Seaborn

本文集文档发布于灏天文库

7.3 交互式图形 (与Bokeh, Plotly等库结合)

文档摘要

7.3 交互式图形 (与Bokeh, Plotly等库结合) 第七章：Seaborn高级应用领域 - 7.3 交互式图形 (与Bokeh, Plotly等库结合) 详解 Seaborn 作为 Python 中强大的数据可视化库，以其简洁的语法和美观的默认样式深受数据科学家和分析师的喜爱。然而，Seaborn 本身主要生成静态图形，在面对需要深入探索数据、动态展示结果或与用户进行交互式沟通的场景时，其能力略显不足。 为了弥补这一缺憾，我们可以将 Seaborn 与其他专注于交互式图形的库，如 Bokeh 和 Plotly 结合使用。这些库能够赋予 Seaborn 图形动态性，例如缩放、平移、悬停提示、数据选择等功能，极大地提升了数据探索和展示的效率和深度。 7.3.

7.3 交互式图形 (与Bokeh, Plotly等库结合)

第七章：Seaborn高级应用领域 - 7.3 交互式图形 (与Bokeh, Plotly等库结合) 详解

Seaborn 作为 Python 中强大的数据可视化库，以其简洁的语法和美观的默认样式深受数据科学家和分析师的喜爱。然而，Seaborn 本身主要生成静态图形，在面对需要深入探索数据、动态展示结果或与用户进行交互式沟通的场景时，其能力略显不足。

为了弥补这一缺憾，我们可以将 Seaborn 与其他专注于交互式图形的库，如 Bokeh 和 Plotly 结合使用。这些库能够赋予 Seaborn 图形动态性，例如缩放、平移、悬停提示、数据选择等功能，极大地提升了数据探索和展示的效率和深度。

7.3.1 交互式图形的价值与应用场景

在深入代码实践之前，我们首先需要理解交互式图形的价值以及其适用的场景。

交互式图形的价值：

  • 更深入的数据探索： 交互功能允许用户自由地缩放、平移、旋转图形，并查看特定数据点的详细信息。这使得用户能够从不同角度审视数据，发现隐藏的模式和异常值。

  • 更强大的数据洞察力： 通过交互操作，用户可以动态地过滤数据、调整参数，并即时观察结果的变化。这种即时反馈机制有助于用户更快地理解数据背后的含义，并产生更深刻的洞察。

  • 更有效的沟通与展示： 交互式图形能够更生动、更引人入胜地展示数据故事。用户可以通过自身的操作参与到数据探索过程中，从而更好地理解和记住数据信息。

  • 定制化的用户体验： 交互式图形可以根据用户的需求进行定制，例如添加特定的交互工具、调整图形布局等，提供更个性化的数据分析体验。

交互式图形的应用场景：

  • 数据科学探索性分析 (EDA)： 在 EDA 阶段，交互式图形能够帮助数据科学家快速浏览数据，发现潜在的特征关系、异常值和数据质量问题。

  • 仪表盘与监控系统： 交互式仪表盘能够实时展示关键指标，并允许用户通过交互操作深入查看细节数据，进行故障排查和性能监控。

  • Web 应用与报告： 将交互式图形嵌入到 Web 应用或报告中，可以提升用户体验，让用户能够更主动地参与到数据分析过程中。

  • 科学研究与数据可视化： 在科学研究领域，交互式图形可以帮助研究人员更有效地分析实验数据，发现科学规律，并将研究成果以更直观的方式呈现。

  • 教育与培训： 交互式图形可以作为教学工具，帮助学生更直观地理解抽象概念，并进行实践操作，提升学习效果。

7.3.2 Seaborn 与 Bokeh 的结合

Bokeh 是一个专注于现代 Web 浏览器的交互式可视化库。它能够生成美观、流畅、高性能的交互式图形，并支持多种交互工具，例如缩放、平移、选择、工具提示等。

将 Seaborn 与 Bokeh 结合，我们可以利用 Seaborn 强大的绘图功能生成基础图形，然后使用 Bokeh 将其转化为交互式图形。

基本思路：

  1. 使用 Seaborn 绘制静态图形: 首先，使用 Seaborn 像往常一样绘制你需要的图形，例如散点图、直方图、箱线图等。

  2. 提取 Seaborn 图形的数据: Seaborn 图形底层是 Matplotlib 对象。我们需要从 Matplotlib 对象中提取绘图所需的数据（例如 x 轴数据、y 轴数据、颜色、大小等）。

  3. 使用 Bokeh 绘制交互式图形: 将提取的数据传递给 Bokeh，并使用 Bokeh 的绘图函数（例如 figure, scatter, line 等）重新绘制图形，并添加交互工具。

代码实践：散点图的交互化

我们以一个简单的散点图为例，演示如何使用 Seaborn 绘制散点图，并使用 Bokeh 将其转化为交互式散点图。

import seaborn as sns
import matplotlib.pyplot as plt
from bokeh.plotting import figure, show
from bokeh.models import HoverTool
# 1. 使用 Seaborn 绘制静态散点图
tips = sns.load_dataset('tips')
plt.figure(figsize=(8, 6))
sns.scatterplot(x='total_bill', y='tip', data=tips, hue='smoker', size='size', sizes=(20, 200))
plt.title('Seaborn Static Scatter Plot')
plt.show()
# 2. 提取 Seaborn 图形的数据 (实际上 Seaborn 已经处理好数据，我们直接用 pandas DataFrame)
# 数据已经存储在 'tips' DataFrame 中
# 3. 使用 Bokeh 绘制交互式散点图
p = figure(
    title='Bokeh Interactive Scatter Plot',
    x_axis_label='Total Bill',
    y_axis_label='Tip',
    tools="pan,wheel_zoom,box_zoom,reset,hover,save" # 添加交互工具
)
# 颜色映射，与 Seaborn 的 hue 参数对应
smoker_colors = {'Yes': 'red', 'No': 'blue'}
# 大小映射，与 Seaborn 的 size 参数对应
size_scaler = 5  # 调整大小比例
for smoker_status in tips['smoker'].unique():
    subset = tips[tips['smoker'] == smoker_status]
    p.scatter(
        x=subset['total_bill'],
        y=subset['tip'],
        legend_label=smoker_status,
        color=[smoker_colors[status] for status in subset['smoker']], # 使用颜色映射
        size=subset['size'] * size_scaler, # 使用大小映射
        alpha=0.6 # 设置透明度
    )
# 配置 HoverTool，显示悬停提示信息
hover = p.select(dict(type=HoverTool))
hover.tooltips = [
    ("Total Bill", "$x"),
    ("Tip", "$y"),
    ("Smoker", "@legend_label"),
    ("Size", "@size")
]
show(p)
​

代码详解：

  • 导入库: 导入必要的库，包括 seaborn, matplotlib.pyplot, bokeh.plotting, bokeh.models。

  • 绘制 Seaborn 静态散点图: 使用 sns.scatterplot 绘制静态散点图，作为对比和数据来源。

  • 提取数据 (直接使用 DataFrame): 由于 Seaborn 基于 Pandas DataFrame 工作，数据已经整理好，我们可以直接使用 tips DataFrame。

  • 创建 Bokeh Figure: 使用 figure() 函数创建一个 Bokeh 图形对象，设置标题、轴标签和交互工具。

    • tools="pan,wheel_zoom,box_zoom,reset,hover,save": 定义了图形的交互工具栏，包括平移、滚轮缩放、框选缩放、重置、悬停提示和保存。

  • 循环绘制散点: 为了实现 Seaborn 的 hue 和 size 参数效果，我们循环遍历 smoker 列的唯一值，为每种 smoker 状态绘制一组散点。

    • p.scatter(...): 使用 p.scatter() 函数绘制散点。

      • x=subset['total_bill'], y=subset['tip']: 设置 x 轴和 y 轴数据。

      • legend_label=smoker_status: 设置图例标签。

      • color=[smoker_colors[status] for status in subset['smoker']]: 使用颜色映射，根据 smoker 状态设置颜色。

      • size=subset['size'] * size_scaler: 使用大小映射，根据 size 列设置散点大小，并乘以 size_scaler 调整大小比例。

      • alpha=0.6: 设置散点透明度，使重叠的点更容易区分。

  • 配置 HoverTool: 使用 HoverTool 添加悬停提示信息。

    • hover = p.select(dict(type=HoverTool)): 选择图形中的 HoverTool 对象。

    • hover.tooltips = [...]: 设置悬停提示内容，使用 "$x", "$y", "@legend_label", "@size" 等占位符引用数据。

  • 显示图形: 使用 show(p) 函数在浏览器中显示交互式图形。

mermaid graph TD 图示数据流：

图示解释：

  1. 首先，我们使用 Seaborn 绘制静态图形，但这步主要是为了对比和理解数据结构。

  2. 关键在于我们从 Seaborn 使用的 Pandas DataFrame 中获取数据。

  3. 然后，我们将这些数据传递给 Bokeh 的 figure 对象，作为绘制交互式图形的基础。

  4. 最终，Bokeh 基于这些数据和我们设置的交互工具，生成交互式图形。

更复杂的例子：箱线图的交互化

除了散点图，我们还可以将其他 Seaborn 图形交互化，例如箱线图。

import seaborn as sns
import matplotlib.pyplot as plt
from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource, HoverTool
# 1. 使用 Seaborn 绘制静态箱线图
tips = sns.load_dataset('tips')
plt.figure(figsize=(8, 6))
sns.boxplot(x='day', y='total_bill', data=tips, hue='smoker')
plt.title('Seaborn Static Boxplot')
plt.show()
# 2. 提取 Seaborn 图形的数据 (需要手动计算箱线图的统计信息)
# Seaborn 的箱线图底层使用 matplotlib 的 boxplot 函数，我们需要手动计算箱线图的统计信息
# 这里为了简化，我们直接使用 pandas groupby 计算均值和标准差作为示例，实际箱线图需要更复杂的计算
grouped_tips = tips.groupby('day')['total_bill'].agg(['mean', 'std']).reset_index()
source = ColumnDataSource(grouped_tips) # 将数据转换为 Bokeh ColumnDataSource
# 3. 使用 Bokeh 绘制交互式箱线图 (简化版，仅展示均值和标准差)
p = figure(
    title='Bokeh Interactive Boxplot (Simplified)',
    x_axis_label='Day',
    y_axis_label='Total Bill (Mean and Std)',
    x_range=grouped_tips['day'].unique().tolist(), # 设置 x 轴范围
    tools="pan,wheel_zoom,box_zoom,reset,hover,save"
)
# 绘制均值点
p.circle(
    x='day',
    y='mean',
    source=source,
    size=10,
    color='blue',
    legend_label='Mean'
)
# 绘制标准差线段 (简化表示)
p.segment(
    x0='day',
    y0='mean',
    x1='day',
    y1='mean + std',
    source=source,
    color='red',
    legend_label='Std Dev'
)
p.segment(
    x0='day',
    y0='mean',
    x1='day',
    y1='mean - std',
    source=source,
    color='red'
)
# 配置 HoverTool
hover = p.select(dict(type=HoverTool))
hover.tooltips = [
    ("Day", "@day"),
    ("Mean Total Bill", "@mean{(0.2f)}"), # 格式化浮点数
    ("Std Dev", "@std{(0.2f)}")
]
show(p)
​

代码详解 (箱线图):

  • 数据处理 (简化版): 由于箱线图的绘制需要更复杂的统计信息，这里为了简化示例，我们使用 groupby 计算每天 total_bill 的均值和标准差，作为箱线图的简化表示。

  • ColumnDataSource: Bokeh 使用 ColumnDataSource 对象来管理数据，我们需要将 Pandas DataFrame 转换为 ColumnDataSource。

  • 绘制均值点和标准差线段: 使用 p.circle() 绘制均值点，使用 p.segment() 绘制标准差线段 (简化箱线图的箱体和须)。

  • HoverTool 配置: 配置 HoverTool 显示每天的均值和标准差信息。

注意： 上述箱线图示例是简化的，真实的交互式箱线图需要更复杂的计算和绘制逻辑，才能完全复现 Seaborn 的箱线图效果。但这个例子已经展示了将 Seaborn 的数据和概念迁移到 Bokeh 进行交互化的基本思路。

7.3.3 Seaborn 与 Plotly 的结合

Plotly 也是一个流行的交互式可视化库，它支持 Python, JavaScript, R 等多种语言，并能够生成各种类型的交互式图形，包括 2D 图形、3D 图形、地图等。 Plotly 的优势在于其强大的功能和美观的默认样式，以及对在线和离线模式的支持。

与 Bokeh 类似，我们可以将 Seaborn 与 Plotly 结合，利用 Seaborn 的绘图能力和 Plotly 的交互特性。

基本思路与 Bokeh 类似：

  1. 使用 Seaborn 绘制静态图形: 首先使用 Seaborn 绘制基础图形。

  2. 提取 Seaborn 图形的数据: 从 Seaborn 图形或 underlying DataFrame 中提取数据。

  3. 使用 Plotly 绘制交互式图形: 使用 Plotly 的绘图函数（例如 plotly.graph_objects.Scatter, plotly.express.scatter 等）重新绘制图形，并添加交互功能。

代码实践：散点图的交互化 (Plotly)

我们继续以散点图为例，展示如何使用 Plotly 将 Seaborn 散点图交互化。

import seaborn as sns
import plotly.express as px
import plotly.graph_objects as go
# 1. 使用 Seaborn 绘制静态散点图 (已经展示过，此处省略)
# 2. 提取 Seaborn 图形的数据 (直接使用 DataFrame)
tips = sns.load_dataset('tips')
# 3. 使用 Plotly Express 绘制交互式散点图 (更简洁的方式)
fig_express = px.scatter(
    tips,
    x='total_bill',
    y='tip',
    color='smoker',
    size='size',
    hover_data=['day', 'time'], # 添加额外的悬停信息
    title='Plotly Express Interactive Scatter Plot'
)
fig_express.show()
# 4. 使用 Plotly Graph Objects 绘制交互式散点图 (更灵活的方式)
fig_go = go.Figure()
for smoker_status in tips['smoker'].unique():
    subset = tips[tips['smoker'] == smoker_status]
    fig_go.add_trace(go.Scatter(
        x=subset['total_bill'],
        y=subset['tip'],
        mode='markers', # 设置为散点模式
        marker=dict(
            size=subset['size'] * 5, # 调整大小比例
            opacity=0.6
        ),
        name=smoker_status, # 设置图例标签
        text=subset['day'] + ', ' + subset['time'], # 设置悬停文本
        hoverinfo='text+x+y' # 设置悬停信息显示内容
    ))
fig_go.update_layout(
    title='Plotly Graph Objects Interactive Scatter Plot',
    xaxis_title='Total Bill',
    yaxis_title='Tip'
)
fig_go.show()
​

代码详解 (Plotly 散点图):

  • 导入库: 导入 seaborn, plotly.express, plotly.graph_objects。

    • plotly.express (px): Plotly Express 提供了更简洁的 API，适用于快速创建常见的图形。

    • plotly.graph_objects (go): Plotly Graph Objects 提供了更底层的 API，更加灵活，可以定制更复杂的图形。

  • Plotly Express 方式:

    • px.scatter(...): 使用 px.scatter() 函数快速创建散点图。

      • 参数与 Seaborn 类似，例如 x, y, color, size 等。

      • hover_data=['day', 'time']: 添加额外的悬停信息，除了 x, y, color, size 之外，还显示 day 和 time 列的信息。

  • Plotly Graph Objects 方式:

    • go.Figure(): 创建 Plotly Figure 对象。

    • fig_go.add_trace(go.Scatter(...)): 使用 add_trace() 添加散点轨迹 (trace)。

      • mode='markers': 设置为散点模式。

      • marker=dict(...): 设置散点标记的样式，例如大小 size, 透明度 opacity。

      • name=smoker_status: 设置图例标签。

      • text=subset['day'] + ', ' + subset['time']: 设置悬停文本内容，将 day 和 time 列拼接成字符串。

      • hoverinfo='text+x+y': 设置悬停信息显示内容，包括 text (悬停文本), x, y 坐标。

    • fig_go.update_layout(...): 更新图形布局，设置标题、轴标签等。

  • 显示图形: 使用 fig_express.show() 或 fig_go.show() 显示交互式图形。

mermaid graph TD 图示数据流 (Plotly):

图示解释：

数据流与 Bokeh 类似，Seaborn 静态图形作为参考，关键是从 Pandas DataFrame 中提取数据，然后使用 Plotly 的 Figure 对象 (可以使用更简洁的 Express API 或更灵活的 Graph Objects API) 基于数据和交互配置生成 Plotly 交互式图形。

更复杂的例子：直方图的交互化 (Plotly)

import seaborn as sns
import plotly.express as px
import plotly.graph_objects as go
# 1. 使用 Seaborn 绘制静态直方图
tips = sns.load_dataset('tips')
plt.figure(figsize=(8, 6))
sns.histplot(tips['total_bill'], kde=True) # 添加核密度估计曲线
plt.title('Seaborn Static Histogram')
plt.show()
# 2. 提取 Seaborn 图形的数据 (直接使用 DataFrame)
# 数据已经存储在 'tips' DataFrame 中
# 3. 使用 Plotly Express 绘制交互式直方图
fig_hist_express = px.histogram(
    tips,
    x='total_bill',
    marginal='rug', # 添加边缘地毯图
    title='Plotly Express Interactive Histogram'
)
fig_hist_express.show()
# 4. 使用 Plotly Graph Objects 绘制交互式直方图 (更灵活的方式)
fig_hist_go = go.Figure(data=[go.Histogram(x=tips['total_bill'])]) # 创建直方图轨迹
fig_hist_go.update_layout(
    title='Plotly Graph Objects Interactive Histogram',
    xaxis_title='Total Bill',
    yaxis_title='Frequency'
)
fig_hist_go.show()
​

代码详解 (Plotly 直方图):

  • Plotly Express 方式:

    • px.histogram(...): 使用 px.histogram() 函数快速创建直方图。

      • marginal='rug': 添加边缘地毯图，显示每个数据点的具体位置。

  • Plotly Graph Objects 方式:

    • go.Histogram(x=tips['total_bill']): 创建直方图轨迹，直接指定 x 轴数据。

  • 布局更新: 使用 fig_hist_go.update_layout(...) 更新标题和轴标签。

7.3.4 Bokeh vs. Plotly 的选择

Bokeh 和 Plotly 都是优秀的交互式可视化库，它们各有优缺点，适用于不同的场景。

Bokeh 的优势：

  • 专注于 Web 浏览器: Bokeh 专门为现代 Web 浏览器设计，生成的图形在 Web 环境中性能更优，渲染更流畅。

  • 流式数据支持: Bokeh 对流式数据有良好的支持，可以实时更新图形，适用于实时监控和动态数据展示场景。

  • 更细粒度的控制: Bokeh 提供了更底层的 API，允许用户对图形的各个方面进行更精细的控制和定制。

Plotly 的优势：

  • 功能更全面: Plotly 支持更广泛的图形类型，包括 3D 图形、地图、金融图表等。

  • 更美观的默认样式: Plotly 的默认样式更加现代美观，无需过多调整即可生成高质量的图形。

  • 易用性: Plotly Express 提供了更简洁的 API，上手更容易，适合快速创建交互式图形。

  • 在线和离线模式: Plotly 支持在线和离线模式，可以方便地将图形发布到 Plotly Cloud 或本地离线环境。

如何选择：

  • Web 应用和流式数据: 如果你的应用场景主要是在 Web 浏览器中展示交互式图形，并且需要处理流式数据，Bokeh 可能是更好的选择。

  • 功能丰富性和易用性: 如果你需要更广泛的图形类型，更美观的默认样式，或者更易于使用的 API，Plotly 可能是更好的选择。

  • 快速原型和探索性分析: Plotly Express 的简洁 API 非常适合快速原型开发和探索性数据分析。

  • 高级定制和底层控制: 如果需要对图形进行更精细的控制和定制，Bokeh 的底层 API 可能更适合。

在实际应用中，可以根据具体的项目需求和个人偏好选择合适的库。 很多时候，Bokeh 和 Plotly 都可以完成相同的任务，选择哪个库更多的是风格和习惯的问题。

7.3.5 总结

核心要点回顾：

  • 交互式图形的价值: 交互式图形能够提升数据探索深度、洞察力、沟通效率和用户体验。

  • Seaborn + Bokeh/Plotly 的思路: 使用 Seaborn 绘制静态图形作为基础，从 Seaborn 使用的 Pandas DataFrame 中提取数据，然后使用 Bokeh 或 Plotly 重新绘制交互式图形并添加交互功能。

  • 代码实践: 我们通过散点图和箱线图 (简化版) 的例子，演示了如何使用 Bokeh 和 Plotly 将 Seaborn 图形交互化。

  • Bokeh vs. Plotly 的选择: Bokeh 专注于 Web 浏览器和流式数据，更注重性能和底层控制； Plotly 功能更全面，默认样式美观，易用性更强。

掌握 Seaborn 与 Bokeh 或 Plotly 的结合技巧，将极大地扩展你的数据可视化能力，让你能够创建更具吸引力、更富洞察力、更实用的交互式数据可视化作品，更好地服务于数据分析、科学研究、Web 应用等多种场景。

发布者: 作者: 转发
评论区 (0)
U
0/500