内容摘要：用Python做数据分析离不开pandas，pnadas更多的承载着处理和变换数据的角色，pands中也内置了可视化的操作，但效果很糙。因此，大家在用Python做数据分析时，正常的做法是用先pand

用Python做数据分析离不开pandas，可视pnadas更多的化好承载着处理和变换数据的角色，pands中也内置了可视化的可视操作，但效果很糙。化好

因此，可视大家在用Python做数据分析时，化好正常的可视做法是用先pandas先进行数据处理，然后再用Matplotlib、化好Seaborn、可视Plotly、化好Bokeh等对dataframe或者series进行可视化操作。可视

但是化好说实话，每个可视化包都有自己独特的可视方法和函数，经常忘，化好这是可视让我一直很头疼的地方。

好消息来了！从最新的pandas版本0.25.3开始，不再需要上面的操作了，数据处理和可视化完全可以用pandas一个就全部搞定。

pandas现在可以使用Plotly、Bokeh作为可视化的backend，直接实现交互性操作，云服务器提供商无需再单独使用可视化包了。

下面我们一起看看如何使用。

1. 激活backend

在import了pandas之后，直接使用下面这段代码激活backend，比如下面要激活plotly。 

pd.options.plotting.backend = plotly 

目前，pandas的backend支持以下几个可视化包。

 Plotly  Holoviews  Matplotlib  Pandas_bokeh  Hyplot

2. Plotly backend

Plotly的好处是，它基于Javascript版本的库写出来的，因此生成的Web可视化图表，可以显示为HTML文件或嵌入基于Python的Web应用程序中。

下面看下如何用plotly作为pandas的backend进行可视化。

如果还没安装Plotly，则需要安装它pip intsall plotly。如果是在Jupyterlab中使用Plotly，那还需要执行几个额外的安装步骤来显示可视化效果。

首先，安装IPywidgets。 

pip install jupyterlab "ipywidgets>=7.5" 

然后运行此命令以安装Plotly扩展。 

jupyter labextension install jupyterlab-plotly@4.8.1 

示例选自openml.org的的数据集，链接如下：

数据链接：https://www.openml.org/d/187

这个数据也是服务器租用Scikit-learn中的样本数据，所以也可以使用以下代码将其直接导入。 

import pandas as pd  import numpy as np  from sklearn.datasets import fetch_openml  pd.options.plotting.backend = plotly  X,y = fetch_openml("wine", version=1, as_frame=True, return_X_y=True)  data = pd.concat([X,y], axis=1)  data.head() 

该数据集是葡萄酒相关的，包含葡萄酒类型的许多功能和相应的标签。数据集的前几行如下所示。

下面使用Plotly backend探索一下数据集。

绘图方式与正常使用Pandas内置的绘图操作几乎相同，只是现在以丰富的Plotly显示可视化效果。

下面的代码绘制了数据集中两个要素之间的关系。 

fig = data[[Alcohol, Proline]].plot.scatter(y=Alcohol, x=Proline)  fig.show() 

如果将鼠标悬停在图表上，可以选择将图表下载为高质量的图像文件。

我们可以结合Pandas的groupby函数创建一个条形图，总结各类之间Hue的均值差异。 

data[[Hue,class]].groupby([class]).mean().plot.bar() 

将class添加到我们刚才创建的散点图中。通过Plotly可以轻松地为每个类应用不同的颜色，以便直观地看到分类。 

fig = data[[Hue, Proline, class]].plot.scatter(x=Hue, y=Proline, color=class, title=Proline and Hue by wine class)  fig.show() 

3. Bokeh backend

Bokeh是服务器托管另一个Python可视化包，也可提供丰富的交互式可视化效果。Bokeh还具有streaming API，可以为比如金融市场等流数据创建实时可视化。

pandas-Bokeh的GitHub链接如下：

https://github.com/PatrikHlobil/Pandas-Bokeh

老样子，用pip安装即可，pip install pandas-bokeh。

为了在Jupyterlab中显示Bokeh可视化效果，还需要安装两个新的扩展。 

jupyter labextension install @jupyter-widgets/jupyterlab-manager  jupyter labextension install @bokeh/jupyter_bokeh 

下面我们使用Bokeh backend重新创建刚刚plotly实现的的散点图。 

pd.options.plotting.backend = pandas_bokeh  import pandas_bokeh  from bokeh.io import output_notebook  from bokeh.plotting import figure, show   output_notebook()  p1 = data.plot_bokeh.scatter(x=Hue,                                 y=Proline,                                 category=class,                                title=Proline and Hue by wine class,                                show_figure=False)  show(p1) 

关键语句就一行代码，非常快捷，交互式效果如下。

Bokeh还具有plot_grid函数，可以为多个图表创建类似于仪表板的布局，下面在网格布局中创建了四个图表。 

output_notebook()  p1 = data.plot_bokeh.scatter(x=Hue,                                 y=Proline,                                 category=class,                                title=Proline and Hue by wine class,                                show_figure=False)  p2 = data[[Hue,class]].groupby([class]).mean().plot.bar(title=Mean Hue per Class)  df_hue = pd.DataFrame({       class_1: data[data[class] == 1][Hue],      class_2: data[data[class] == 2][Hue],      class_3: data[data[class] == 3][Hue]},      columns=[class_1, class_2, class_3])   p3 = df_hue.plot_bokeh.hist(title=Distribution per Class: Hue)  df_proline = pd.DataFrame({       class_1: data[data[class] == 1][Proline],      class_2: data[data[class] == 2][Proline],      class_3: data[data[class] == 3][Proline]},      columns=[class_1, class_2, class_3])   p4 = df_proline.plot_bokeh.hist(title=Distribution per Class: Proline)  pandas_bokeh.plot_grid([[p1, p2],                           [p3, p4]], plot_width=450) 

可以看到，可视化的部分都是在pandas的dataframe基础上一行代码搞定，最后plot_grid完成布局。

4. 总结

在内置的Pandas绘图功能增加多个第三方可视化backend，大大增强了pandas用于数据可视化的功能，今后可能真的不需再去学习众多可视化操作了，使用pandas也可以一击入魂！