Κοινή χρήση τεχνολογίας

Οδηγός bqplot: Διαδραστική οπτικοποίηση δεδομένων στο Jupyter Notebook

2024-07-12

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Κατάλογος άρθρων

παρουσιάζω

1.1 Η σημασία της οπτικοποίησης δεδομένων

Η οπτικοποίηση δεδομένων είναι η εμφάνιση δεδομένων με τη μορφή γραφικών για να βοηθήσει τους ανθρώπους να κατανοήσουν τις πληροφορίες και τα μοτίβα πίσω από τα δεδομένα πιο διαισθητικά και γρήγορα. Στη σημερινή εποχή της έκρηξης της πληροφορίας, η οπτικοποίηση δεδομένων είναι ιδιαίτερα σημαντική για τους ακόλουθους λόγους:

  • Βελτιώστε την αποτελεσματικότητα της κατανόησης : Τα γραφικά δεδομένα είναι πιο εύκολο να κατανοήσει και να θυμηθεί ο εγκέφαλος από το απλό κείμενο ή τους αριθμούς. Μέσω γραφημάτων, οι άνθρωποι μπορούν γρήγορα να συλλάβουν τα βασικά σημεία των δεδομένων για να λάβουν πιο ενημερωμένες αποφάσεις.
  • Αποκάλυψη μοτίβων δεδομένων : Η οπτικοποίηση δεδομένων μπορεί να σας βοηθήσει να ανακαλύψετε κρυφά μοτίβα, τάσεις και ακραίες τιμές στα δεδομένα σας. Για παράδειγμα, ένα γραμμικό γράφημα μπορεί να δει καθαρά πώς αλλάζουν τα δεδομένα με την πάροδο του χρόνου.
  • Βελτιώστε το εφέ επικοινωνίας : Σε τομείς όπως οι επιχειρήσεις, η επιστημονική έρευνα και η εκπαίδευση, η οπτικοποίηση δεδομένων είναι ένα ισχυρό εργαλείο για την επικοινωνία σύνθετων πληροφοριών. Κάνει τα αποτελέσματα της ανάλυσης δεδομένων πιο κατανοητά και αποδεκτά από άλλους.
  • Υποστήριξη λήψης αποφάσεων: Η οπτικοποίηση δεδομένων παρέχει στους λήπτες αποφάσεων διαισθητική υποστήριξη δεδομένων, βοηθώντας τους να βρίσκουν βασικές πληροφορίες σε πολύπλοκα δεδομένα και να λαμβάνουν πιο επιστημονικές και λογικές αποφάσεις.

1.2 Επισκόπηση της βιβλιοθήκης bqplot

bqplot βασίζεται σεΓραμματική των Γραφικών Βιβλιοθήκη 2D οπτικοποίησης, ειδικά γιαΣημειωματάριο Jupyter σχέδιο.συνδυάζειd3.js καιipywidgets χαρακτηριστικό που έχει σχεδιαστεί για να φέρει τις ισχυρές δυνατότητες οπτικοποίησης του d3.js στην Python. Ακολουθούν ορισμένα βασικά χαρακτηριστικά της βιβλιοθήκης bqplot:

  • διαδραστικότητα: Το bqplot παρέχει πλούσιες διαδραστικές λειτουργίες Οι χρήστες μπορούν να μετατοπίσουν, να μεγεθύνουν, να επιλέξουν και άλλες λειτουργίες στο γράφημα για να εξερευνήσουν τα δεδομένα πιο βαθιά.
  • ευκαμψία: Χρησιμοποιώντας μια αντικειμενοστραφή προσέγγιση, οι χρήστες μπορούν να δημιουργήσουν εξαιρετικά εξατομικευμένα γραφήματα χρησιμοποιώντας τη Γραμματική των Γραφικών.
  • Ευκολία στη χρήση: Το bqplot παρέχει μια διεπαφή pyplot παρόμοια με το matplotlib, επιτρέποντας στους χρήστες που είναι εξοικειωμένοι με το matplotlib να ξεκινήσουν γρήγορα.
  • Ενσωμάτωση: Ως η εγγενής βιβλιοθήκη του Jupyter Notebook, το bqplot μπορεί να ενσωματωθεί απρόσκοπτα στη ροή εργασιών ανάλυσης δεδομένων, παρέχοντας στους χρήστες μια ομαλή διαδραστική εμπειρία.
Εγκατάσταση και γρήγορη εκκίνηση

Η εγκατάσταση του bqplot είναι πολύ απλή, απλώς εκτελέστε την ακόλουθη εντολή στο τερματικό ή στη γραμμή εντολών:

pip install bqplot
jupyter nbextension enable --py --sys-prefix bqplot
  • 1
  • 2

Μετά την επιτυχή εγκατάσταση, εισαγάγετε τις απαραίτητες βιβλιοθήκες στο Jupyter Notebook για να αρχίσετε να χρησιμοποιείτε:

import numpy as np
import bqplot.pyplot as plt
  • 1
  • 2

Ακολουθεί ένα απλό παράδειγμα που δείχνει πώς να δημιουργήσετε ένα ιστόγραμμα χρησιμοποιώντας bqplot:

# 生成随机数据
data = np.random.randn(100)

# 创建直方图
fig = plt.figure(title='Histogram by bqplot')
hist = plt.hist(sample=data, bins=10, colors=['#01a2d9'])
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

Μέσα από αυτό το απλό παράδειγμα, μπορείτε να δείτε την ευκολία χρήσης και τις ισχυρές διαδραστικές λειτουργίες του bqplot. Στα επόμενα κεφάλαια, θα ασχοληθούμε με τους διάφορους τύπους γραφημάτων και τις προηγμένες δυνατότητες του bqplot.

Εγκατάσταση και εισαγωγή

2.1 Εγκαταστήστε το bqplot

Πριν αρχίσετε να χρησιμοποιείτε το bqplot για οπτικοποίηση δεδομένων, πρέπει πρώτα να εγκαταστήσετε τη βιβλιοθήκη bqplot στο περιβάλλον σας. Το bqplot μπορεί να εγκατασταθεί με διάφορους τρόπους, συνηθέστερα χρησιμοποιώντας pip ή conda. Ακολουθούν τα λεπτομερή βήματα για τη χρήση και των δύο μεθόδων:

Εγκαταστήστε χρησιμοποιώντας pip
pip install bqplot
  • 1
Εγκαταστήστε χρησιμοποιώντας conda
conda install -c conda-forge bqplot
  • 1

Αφού ολοκληρωθεί η εγκατάσταση, μπορείτε να επιβεβαιώσετε εάν η εγκατάσταση ήταν επιτυχής εκτελώντας την ακόλουθη εντολή:

import bqplot
print(bqplot.__version__)
  • 1
  • 2

2.2 Εισαγάγετε τις απαραίτητες βιβλιοθήκες

Μετά την εγκατάσταση του bqplot, θα πρέπει στη συνέχεια να εισαγάγετε τις απαραίτητες βιβλιοθήκες για να ξεκινήσετε την εργασία οπτικοποίησης δεδομένων. Συνήθως, πρέπει να εισαγάγετε τις ακόλουθες βιβλιοθήκες:

  • bqplot: Χρησιμοποιείται για τη δημιουργία διαδραστικών γραφημάτων.
  • numpy: Χρησιμοποιείται για αριθμητικούς υπολογισμούς και επεξεργασία δεδομένων.
  • pandas: Χρησιμοποιείται για χειρισμό και ανάλυση δεδομένων.

Ακολουθεί δείγμα κώδικα για την εισαγωγή αυτών των βιβλιοθηκών:

import bqplot.pyplot as plt
import numpy as np
import pandas as pd
  • 1
  • 2
  • 3
Παράδειγμα: Εισαγάγετε και χρησιμοποιήστε το bqplot για να δημιουργήσετε ένα απλό γράφημα

Για να βεβαιωθείτε ότι όλα έχουν ρυθμιστεί σωστά, μπορείτε να δοκιμάσετε να δημιουργήσετε ένα απλό γράφημα ράβδων. Ακολουθεί ένα δείγμα κώδικα που δείχνει πώς να εισάγετε τις απαραίτητες βιβλιοθήκες και να δημιουργήσετε ένα απλό γράφημα ράβδων:

# 导入必要的库
import bqplot.pyplot as plt
import numpy as np

# 创建一个简单的条形图
fig = plt.figure(title="简单条形图示例")
x = list("ABCDE")
y = np.random.rand(5)
bar = plt.bar(x, y)
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

Σε αυτό το παράδειγμα, πρώτα εισάγουμεbqplot.pyplotόπως καιplt, στη συνέχεια χρησιμοποιήστεnumpy Δημιουργήστε τυχαία δεδομένα. Στη συνέχεια, δημιουργήσαμε ένα απλό γράφημα ράβδων με πέντε ράβδους και το εμφανίσαμε σε ένα σημειωματάριο Jupyter.

Μέσα από τα παραπάνω βήματα, εγκαταστήσατε και εισαγάγατε με επιτυχία τη βιβλιοθήκη bqplot και δημιουργήσατε το πρώτο σας απλό διαδραστικό γράφημα. Στη συνέχεια, μπορείτε να συνεχίσετε την εξερεύνηση πιο προηγμένων λειτουργιών και τύπων γραφημάτων.

Προετοιμασία συνόλου δεδομένων

3.1 Εισαγωγή συνόλου δεδομένων

Πριν ξεκινήσετε τη χρήση bqplot Για να μπορέσετε να πραγματοποιήσετε οπτικοποίηση δεδομένων, πρέπει πρώτα να εισαγάγετε το απαιτούμενο σύνολο δεδομένων.Ακολουθούν ορισμένες κοινές μέθοδοι εισαγωγής δεδομένων και πώς να τις χρησιμοποιήσετεpandas βιβλιοθήκη για την επεξεργασία αυτών των δεδομένων.

Εισαγάγετε αρχεία CSV χρησιμοποιώντας panda

pandas Είναι μια ισχυρή βιβλιοθήκη επεξεργασίας δεδομένων που χρησιμοποιείται ευρέως για ανάλυση και προεπεξεργασία δεδομένων.Δείτε πώς να το χρησιμοποιήσετεpandas Παράδειγμα εισαγωγής αρχείου CSV:

import pandas as pd

# 导入CSV文件
df1 = pd.read_csv("../input/autompg-dataset/auto-mpg.csv")
  • 1
  • 2
  • 3
  • 4
Χρησιμοποιήστε panda για εισαγωγή δεδομένων σε άλλες μορφές

Εκτός από τα αρχεία CSV,pandas Υποστηρίζει επίσης την εισαγωγή δεδομένων σε πολλές μορφές, όπως αρχεία Excel, αρχεία JSON κ.λπ. Να μερικά παραδείγματα:

# 导入Excel文件
df_excel = pd.read_excel("../input/dataset.xlsx")

# 导入JSON文件
df_json = pd.read_json("../input/dataset.json")
  • 1
  • 2
  • 3
  • 4
  • 5
Χρησιμοποιήστε panda για να εισαγάγετε δεδομένα από τη βάση δεδομένων

Εάν τα δεδομένα είναι αποθηκευμένα σε μια βάση δεδομένων, μπορείτε να χρησιμοποιήσετε pandas τουread_sql λειτουργία εισαγωγής δεδομένων. Εδώ είναι ένα παράδειγμα:

import sqlite3

# 连接到SQLite数据库
conn = sqlite3.connect('../input/database.db')

# 从数据库中读取数据
df_sql = pd.read_sql('SELECT * FROM table_name', conn)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

3.2 Προεπισκόπηση συνόλου δεδομένων

Μετά την εισαγωγή ενός συνόλου δεδομένων, συνήθως χρειάζεται να κάνετε προεπισκόπηση του συνόλου δεδομένων για να κατανοήσετε τη δομή και το περιεχόμενο των δεδομένων.pandas Παρέχονται διάφορες μέθοδοι για την προεπισκόπηση του συνόλου δεδομένων.

Δείτε τις πρώτες λίγες σειρές του συνόλου δεδομένων

χρήση head() Μέθοδος για την προβολή των πρώτων σειρών του συνόλου δεδομένων:

# 查看前5行数据
print(df1.head())
  • 1
  • 2
Προβολή βασικών πληροφοριών σχετικά με το σύνολο δεδομένων

χρήση info() Η μέθοδος μπορεί να προβάλει τις βασικές πληροφορίες του συνόλου δεδομένων, συμπεριλαμβανομένων των τύπων δεδομένων και των τιμών που λείπουν:

# 查看数据集的基本信息
print(df1.info())
  • 1
  • 2
Προβολή στατιστικών στοιχείων για ένα σύνολο δεδομένων

χρήση describe() Η μέθοδος μπορεί να προβάλει τις στατιστικές πληροφορίες του συνόλου δεδομένων, συμπεριλαμβανομένου του μέσου όρου, της τυπικής απόκλισης, της ελάχιστης τιμής, της μέγιστης τιμής κ.λπ.:

# 查看数据集的统计信息
print(df1.describe())
  • 1
  • 2
Προβολή των ονομάτων στηλών του συνόλου δεδομένων

χρήση columns Οι ιδιότητες μπορούν να προβάλουν τα ονόματα στηλών του συνόλου δεδομένων:

# 查看数据集的列名
print(df1.columns)
  • 1
  • 2

Μέσω των παραπάνω μεθόδων, μπορείτε να έχετε μια βασική κατανόηση του εισαγόμενου συνόλου δεδομένων, θέτοντας έτσι τα θεμέλια για επακόλουθη εργασία οπτικοποίησης δεδομένων.

{
  "title": "bqplot教程:在Jupyter Notebook中进行交互式数据可视化",
  "summary": "本文详细介绍了如何使用bqplot库在Jupyter Notebook中进行交互式数据可视化。bqplot是一个基于Grammar of Graphics的2D可视化解决方案,结合了d3.js和ipywidgets的功能,旨在将d3.js的功能带到Python中。",
  "content_outline": [
    {
      "h1": "基本图表类型",
      "h2": [
        "4.1 散点图",
        "4.2 饼图",
        "4.3 箱线图",
        "4.4 条形图",
        "4.5 堆积条形图"
      ]
    }
  ]
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

Βασικοί τύποι γραφημάτων

4.1 Οικόπεδο διασποράς

Το Scatter Plot είναι ένα γράφημα που χρησιμοποιείται για να δείξει τη σχέση μεταξύ δύο μεταβλητών. Τα διαγράμματα διασποράς σας επιτρέπουν να παρατηρήσετε οπτικά την κατανομή και τη συσχέτιση των δεδομένων. Στο bqplot, η δημιουργία γραφικών scatter είναι πολύ απλή.

import bqplot as bq
import numpy as np

# 创建数据
x = np.random.rand(100)
y = np.random.rand(100)

# 创建尺度
x_sc = bq.LinearScale()
y_sc = bq.LinearScale()

# 创建散点标记
scatter = bq.Scatter(x=x, y=y, scales={'x': x_sc, 'y': y_sc})

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='X Axis')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Y Axis')

# 创建图表
fig = bq.Figure(marks=[scatter], axes=[ax_x, ax_y], title='Scatter Plot')

# 显示图表
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23

4.2 Διάγραμμα πίτας

Το γράφημα πίτας είναι ένα γράφημα που χρησιμοποιείται για την εμφάνιση της αναλογίας των δεδομένων. Στο bqplot, η δημιουργία γραφημάτων πίτας είναι εξίσου εύκολη.

import bqplot as bq

# 创建数据
data = [10, 20, 30, 40]
labels = ['A', 'B', 'C', 'D']

# 创建饼图标记
pie = bq.Pie(sizes=data, labels=labels)

# 创建图表
fig = bq.Figure(marks=[pie], title='Pie Chart')

# 显示图表
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

4.3 Οικόπεδο κουτιού

Ένα διάγραμμα πλαισίου είναι ένα γράφημα που χρησιμοποιείται για την εμφάνιση της κατανομής των δεδομένων. Μπορεί να εμφανίζει τη διάμεσο, τα τεταρτημόρια και τα ακραία στοιχεία των δεδομένων.

import bqplot as bq
import numpy as np

# 创建数据
data = [np.random.normal(0, 1, 100), np.random.normal(3, 1, 100), np.random.normal(6, 1, 100)]

# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()

# 创建箱线图标记
boxplot = bq.Boxplot(x=data, scales={'x': x_sc, 'y': y_sc})

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Groups')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')

# 创建图表
fig = bq.Figure(marks=[boxplot], axes=[ax_x, ax_y], title='Box Plot')

# 显示图表
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

4.4 Γράφημα ράβδων

Ένα γράφημα ράβδων είναι ένα γράφημα που χρησιμοποιείται για την εμφάνιση συγκρίσεων μεταξύ κατηγορικών δεδομένων. Το ύψος κάθε ράβδου αντιπροσωπεύει την τιμή δεδομένων για αυτήν την κατηγορία.

import bqplot as bq

# 创建数据
x_labels = ['A', 'B', 'C', 'D']
y_values = [30, 20, 40, 10]

# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()

# 创建条形图标记
bar = bq.Bars(x=x_labels, y=y_values, scales={'x': x_sc, 'y': y_sc})

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Categories')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')

# 创建图表
fig = bq.Figure(marks=[bar], axes=[ax_x, ax_y], title='Bar Chart')

# 显示图表
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

4.5 Γράφημα στοιβαγμένων ράβδων

Ένα γράφημα στοιβαγμένων ράβδων είναι ένα γράφημα που χρησιμοποιείται για την εμφάνιση συγκρίσεων μεταξύ πολλών κατηγορικών δεδομένων. Το ύψος κάθε ράβδου αντιπροσωπεύει την τιμή δεδομένων για αυτήν την κατηγορία και κάθε γραμμή μπορεί να χωριστεί σε τμήματα, με κάθε τμήμα να αντιπροσωπεύει μια υποκατηγορία.

import bqplot as bq

# 创建数据
x_labels = ['A', 'B', 'C', 'D']
y_values = [
    [30, 20],
    [20, 30],
    [40, 10],
    [10, 40]
]

# 创建尺度
x_sc = bq.OrdinalScale()
y_sc = bq.LinearScale()

# 创建堆积条形图标记
stacked_bar = bq.Bars(x=x_labels, y=y_values, scales={'x': x_sc, 'y': y_sc}, type='stacked')

# 创建轴
ax_x = bq.Axis(scale=x_sc, label='Categories')
ax_y = bq.Axis(scale=y_sc, orientation='vertical', label='Values')

# 创建图表
fig = bq.Figure(marks=[stacked_bar], axes=[ax_x, ax_y], title='Stacked Bar Chart')

# 显示图表
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27

Προηγμένοι τύποι γραφημάτων

5.1 Ιστόγραμμα

Το ιστόγραμμα είναι ένας τύπος γραφήματος που χρησιμοποιείται για να δείξει την κατανομή των δεδομένων.υπάρχειbqplotμπορεί να χρησιμοποιηθείplt.hist λειτουργία για τη δημιουργία ιστογράμματος. Εδώ είναι ένα απλό παράδειγμα:

import numpy as np
import bqplot.pyplot as plt

# 生成随机数据
data = np.random.randn(1000)

# 创建直方图
fig = plt.figure()
hist = plt.hist(data, bins=30)
plt.title('Histogram of Random Data')
plt.xlabel('Value')
plt.ylabel('Frequency')

fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

Σε αυτό το παράδειγμα, δημιουργήσαμε πρώτα 1000 τυχαία σημεία δεδομένων και στη συνέχεια χρησιμοποιήσαμεplt.hist Η συνάρτηση δημιουργεί ένα ιστόγραμμα με 30 bins. Μπορείτε να κάνετε το γράφημά σας πιο ξεκάθαρο και πιο κατανοητό ορίζοντας τίτλους και ετικέτες αξόνων.

5.2 Γραμμικό διάγραμμα

Τα γραμμικά γραφήματα είναι ένας κοινός τύπος γραφήματος που χρησιμοποιείται για την εμφάνιση τάσεων στα δεδομένα με την πάροδο του χρόνου ή άλλες συνεχείς μεταβλητές.υπάρχειbqplotμπορεί να χρησιμοποιηθείplt.plot λειτουργία για τη δημιουργία γραμμικού γραφήματος. Εδώ είναι ένα παράδειγμα:

import numpy as np
import bqplot.pyplot as plt

# 生成数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建折线图
fig = plt.figure()
line = plt.plot(x, y)
plt.title('Line Chart of Sine Function')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

Σε αυτό το παράδειγμα, δημιουργήσαμε δεδομένα συνάρτησης ημιτονοειδούς με 100 σημεία δεδομένων και στη συνέχεια χρησιμοποιήσαμεplt.plot Η συνάρτηση δημιουργεί ένα γραμμικό γράφημα. Μπορείτε να κάνετε το γράφημά σας πιο ξεκάθαρο και πιο κατανοητό ορίζοντας τίτλους και ετικέτες αξόνων.

5.3 Διάγραμμα κηροπήγιο

Τα γραφήματα κηροπήγιο (επίσης γνωστά ως γραφήματα κηροπήγιο) είναι ένας τύπος γραφήματος που χρησιμοποιείται για την εμφάνιση οικονομικών δεδομένων, όπως οι τιμές των μετοχών.υπάρχειbqplotμπορεί να χρησιμοποιηθείplt.candle λειτουργία για τη δημιουργία γραφημάτων κηροπήγιο. Εδώ είναι ένα παράδειγμα:

import numpy as np
import bqplot.pyplot as plt

# 生成随机金融数据
n = 100
open_prices = np.random.randn(n)
high_prices = open_prices + np.random.rand(n)
low_prices = open_prices - np.random.rand(n)
close_prices = open_prices + np.random.randn(n) * 0.5

# 创建蜡烛图
fig = plt.figure()
candle = plt.candle(open_prices, high_prices, low_prices, close_prices)
plt.title('Candlestick Chart of Random Financial Data')
plt.xlabel('Time')
plt.ylabel('Price')

fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

Σε αυτό το παράδειγμα, δημιουργούμε τυχαία δεδομένα τιμής ανοίγματος, υψηλού, χαμηλού και κλεισίματος και στη συνέχεια χρησιμοποιούμεplt.candle Η συνάρτηση δημιουργεί ένα γράφημα κηροπήγιο. Μπορείτε να κάνετε το γράφημά σας πιο ξεκάθαρο και πιο κατανοητό ορίζοντας τίτλους και ετικέτες αξόνων.

5.4 Χάρτης θερμότητας

Ο χάρτης θερμότητας είναι ένας τύπος γραφήματος που χρησιμοποιείται για την εμφάνιση της κατανομής πυκνότητας ή έντασης δισδιάστατων δεδομένων.υπάρχειbqplotμπορεί να χρησιμοποιηθείplt.heatmap λειτουργία για τη δημιουργία χάρτη θερμότητας. Εδώ είναι ένα παράδειγμα:

import numpy as np
import bqplot.pyplot as plt

# 生成随机数据
data = np.random.rand(10, 10)

# 创建热力图
fig = plt.figure()
heatmap = plt.heatmap(data)
plt.title('Heatmap of Random Data')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

Σε αυτό το παράδειγμα, δημιουργήσαμε έναν πίνακα 10x10 τυχαίων δεδομένων και στη συνέχεια χρησιμοποιήσαμεplt.heatmap Η λειτουργία δημιουργεί έναν χάρτη θερμότητας. Μπορείτε να κάνετε το γράφημά σας πιο ξεκάθαρο και πιο κατανοητό ορίζοντας τίτλους και ετικέτες αξόνων.

5.5 Γεωγραφικός χάρτης

Ένα γεωγραφικό γράφημα είναι ένας τύπος γραφήματος που χρησιμοποιείται για την εμφάνιση γεωγραφικών δεδομένων, όπως ένας χάρτης.υπάρχειbqplotμπορεί να χρησιμοποιηθείplt.geo λειτουργία για τη δημιουργία γεωγραφικών χαρτών. Εδώ είναι ένα παράδειγμα:

import bqplot.pyplot as plt

# 加载地理数据
map_data = 'World'

# 创建地理图
fig = plt.figure()
geo = plt.geo(map_data)
plt.title('Geographical Map')

fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

Σε αυτό το παράδειγμα, φορτώνουμε τα δεδομένα του παγκόσμιου χάρτη και στη συνέχεια χρησιμοποιούμεplt.geo Η συνάρτηση δημιουργεί έναν γεωγραφικό χάρτη. Ορίζοντας έναν τίτλο, μπορείτε να κάνετε το γράφημά σας πιο ξεκάθαρο και πιο κατανοητό.

διαδραστικές λειτουργίες

6.1 Επισκόπηση διαδραστικών στοιχείων

Στην οπτικοποίηση δεδομένων, οι διαδραστικές λειτουργίες είναι το κλειδί για τη βελτίωση της εμπειρίας του χρήστη και των δυνατοτήτων εξερεύνησης δεδομένων.bqplot Παρέχει πλούσια διαδραστικά στοιχεία που επιτρέπουν στους χρήστες να διεξάγουν δυναμική και αποκριτική εξερεύνηση δεδομένων στο Jupyter Notebook. Αυτά τα διαδραστικά στοιχεία περιλαμβάνουν, αλλά δεν περιορίζονται σε αυτά:

  • Μεγέθυνση και μετατόπιση: Επιτρέπει στον χρήστη να κάνει μεγέθυνση ή σμίκρυνση του γραφήματος, καθώς και να μετακινηθεί κατά μήκος του γραφήματος για να προβάλει διαφορετικές περιοχές δεδομένων.
  • Επιλέξτε και σύρετε: Επιτρέπει στους χρήστες να επιλέξουν συγκεκριμένα σημεία δεδομένων ή περιοχές σε ένα γράφημα για περαιτέρω ανάλυση.
  • συμβουλή εργαλείου: Εμφάνιση λεπτομερών πληροφοριών όταν το ποντίκι τοποθετείται πάνω από ένα σημείο δεδομένων.
  • Δυναμικές ενημερώσεις: Επιτρέπει τη δυναμική ενημέρωση των γραφημάτων με βάση τις εισαγωγές χρήστη ή τις αλλαγές δεδομένων.

Αυτά τα διαδραστικά στοιχεία είναι bqplot τουInteractions Η υλοποίηση της μονάδας παρέχει στους χρήστες διαισθητικά και ισχυρά εργαλεία εξερεύνησης δεδομένων.

6.2 Χρήση κοινών διαδραστικών στοιχείων

Μεγέθυνση και μετατόπιση

Το ζουμ και η μετατόπιση είναι οι πιο βασικές διαδραστικές λειτουργίες στην οπτικοποίηση δεδομένων.bqplot Παρέχει ενσωματωμένες λειτουργίες ζουμ και μετατόπισης, οι χρήστες μπορούν να μεγεθύνουν μέσω του τροχού του ποντικιού και να μετακινήσουν μέσω της μεταφοράς του ποντικιού. Εδώ είναι ένα απλό παράδειγμα:

import bqplot.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(-10, 10, 100)
y = np.sin(x)

# 创建图表
fig = plt.figure(title="Zoom and Pan Example")
plt.plot(x, y)
plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

Σε αυτό το παράδειγμα, ο χρήστης μπορεί να μεγεθύνει ή να σμικρύνει το γράφημα χρησιμοποιώντας τον τροχό του ποντικιού και να μετακινήσει το γράφημα σύροντας το ποντίκι.

Επιλέξτε και σύρετε

Οι δυνατότητες επιλογής επιλογής και βούρτσας επιτρέπουν στους χρήστες να επιλέξουν συγκεκριμένα σημεία δεδομένων ή περιοχές μέσα σε ένα γράφημα για περαιτέρω ανάλυση.bqplot υπό την προϋπόθεσηBrushSelector καιLassoSelector στοιχεία για την υλοποίηση αυτής της λειτουργικότητας.Το παρακάτω είναι μια χρήσηBrushSelector Παράδειγμα:

from bqplot import BrushSelector

# 创建选择器
brush = BrushSelector(x_scale=x_scale, y_scale=y_scale)

# 将选择器添加到图表
fig.interaction = brush
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

Σε αυτό το παράδειγμα, ο χρήστης μπορεί να επιλέξει μια ορθογώνια περιοχή στο γράφημα σύροντας το ποντίκι και τα επιλεγμένα σημεία δεδομένων θα επισημανθούν.

συμβουλή εργαλείου

Οι συμβουλές εργαλείων μπορούν να εμφανίζουν λεπτομερείς πληροφορίες όταν ο χρήστης τοποθετεί το ποντίκι πάνω από ένα σημείο δεδομένων.bqplot υπό την προϋπόθεσηTooltip στοιχείο για την επίτευξη αυτής της λειτουργικότητας. Εδώ είναι ένα απλό παράδειγμα:

from bqplot import Tooltip

# 创建工具提示
tooltip = Tooltip(fields=['x', 'y'], formats=['.2f', '.2f'])

# 将工具提示添加到图表
scatter.tooltip = tooltip
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

Σε αυτό το παράδειγμα, όταν ο χρήστης τοποθετεί τον δείκτη του ποντικιού πάνω από ένα σημείο δεδομένων γραφικής παράστασης διασποράς, το x καιy αξία.

Δυναμικές ενημερώσεις

Η δυνατότητα δυναμικής ενημέρωσης επιτρέπει στα γραφήματα να ενημερώνονται δυναμικά με βάση τις εισαγωγές χρήστη ή τις αλλαγές δεδομένων.bqplot υπό την προϋπόθεσηinteracts μονάδα για την υλοποίηση αυτής της λειτουργικότητας. Εδώ είναι ένα απλό παράδειγμα:

from ipywidgets import IntSlider

# 创建滑块
slider = IntSlider(value=50, min=0, max=100, step=1)

# 定义更新函数
def update_plot(change):
    new_value = change['new']
    scatter.x = np.linspace(0, new_value, 100)

# 绑定滑块到更新函数
slider.observe(update_plot, names='value')

# 显示滑块和图表
slider
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

Σε αυτό το παράδειγμα, ο χρήστης μπορεί να ενημερώσει δυναμικά τα δεδομένα στο γράφημα προσαρμόζοντας την τιμή του ρυθμιστικού.

Προηγμένες λειτουργίες και εφαρμογές

7.1 Διαδραστικός πίνακας εργαλείων

Οι διαδραστικοί πίνακες εργαλείων είναι μια σημαντική εφαρμογή στην οπτικοποίηση δεδομένων, η οποία επιτρέπει στους χρήστες να εξερευνούν δυναμικά δεδομένα μέσω διαδραστικών στοιχείων για να αποκτήσουν μια βαθύτερη κατανόηση των πληροφοριών πίσω από τα δεδομένα. Το bqplot παρέχει ισχυρές δυνατότητες για τη δημιουργία διαδραστικών πινάκων εργαλείων Εδώ είναι ένα απλό παράδειγμα που δείχνει πώς να δημιουργήσετε έναν πίνακα εργαλείων που περιέχει πολλαπλά γραφήματα και διαδραστικά στοιχεία.

Για να δημιουργήσετε έναν διαδραστικό πίνακα ελέγχου
  1. Εισαγάγετε τις απαραίτητες βιβλιοθήκες

    import bqplot as bq
    import ipywidgets as widgets
    from bqplot import pyplot as plt
    import numpy as np
    
    • 1
    • 2
    • 3
    • 4
  2. Προετοιμάστε δεδομένα

    x = np.arange(100)
    y = np.random.randn(100).cumsum()
    
    • 1
    • 2
  3. Δημιουργήστε ένα στοιχείο γραφήματος

    line_chart = plt.plot(x, y, 'Line Chart')
    bar_chart = plt.bar(x, y, 'Bar Chart')
    
    • 1
    • 2
  4. Δημιουργήστε διαδραστικά στοιχεία

    dropdown = widgets.Dropdown(
        options=['Line Chart', 'Bar Chart'],
        value='Line Chart',
        description='Chart Type:'
    )
    
    • 1
    • 2
    • 3
    • 4
    • 5
  5. Ορίστε τη λογική αλληλεπίδρασης

    def on_change(change):
        if change['new'] == 'Line Chart':
            plt.clear()
            plt.plot(x, y, 'Line Chart')
        elif change['new'] == 'Bar Chart':
            plt.clear()
            plt.bar(x, y, 'Bar Chart')
    
    dropdown.observe(on_change, names='value')
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
  6. Σύνθετα εξαρτήματα

    dashboard = widgets.VBox([dropdown, plt.figure])
    display(dashboard)
    
    • 1
    • 2

Μέσα από τα παραπάνω βήματα, μπορούμε να δημιουργήσουμε έναν απλό διαδραστικό πίνακα εργαλείων όπου οι χρήστες μπορούν να επιλέξουν διαφορετικούς τύπους γραφημάτων μέσω του αναπτυσσόμενου μενού για να επιτύχουν δυναμική οπτικοποίηση δεδομένων.

7.2 Επιλογείς δεδομένων (Επιλογείς)

Οι επιλογείς δεδομένων είναι σημαντικά στοιχεία στο bqplot για φιλτράρισμα και αλληλεπίδραση δεδομένων. Μέσω του επιλογέα δεδομένων, οι χρήστες μπορούν να επιλέξουν και να χειριστούν δεδομένα απευθείας στο γράφημα για να επιτύχουν πιο εκλεπτυσμένη ανάλυση δεδομένων.

Παράδειγμα χρήσης επιλογέα δεδομένων
  1. Εισαγάγετε τις απαραίτητες βιβλιοθήκες

    import bqplot as bq
    import ipywidgets as widgets
    from bqplot import pyplot as plt
    import numpy as np
    
    • 1
    • 2
    • 3
    • 4
  2. Προετοιμάστε δεδομένα

    x = np.arange(100)
    y = np.random.randn(100).cumsum()
    
    • 1
    • 2
  3. Δημιουργία γραφήματος

    scatter_chart = plt.scatter(x, y, 'Scatter Chart')
    
    • 1
  4. Δημιουργία επιλογέα δεδομένων

    selector = bq.interacts.BrushSelector(x_scale=scatter_chart.scales['x'], y_scale=scatter_chart.scales['y'])
    scatter_chart.interaction = selector
    
    • 1
    • 2
  5. Ορίστε τη λογική επιλογής

    def on_selection(change):
        selected_data = scatter_chart.selected
        print(f"Selected Data: {selected_data}")
    
    selector.observe(on_selection, names='selected')
    
    • 1
    • 2
    • 3
    • 4
    • 5
  6. Εμφάνιση γραφήματος

    display(plt.figure)
    
    • 1

Μέσα από τα παραπάνω βήματα, μπορούμε να δημιουργήσουμε έναν επιλογέα δεδομένων στο διάγραμμα διασποράς. Ο χρήστης μπορεί να επιλέξει σημεία δεδομένων σύροντας το ποντίκι και να εξάγει τα επιλεγμένα δεδομένα στην κονσόλα.

7.3 Προηγμένες εφαρμογές προβολής και χάρτη

Το bqplot όχι μόνο υποστηρίζει βασικά 2D γραφήματα, αλλά παρέχει επίσης ισχυρές λειτουργίες γεωγραφικών γραφημάτων που μπορούν να χρησιμοποιηθούν για τη δημιουργία διαφόρων προβολών χαρτών και προηγμένων γεωγραφικών γραφημάτων.

Παράδειγμα δημιουργίας γεωγραφικού χάρτη
  1. Εισαγάγετε τις απαραίτητες βιβλιοθήκες

    import bqplot as bq
    import ipywidgets as widgets
    from bqplot import pyplot as plt
    import numpy as np
    
    • 1
    • 2
    • 3
    • 4
  2. Προετοιμάστε γεωγραφικά δεδομένα

    import json
    with open('world.json') as f:
        world_data = json.load(f)
    
    • 1
    • 2
    • 3
  3. Δημιουργήστε έναν γεωγραφικό χάρτη

    map_chart = bq.Map(
        map_data=bq.topo_load('world.json'),
        scales={'projection': bq.AlbersUSA()}
    )
    
    • 1
    • 2
    • 3
    • 4
  4. Δημιουργήστε διαδραστικά στοιχεία

    dropdown = widgets.Dropdown(
        options=['AlbersUSA', 'Mercator', 'Orthographic'],
        value='AlbersUSA',
        description='Projection:'
    )
    
    • 1
    • 2
    • 3
    • 4
    • 5
  5. Ορίστε τη λογική αλληλεπίδρασης

    def on_change(change):
        if change['new'] == 'AlbersUSA':
            map_chart.scales['projection'] = bq.AlbersUSA()
        elif change['new'] == 'Mercator':
            map_chart.scales['projection'] = bq.Mercator()
        elif change['new'] == 'Orthographic':
            map_chart.scales['projection'] = bq.Orthographic()
    
    dropdown.observe(on_change, names='value')
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
  6. Σύνθετα εξαρτήματα

    map_dashboard = widgets.VBox([dropdown, map_chart])
    display(map_dashboard)
    
    • 1
    • 2

Μέσα από τα παραπάνω βήματα, μπορούμε να δημιουργήσουμε έναν γεωγραφικό χάρτη που υποστηρίζει πολλαπλές προβολές χαρτών Οι χρήστες μπορούν να επιλέξουν διαφορετικές μεθόδους προβολής μέσω του αναπτυσσόμενου μενού για να επιτύχουν δυναμική εμφάνιση χάρτη.

Μέσω αυτών των προηγμένων λειτουργιών και εφαρμογών, το bqplot παρέχει στους χρήστες ισχυρά εργαλεία οπτικοποίησης δεδομένων, κάνοντας τη διαδραστική ανάλυση δεδομένων στο Jupyter Notebook πιο βολική και αποτελεσματική.

Τεκμηρίωση API

8.1 Pyplot

bqplot παρέχει κάτι σανmatplotlib τουpyplot Το API επιτρέπει στους χρήστες να δημιουργούν και να εμφανίζουν γρήγορα γραφήματα.Τα παρακάτω είναι μερικά που χρησιμοποιούνται συνήθωςpyplot Λειτουργίες και παραδείγματα:

  • figure(): Δημιουργήστε ένα νέο γραφικό.
  • plot(): Σχεδιάστε ένα γραμμικό γράφημα.
  • scatter(): Σχεδιάστε ένα διάγραμμα διασποράς.
  • bar(): Σχεδιάστε ένα ραβδόγραμμα.
  • pie(): Σχεδιάστε ένα διάγραμμα πίτας.
  • hist(): Σχεδιάστε ένα ιστόγραμμα.

Δείγμα κώδικα:

from bqplot import pyplot as plt
import numpy as np

# 创建数据
x = np.arange(10)
y = x ** 2

# 创建图形
fig = plt.figure()

# 绘制折线图
plt.plot(x, y)

# 显示图形
plt.show()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

8.2 Μοντέλο αντικειμένου

bqplot Το μοντέλο αντικειμένου βασίζεται στη Γραμματική των Γραφικών, παρέχοντας έναν πιο ευέλικτο και λεπτομερή τρόπο προσαρμογής γραφημάτων. Ακολουθούν ορισμένα βασικά αντικείμενα και παραδείγματα:

  • Figure: Δοχείο για το γράφημα, που περιέχει όλους τους δείκτες και τους άξονες.
  • Mark: Συγκεκριμένα γραφικά στοιχεία, όπως γραμμές, σημεία, γραμμές κ.λπ.
  • Axis: Άξονας.
  • Scale: Αντιστοίχιση δεδομένων σε γράφημα.

Δείγμα κώδικα:

from bqplot import Figure, Axis, Scale, Lines
import numpy as np

# 创建数据
x = np.arange(10)
y = x ** 2

# 创建比例尺
x_scale = Scale(min=0, max=10)
y_scale = Scale(min=0, max=100)

# 创建轴
x_axis = Axis(scale=x_scale, label='X Axis')
y_axis = Axis(scale=y_scale, label='Y Axis', orientation='vertical')

# 创建标记
line = Lines(x=x, y=y, scales={'x': x_scale, 'y': y_scale})

# 创建图形
fig = Figure(marks=[line], axes=[x_axis, y_axis])

# 显示图形
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23

8.3 Επεξηγήσεις εργαλείων και γραμμές εργαλείων

bqplot Παρέχει πλούσιες συμβουλές εργαλείων και λειτουργίες γραμμής εργαλείων, επιτρέποντας στους χρήστες να αλληλεπιδρούν με γραφικά πιο άνετα.

  • Tooltip: Εμφάνιση πληροφοριών δεδομένων όταν τοποθετείται το ποντίκι.
  • Toolbar: Παρέχει διαδραστικές λειτουργίες όπως ζουμ και μετατόπιση.

Δείγμα κώδικα:

from bqplot import Tooltip, Toolbar

# 创建工具提示
tooltip = Tooltip(fields=['x', 'y'], formats=['.2f', '.2f'])

# 创建工具栏
toolbar = Toolbar(figure=fig)

# 添加到图形
line.tooltip = tooltip
fig.toolbar = toolbar

# 显示图形
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

8.4 Χάρτης αλληλεπίδρασης και αγοράς

bqplot Υποστηρίζει πολύπλοκες διαδραστικές λειτουργίες όπως επιλογή, ζουμ, μετατόπιση κ.λπ. επίσης,bqplot Μπορεί επίσης να χρησιμοποιηθεί για τη δημιουργία προηγμένων απεικονίσεων, όπως χάρτες αγοράς.

Δείγμα κώδικα:

from bqplot import MarketMap
import pandas as pd

# 创建数据
data = pd.DataFrame({
    'label': ['A', 'B', 'C', 'D'],
    'values': [100, 200, 150, 300],
    'color': ['red', 'green', 'blue', 'yellow']
})

# 创建市场地图
market_map = MarketMap(names=data['label'], values=data['values'], colors=data['color'])

# 创建图形
fig = Figure(marks=[market_map])

# 显示图形
fig
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

Μέσω της εισαγωγής των παραπάνω εγγράφων API, οι χρήστες μπορούν να κατανοήσουν και να χρησιμοποιήσουν καλύτερα bqplot βιβλιοθήκη για να δημιουργήσετε πλούσιες, διαδραστικές απεικονίσεις δεδομένων.

Οδηγοί Μετανάστευσης και Συνεισφορές

9.1 Οδηγός Μετανάστευσης

Υπάρχουν ορισμένες προκλήσεις που μπορεί να αντιμετωπίσετε κατά τη μετεγκατάσταση υπαρχόντων έργων από άλλες βιβλιοθήκες οπτικοποίησης δεδομένων όπως το Matplotlib ή το Plotly στο bqplot. Ακολουθούν ορισμένα βασικά βήματα και σκέψεις που θα σας βοηθήσουν να πλοηγηθείτε στη διαδικασία μετεγκατάστασης.

9.1.1 Κατανόηση των βασικών εννοιών του bqplot

Πριν ξεκινήσετε τη μετεγκατάσταση, πρέπει πρώτα να κατανοήσετε τις βασικές έννοιες του bqplot, όπως:

  • Ζυγός: Ορίστε τη μέθοδο αντιστοίχισης των δεδομένων, όπως γραμμική κλίμακα, λογαριθμική κλίμακα κ.λπ.
  • Σημάδια: Αντιπροσωπεύει οπτικά στοιχεία σε γραφήματα, όπως σημεία διασποράς, γραμμές, ράβδους κ.λπ.
  • Τσεκούρια: Ορίστε τον άξονα συντεταγμένων του γραφήματος.
  • Αλληλεπιδράσεις: Καθορίστε πώς αλληλεπιδρούν οι χρήστες με το γράφημα.
9.1.2 Προετοιμασία δεδομένων

Βεβαιωθείτε ότι τα δεδομένα σας είναι έτοιμα και μπορούν εύκολα να μετατραπούν στη μορφή που απαιτείται από το bqplot. Συνήθως, τα δεδομένα μπορούν να αποθηκευτούν σε ένα Pandas DataFrame, το οποίο επιτρέπει τον εύκολο χειρισμό και οπτικοποίηση δεδομένων.

9.1.3 Σταδιακή μετανάστευση
  1. Εισαγάγετε τις απαραίτητες βιβλιοθήκες

    import bqplot as bq
    import pandas as pd
    import numpy as np
    
    • 1
    • 2
    • 3
  2. Δημιουργήστε κλίμακες και άξονες

    x_sc = bq.LinearScale()
    y_sc = bq.LinearScale()
    ax_x = bq.Axis(scale=x_sc, label='X Axis')
    ax_y = bq.Axis(scale=y_sc, label='Y Axis', orientation='vertical')
    
    • 1
    • 2
    • 3
    • 4
  3. Δημιουργία ετικέτας

    data = pd.DataFrame(np.random.randn(100, 2), columns=['X', 'Y'])
    scatter = bq.Scatter(x=data['X'], y=data['Y'], scales={'x': x_sc, 'y': y_sc})
    
    • 1
    • 2
  4. Δημιουργία γραφήματος

    fig = bq.Figure(axes=[ax_x, ax_y], marks=[scatter])
    
    • 1
  5. Εμφάνιση γραφήματος

    display(fig)
    
    • 1
9.1.4 Χειρισμός αλληλεπιδράσεων

Το bqplot παρέχει πλούσιες διαδραστικές λειτουργίες, οι οποίες μπορούν να επιτευχθούν ορίζοντας διαφορετικές ιδιότητες. Για παράδειγμα, για να ενεργοποιήσετε τη λειτουργία ζουμ και μετατόπισης:

scatter.enable_move = True
scatter.enable_zoom = True
  • 1
  • 2
9.1.5 Προσαρμοσμένα στυλ

Το bqplot σάς επιτρέπει να προσαρμόσετε το στυλ του γραφήματος σας, συμπεριλαμβανομένου του χρώματος, του στυλ δείκτη, του στυλ γραμμής κ.λπ. Για παράδειγμα, για να προσαρμόσετε την εμφάνιση ενός σχεδίου διασποράς:

scatter = bq.Scatter(x=data['X'], y=data['Y'], scales={'x': x_sc, 'y': y_sc}, colors=['blue'], default_size=20, marker='triangle-up', stroke='black')
  • 1

9.2 Οδηγίες συνεισφοράς

Το bqplot είναι ένα έργο ανοιχτού κώδικα και τα μέλη της κοινότητας είναι ευπρόσδεκτα να συνεισφέρουν κώδικα, τεκμηρίωση και παραδείγματα. Ακολουθούν ορισμένες οδηγίες συνεισφοράς που θα σας βοηθήσουν να ξεκινήσετε να συνεισφέρετε στο έργο bqplot.

9.2.1 Ρύθμιση του περιβάλλοντος ανάπτυξης
  1. Αποθετήριο κλώνων

    git clone https://github.com/bqplot/bqplot.git
    cd bqplot
    
    • 1
    • 2
  2. Εγκαταστήστε εξαρτήσεις

    pip install -r requirements.txt
    
    • 1
  3. Εγκαταστήστε την έκδοση ανάπτυξης

    pip install -e .
    
    • 1
9.2.2 Σύνταξη κώδικα

Όταν συνεισφέρετε κώδικα, ακολουθήστε αυτές τις οδηγίες:

  • στυλ κωδικοποίησης:Ακολουθήστε τον οδηγό στυλ PEP 8.
  • έγγραφο: Προσθήκη τεκμηρίωσης για νέες δυνατότητες ή τροποποιήσεις.
  • δοκιμή: Γράψτε δοκιμές μονάδας για να διασφαλίσετε την ορθότητα του κώδικα.
9.2.3 Υποβολή PR
  1. Δημιουργήστε ένα υποκατάστημα

    git checkout -b my-new-feature
    
    • 1
  2. Δεσμεύστε αλλαγές

    git add .
    git commit -m "Add some feature"
    
    • 1
    • 2
  3. κλαδί ώθησης

    git push origin my-new-feature
    
    • 1
  4. Δημιουργία Αίτησης Τραβήγματος
    Δημιουργήστε ένα νέο αίτημα έλξης στο GitHub που περιγράφει τις αλλαγές και τα κίνητρά σας.

9.2.4 Συμμετοχή στην κοινότητα
  • Συμμετέχετε σε συζητήσεις: Εγγραφείτε στο Gitter chat room του bqplot ή στο φόρουμ συζήτησης του GitHub για να επικοινωνήσετε με άλλους προγραμματιστές.
  • Αναφέρω ένα πρόβλημα: Εάν εντοπίσετε προβλήματα ή σφάλματα, υποβάλετε ένα ζήτημα στο GitHub.
  • Παρέχετε σχόλια: Παρέχετε σχόλια για νέες δυνατότητες ή βελτιώσεις για να βοηθήσετε το έργο να αναπτυχθεί καλύτερα.

Ακολουθώντας αυτές τις οδηγίες, μπορείτε να κάνετε μια πολύτιμη συνεισφορά στο έργο bqplot και να βοηθήσετε στην προώθηση της διαδραστικής οπτικοποίησης δεδομένων στην κοινότητα Python.

Περίληψη και Outlook

10.1 Πλεονεκτήματα και περιορισμοί του bqplot

Πλεονέκτημα

bqplot βασίζεται σεΓραμματική των Γραφικών Σύστημα απεικόνισης 2D, σχεδιασμένο γιαΣημειωματάριο Jupyter σχέδιο. Έχει τα ακόλουθα σημαντικά πλεονεκτήματα:

  1. διαδραστικότητα: Κάθε στοιχείο του bqplot είναι ένα διαδραστικό γραφικό στοιχείο, το οποίο επιτρέπει στους χρήστες να ενσωματώνουν εύκολα οπτικοποιήσεις με άλλα διαδραστικά γραφικά στοιχεία Jupyter για τη δημιουργία σύνθετων γραφικών διεπαφών χρήστη (GUI).
  2. Ευκολία στη χρήση: Μέσω απλού κώδικα Python, οι χρήστες μπορούν γρήγορα να δημιουργήσουν και να προσαρμόσουν διάφορα γραφήματα χωρίς να χρειάζεται να κατανοήσουν σε βάθος τον σύνθετο προγραμματισμό γραφικών.
  3. ευκαμψία: Υποστηρίζει μια ποικιλία τύπων γραφημάτων, συμπεριλαμβανομένων γραφημάτων διασποράς, γραφημάτων πίτας, γραφικών πλαισίων, γραφημάτων ράβδων κ.λπ., για την κάλυψη διαφορετικών αναγκών οπτικοποίησης δεδομένων.
  4. Ενσωμάτωση: Τέλεια ενσωματωμένο με το οικοσύστημα Jupyter, διευκολύνοντας τους επιστήμονες δεδομένων και τους αναλυτές να χρησιμοποιούν στη διαδικασία ανάλυσης δεδομένων.
περιορισμούς

Αν και το bqplot παρέχει ισχυρή λειτουργικότητα και ευελιξία, έχει επίσης ορισμένους περιορισμούς:

  1. εκτέλεση: Για σύνολα δεδομένων μεγάλης κλίμακας, η απόδοση του bqplot μπορεί να μην είναι τόσο καλή όσο ορισμένα επαγγελματικά εργαλεία οπτικοποίησης, ειδικά όταν αντιμετωπίζετε πολύπλοκα γραφήματα και μεγάλες ποσότητες δεδομένων.
  2. καμπύλη εκμάθησης: Αν και το bqplot είναι σχετικά εύκολο να ξεκινήσετε, για αρχάριους, χρειάζεται ακόμα λίγος χρόνος για να εξοικειωθούν με το API και τα διαδραστικά στοιχεία του.
  3. κοινοτική υποστήριξη: Σε σύγκριση με ορισμένες ώριμες βιβλιοθήκες οπτικοποίησης, το bqplot έχει μια μικρότερη κοινότητα, η οποία μπορεί να οδηγήσει σε περιορισμένους πόρους για βοήθεια όταν αντιμετωπίζετε προβλήματα.

10.2 Μελλοντικές τάσεις ανάπτυξης

Ως ενεργό έργο ανοιχτού κώδικα, οι μελλοντικές τάσεις ανάπτυξης του bqplot αξίζουν προσοχής:

  1. Βελτιστοποίηση απόδοσης: Με την ανάπτυξη της τεχνολογίας, αναμένεται ότι το bqplot θα λάβει σημαντικές βελτιώσεις στην απόδοση και θα χειριστεί καλύτερα σύνολα δεδομένων μεγάλης κλίμακας και πολύπλοκα γραφήματα.
  2. Ενσωμάτωση νέων χαρακτηριστικών: Οι μελλοντικές εκδόσεις ενδέχεται να εισάγουν πιο προηγμένους τύπους γραφημάτων και διαδραστικές λειτουργίες, όπως απεικόνιση 3D, υποστήριξη κινούμενων εικόνων κ.λπ.
  3. ανάπτυξη της κοινότητας: Καθώς η δημοτικότητα και το πεδίο εφαρμογής του bqplot διευρύνεται, η κοινότητά του αναμένεται να συνεχίσει να αναπτύσσεται και να προσελκύει περισσότερους προγραμματιστές και χρήστες να συμμετάσχουν.
  4. Υποστήριξη πολλαπλών πλατφορμών: Εκτός από το Jupyter Notebook, το bqplot μπορεί να επεκταθεί και σε άλλες πλατφόρμες και περιβάλλοντα για να παρέχει ένα ευρύτερο φάσμα σεναρίων εφαρμογών.

Εν ολίγοις, το bqplot, ως ένα ισχυρό διαδραστικό εργαλείο οπτικοποίησης δεδομένων, έχει ευρείες προοπτικές εφαρμογής στον τομέα της επιστήμης δεδομένων. Με συνεχή βελτιστοποίηση και επέκταση χαρακτηριστικών, θα συνεχίσει να παρέχει περισσότερες δυνατότητες για ανάλυση και οπτικοποίηση δεδομένων.