zu beachten, dass die darin enthaltenen Daten angegeben werden und der Achsname auch als Spaltenname verwendet wird.
--color =: Hier klassifizieren wir mit species.
--size =: Die Größe des Kreises wird festgelegt. Hier wird "Blütenblattlänge" verwendet, um die Größe des Kreises auszudrücken.
Ich denke, das Interessante an Plotly ist, dass beim Berühren der Daten in der Grafik mit dem Mauszeiger angezeigt wird, was in den Daten enthalten ist. Ich werde diesmal nicht darauf eingehen, aber 3D-Daten sind visuell sehr einfach zu verstehen.
Es funktioniert anders als Matplotlib und Bokeh, also muss man es benutzen, um sich daran zu gewöhnen, aber es ist sehr interessant.
Schließlich
- Dieses Mal habe ich zwei Visualisierungsbibliotheken berührt. ――Beide Bokeh und Plotly können im Gegensatz zu Matplotlib dynamisch ausgedrückt werden, daher ist es interessant und vielseitig (ich denke, jede Bibliothek hat ihre Vorteile). ――Persönlich möchte ich mein Verständnis von Handlung vertiefen (ich frage mich, ob es eine mächtige Waffe wird, wenn ich bis zu einem gewissen Grad kompetent werde ...).
das ist alles.
Recommended Posts