作者|Christopher Tao
編譯|VK
來源|Towards Datas Science
作為一個使用Python作為主要編程語言的數據科學家或分析師，我相信你一定經常使用Pandas。在Jupyter Notebook上輸出pandas DataFrame是非常頻繁的。
然而，你有沒有想過，我們可以讓DataFrame本身可視化？換句話說，對於一些簡單的可視化目的，我們不需要Matplotlib或其他可視化庫。
Pandas DataFrame輸出可以像Excel電子表格一樣可視化，並且支持復雜樣式，代碼非常簡單。
在這篇文章中，我將介紹Pandas庫中的樣式包，與它的數據處理方法相比，知道它的人相對較少。此外，還有一些有趣的庫，它們支持Pandas DataFrame的更多在線可視化。在最后一節中，我還將介紹其中的一個Sparklines。
關於Pandas庫
眾所周知，Pandas DataFrame可以輸出到iPython/Jupyter Notebook中，該 Notebook自動以HTML格式呈現CSS樣式。這絕對是一個驚人的功能，因為即使我們只是簡單地打印它，演示文稿也非常漂亮。
它使用“HTML+CSS”。Pandas還允許我們定制CSS樣式，使它看起來更漂亮。這是通過“style”API實現的。
https://pandas.pydata.org/docs/reference/style.html
我們可以直接調用df.style獲取 DataFrame的Styler對象，然后添加所需的樣式。現在，讓我們看看我們能做些什么。
格式化輸出
當然，我們總是可以格式化數據本身，比df.round(2))將所有數值四舍五入到2位小數。然而，使用Pandas style也有一些好處。例如，我們實際上不更改值，而只更改表示形式，這樣就不會丟失精度。
讓我們先創建一個隨機DataFrame。
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(10, 2)*100)
然后，讓我們以特定格式輸出 DataFrame。
df.style.format("{:.2f}")
順便說一句，如果你不太熟悉Python格式化語言，例如表達式{:.2f}，那么你可以在這里查看官方文檔):https://docs.python.org/3/library/string.html#formatspec
用背景和文本顏色突出顯示單元格
我知道，格式化還不夠酷。有了CSS，我們可以輕松地做很多事情，比如改變背景顏色和文本顏色。
例如，對於上面顯示的同一個 DataFrame，我們希望分別突出顯示正數和自然數。如果你對CSS有一些基本的了解，或者只是簡單的Google一下，你就會知道下面的屬性來設置HTML表格單元格的背景顏色和文本顏色。
background-color: red; color: white
讓我們編寫一個函數來給表格單元格着色。
def highlight_number(row):
return [
'background-color: red; color: white' if cell <= 0
else 'background-color: green; color: white'
for cell in row
]
如果單元格的值為負數，我們使用紅色作為背景，否則如果是正值，則使用綠色。由於顏色可能有點暗，我們還想將文本顏色改為白色。
然后，我們可以將函數應用於 DataFrame。
df.style.apply(highlight_number)
超級酷！現在很明顯，我們得到了負數和正數，它們很好地區分開來。
鏈接樣式函數
到目前為止，我們每次只添加一種樣式。事實上，我們調用df.style，返回 DataFrame的Styler對象。Styler對象支持鏈接樣式函數。讓我們看看另一個更復雜的例子。
比方說，我們想在原始數據框中添加以下樣式。
-
用紅色突出顯示負數，用綠色突出顯示正數。
-
格式化數字。
-
使用set_caption()向表添加標題。
-
使表格間隙變大，這樣看起來就不會那么擠了。
-
在單元格之間添加白色邊框以改善顯示效果。
是的，我們可以通過使用鏈表達式一次性完成所有這些操作。
df.style \
.apply(highlight_number) \
.format('${0:,.2f}') \
.set_caption('A Sample Table') \
.set_properties(padding="20px", border='2px solid white')
感覺該表可以直接用於某些業務報表
內置突出顯示功能
不懂CSS，但還是想炫耀一下？是的，Pandas風格還提供了一些內置的函數，這些函數很酷，但很容易使用。
突出顯示函數
讓我們使用相同的 DataFrame進行演示。
# 為演示目的生成一個nan值
df.at[1, 1] = None
# 添加樣式
df.style \
.highlight_null('lightgray') \
.highlight_max(color='lightgreen') \
.highlight_min(color='pink')
看，用你喜歡的顏色來突出顯示空值、最小值和最大值是很容易的。我建議使用淺色，因為文本顏色總是黑色的。
漸變色背景
Pandas風格還支持使用cmap為表格背景着色。當我們想將數值數據可視化時，這是非常有用的。
df = pd.DataFrame(np.random.randn(10, 2))
df.style \
.background_gradient(cmap='Blues')
所以，背景色是漸變色的取決於數值。請注意，“藍調”是Pandas支持的cmap之一。如果你想知道其他支持什么，那么下面的Matplotlib文檔頁是一個很好的參考。
https://matplotlib.org/3.1.0/tutorials/colors/colormaps.html#sequential
折線條形圖
這是另一個內置的超級酷的函數。它可以在每個單元格的背景中生成條形圖，以指示它們的值。讓我們使用上面的 DataFrame。
df.style.bar()
當然，我們對條形圖的默認樣式並不滿意。讓我們改進一下演示。
df.style \
.format('{:.2f}') \
.bar(align='mid', color=['#FCC0CB', '#90EE90']) \
.set_caption('A Sample Table with Bar Chart') \
.set_properties(padding="15px", border='2px solid white', width='300px')
你能相信這仍然是你熟悉的“Pandas DataFrame"嗎？
讓我簡單地解釋一下bar()方法中的參數。color參數支持單個字符串或元組，當它是元組時，第一種顏色將用於為負值着色，第二種顏色用於為正值着色。因為我們使用兩種顏色，所以我們需要將條形圖設置為在單元格中間對齊。
Sparklines-一個直線柱狀圖
我可以到此為止，但我想展示我發現的另一個非常有趣的庫，叫做Sparklines。
你可以使用pip安裝庫。
pip install sparklines
然后，讓我們導入這個庫並創建另一個示例 DataFrame以供演示。
from sparklines import sparklines
df = pd.DataFrame({
'a': np.random.normal(0, 1, 100),
'b': np.random.normal(1, 1, 100),
'c': np.random.normal(0, 3, 100)
})
Sparklines的功能很簡單。它可以使用Unicode字符串生成條形圖，例如▁、▂、▃。為了確保條形圖的順序正確，並使其成為一個柱狀圖，我們需要先使用NumPy來准備值來生成直方圖值。
def sparkline_dist(data):
hist = np.histogram(data, bins=10)[0]
dist_strings = ''.join(sparklines(hist))
return dist_strings
對於每一列，我們可以使用迷你圖生成直方圖。
[sparkline_dist(df[col]) for col in df.columns]
最后，我們可以將字符串與其他統計數據放在一起，以生成更好的報告。
df_stats = df.agg(['mean', 'std']).transpose()
df_stats['histogram'] = sl_list
df_stats.style \
.format('{:.2f}', subset=['mean', 'std']) \
.set_caption('A Sample Table with Sparklines Distributions') \
.set_properties(padding="15px", border='2px solid white')
總結
在本文中，我向你演示了Pandas樣式包中的所有主要方法。我們可以設置值的格式，給背景着色，用定制的CSS屬性來改進演示。
原文鏈接：https://towardsdatascience.com/make-your-pandas-dataframe-output-report-ready-a9440f6045c6
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方文檔：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/