折線圖與面積圖
① 單線圖、多線圖
② 面積圖、堆疊面積圖
1. 折線圖--單線圖
import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib inline import warnings warnings.filterwarnings('ignore') # 不發出警告 from bokeh.io import output_notebook output_notebook() # 導入notebook繪圖模塊 from bokeh.plotting import figure,show # 導入圖表繪制、圖標展示模塊
source = ColumnDataSource(data = df) 這里df中index、columns都必須有名稱字段
p.line(x='index',y='value',source = source, line_width=1, line_alpha = 0.8, line_color = 'black',line_dash = [10,4])
# 繪制折線圖
p.circle(x='index',y='value',source = source, size = 2,color = 'red',alpha = 0.8) # 繪制折點
# 1、折線圖 - 單線圖 from bokeh.models import ColumnDataSource # 導入ColumnDataSource模塊 # 將數據存儲為ColumnDataSource對象 # 參考文檔：http://bokeh.pydata.org/en/latest/docs/user_guide/data.html # 可以將dict、Dataframe、group對象轉化為ColumnDataSource對象 df = pd.DataFrame({'value':np.random.randn(100).cumsum()}) # 創建數據 df.index.name = 'index' source = ColumnDataSource(data = df) # 轉化為ColumnDataSource對象 # 這里注意了，index和columns都必須有名稱字段 p = figure(plot_width=600, plot_height=400) p.line(x='index',y='value',source = source, # 設置x，y值, source → 數據源 line_width=1, line_alpha = 0.8, line_color = 'black',line_dash = [10,4]) # 線型基本設置 # 繪制折線圖 p.circle(x='index',y='value',source = source, size = 2,color = 'red',alpha = 0.8) # 繪制折點 show(p) df.head()
可以將dict、Dataframe、group對象轉化為ColumnDataSource對象
dic = {'index':df.index.tolist(), 'value':df['value'].tolist()} #一般把它先變成字典的格式
source = ColumnDataSource(data=dic)
#不轉換為字典也可以，把index提取出來df.index.name = 'a' --->>> source = ColumnDataSource(data = df)
from bokeh.models import ColumnDataSource # 導入ColumnDataSource模塊 # 將數據存儲為ColumnDataSource對象 # 參考文檔：http://bokeh.pydata.org/en/latest/docs/user_guide/data.html # 可以將dict、Dataframe、group對象轉化為ColumnDataSource對象 dic = {'index':df.index.tolist(), 'value':df['value'].tolist()} #一般把它先變成字典的格式 source = ColumnDataSource(data=dic) print(source) p = figure(plot_width=600, plot_height=400) p.line(x='index',y='value',source = source, # 設置x，y值, source → 數據源 line_width=1, line_alpha = 0.8, line_color = 'black',line_dash = [10,4]) # 線型基本設置 # 繪制折線圖 show(p)
df.index.name = 'a' #不轉換為字典也可以，把index提取出來 source = ColumnDataSource(data = df) p = figure(plot_width=600, plot_height=400) p.line(x='a',y='value',source = source, # 設置x，y值, source → 數據源 line_width=1, line_alpha = 0.8, line_color = 'black',line_dash = [10,4]) # 線型基本設置 # 繪制折線圖 show(p)
df.index.name = 'a' source = ColumnDataSource(data = df) p = figure() p.line(x='a',y='value',source = source) # 設置x，y值, source → 數據源 show(p)
2. 折線圖--多線圖
① multi_line
p.multi_line([df.index, df.index], [df['A'], df['B']], color=["firebrick", "navy"], alpha=[0.8, 0.6], line_width=[2,1],)
# 2、折線圖 - 多線圖 # ① multi_line df = pd.DataFrame({'A':np.random.randn(100).cumsum(),"B":np.random.randn(100).cumsum()}) # 創建數據 p = figure(plot_width=600, plot_height=400) p.multi_line([df.index, df.index], #第一條線的橫坐標和第二條線的橫坐標 [df['A'], df['B']], # 注意x，y值的設置 → [x1,x2,x3,..], [y1,y2,y3,...] 第一條線的Y值和第二條線的Y值 color=["firebrick", "navy"], # 可同時設置 → color= "firebrick"；也可以統一弄成一個顏色。 alpha=[0.8, 0.6], # 可同時設置 → alpha = 0.6 line_width=[2,1], # 可同時設置 → line_width = 2 ) # 繪制多段線 # 這里由於需要輸入具體值，故直接用dataframe，或者dict即可 show(p)
② 多個line
p.line(x, 10**(x**2), legend="y=10^(x^2)",line_color="coral", line_dash="dashed", line_width=2)
# 2、折線圖 - 多線圖 # ② 多個line x = np.linspace(0.1, 5, 100) # 創建x值 p = figure(title="log axis example", y_axis_type="log",y_range=(0.001, 10**22)) # 這里設置對數坐標軸 p.line(x, np.sqrt(x), legend="y=sqrt(x)", line_color="tomato", line_dash="dotdash") # line1 p.line(x, x, legend="y=x") p.circle(x, x, legend="y=x") # line2，折線圖+散點圖 p.line(x, x**2, legend="y=x**2") p.circle(x, x**2, legend="y=x**2",fill_color=None, line_color="olivedrab") # line3 p.line(x, 10**x, legend="y=10^x",line_color="gold", line_width=2) # line4 p.line(x, x**x, legend="y=x^x",line_dash="dotted", line_color="indigo", line_width=2) # line5 p.line(x, 10**(x**2), legend="y=10^(x^2)",line_color="coral", line_dash="dashed", line_width=2) # line6 p.legend.location = "top_left" p.xaxis.axis_label = 'Domain' p.yaxis.axis_label = 'Values (log scale)' # 設置圖例及label show(p)
3. 面積圖
# 3、面積圖 - 單維度面積圖 s = pd.Series(np.random.randn(100).cumsum()) s.iloc[0] = 0 s.iloc[-1] = 0 # 創建數據 # 注意設定起始值和終點值為最低點 p = figure(plot_width=600, plot_height=400) p.patch(s.index, s.values, # 設置x，y值 line_width=1, line_alpha = 0.8, line_color = 'black',line_dash = [10,4], # 線型基本設置 fill_color = 'black',fill_alpha = 0.2 ) # 繪制面積圖 # .patch將會把所有點連接成一個閉合面 show(p)
p.circle(s.index, s.values,size = 5,color = 'red',alpha = 0.8) # 繪制折點
# 3、面積圖 - 面積堆疊圖 from bokeh.palettes import brewer # 導入brewer模塊 N = 20 cats = 10 #分類 rng = np.random.RandomState(1) df = pd.DataFrame(rng.randint(10, 100, size=(N, cats))).add_prefix('y') # 創建數據，shape為（20，10） df_top = df.cumsum(axis=1) # 每一個堆疊面積圖的最高點 df_bottom = df_top.shift(axis=1).fillna({'y0': 0})[::-1] # 每一個堆疊面積圖的最低點，並反向 df_stack = pd.concat([df_bottom, df_top], ignore_index=True) # 數據合並，每一組數據都是一個可以圍合成一個面的散點集合 # 得到堆疊面積數據 # print(df.head()) # print(df_top.tail()) # print(df_bottom.head()) # df_stack colors = brewer['Spectral'][df_stack.shape[1]] # 根據變量數拆分顏色 x = np.hstack((df.index[::-1], df.index)) # 得到圍合順序的index，這里由於一列是20個元素，所以連接成面需要40個點 print(x) p = figure(x_range=(0, N-1), y_range=(0, 700)) p.patches([x] * df_stack.shape[1], # 得到10組index [df_stack[c].values for c in df_stack], # c為df_stack的列名，這里得到10組對應的valyes color=colors, alpha=0.8, line_color=None) # 設置其他參數 show(p)
[19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
