作者:俊欣
来源:关于数据分析与可视化
相信大家一定会seaborn或者matplotlib这几个模块感到并不陌生,通常大家会用这几个模块来进行可视化图表的制作,为了让我们绘制的图表更具交互性,今天小编来给大家介绍个组件。
首先我们通过pip命令来下载该模块
pip install ipywidgets
该模块中的interact函数可以和我们自定义的函数相结合,随着我们输入的不断变化,输出也会产生相应的不同结果,我们来看一个简单的案例
from ipywidgets import interact def f(x): print(f"The square value is: {x**2}")
interact(f, x=10)
output
当我们拖动当中的圆点的时候,输出的结果也随之变化。当然我们也可以将其当做是装饰器来使用,代码如下
@interact(x=10) def f(x): print(f"The square value is: {x**2}")
output
上面的自定义函数中,当然我们可以自行设定横轴当中的最大值与最小值,以及每拖动一次x值的变化(和Python当中的range函数类似),
interact(f, x=widgets.IntSlider(min=-10, max=30, step=1, value=10))
output
而当输入框中的参数不止一个参数的时候,可以有不止一个的滑动条,代码如下
import ipywidgets as widgets
one = widgets.IntSlider(min = 0, max = 10)
two = widgets.IntSlider(min = 0, max = 100)
three = widgets.IntSlider(min = 0, max = 1000)
ui = widgets.HBox([one, two, three])
def func(x, y, z): print(f"The first value is: {x + 2}") print(f"The second value is: {y * 2}") print(f"The third value is: {z ** 2}")
out = widgets.interactive_output(func, {"x": one, "y": two, "z": three})
display(ui, out)
output
当参数类型是字符串时,则是需要通过输入框的形式来进行交互,代码如下
def f_2(x): print(f"The value is: {x}")
interact(f_2, x="Hello World")
output
而当我们输入的X参数是一个列表里面有着若干个字符串的时候,则会在输入框中出现个下拉框,如下所示
interact(f_2, x=["Hello World", "你好"])
output
然后我们来看看该模块和seaborn之间的结合,我们先用Pandas模块来读取数据集,代码如下
import pandas as pd
df = pd.read_csv("data.csv")
df.head()
output
我们简单地来画一张直方图,代码如下
import seaborn as sns import matplotlib.pyplot as plt
%matplotlib inline g = sns.countplot(data = df, x="Gender", hue="Attrition")
output
我们可以将绘制图表的这一行代码封装成一个函数,将代码中的“x”甚至是“hue”作为是输入的参数,代码如下
## 筛选出离散型变量的特征 categorical_columns = [column for column in df.columns if df[column].dtype == "object"] ## 做成下拉框的形式来进行交互 dd = widgets.Dropdown(options=categorical_columns, value=categorical_columns[0], description="Select a column") @interact(column=dd) def draw_countplot(column): g = sns.countplot(data = df, x=column, hue="Attrition")
output
我们可以在下拉框中选择不同的离散型变量的特征从而绘制出不同的图表,当然一个下拉框可能有人会觉得有点少,我们可以再来扩展一下
## 两个下拉框 dd1 = widgets.Dropdown(options=categorical_columns, value=categorical_columns[0], description="Column")
dd2 = widgets.Dropdown(options=categorical_columns, value=categorical_columns[0], description="Hue")
ui = widgets.HBox([dd1, dd2]) ## 绘制图表的函数 def draw_countplot(column, hue):
g = sns.countplot(data = df, x=column, hue=hue) ## X轴方向的标记会旋转60度 if len(df[column].unique()) > 3:
g.tick_params(axis="x", rotation=60) out = widgets.interactive_output(draw_countplot, {'column':dd1, "hue": dd2}) ## 最终将图表呈现出来 display(ui, out)
output
当然有可能会觉得都是输入框的话会有点无聊,那我们在输入框的同时加入一个滑动条,对应的是输入的参数是整型或者是浮点数时
## 两个输入框还有一个滑动条 dd1 = widgets.Dropdown(options=numeric_columns, description="Column1")
dd2 = widgets.Dropdown(options=numeric_columns, description="Column2")
slider = widgets.IntSlider(min=df['Age'].min(), max=df["Age"].max(), description="Max Age")
ui = widgets.HBox([dd1, dd2, slider]) ## 绘制图表的函数 def draw_relplot(column1, column2, age):
p = sns.relplot(data=df[df['Age']<=age], x=column1, y=column2) out = widgets.interactive_output(draw_countplot, {"column1": dd1, "column2": dd2, "age": slider}) ## 将最终的图表给呈现出来 display(ui, out)
output
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31本人基本情况: 学校及专业:厦门大学经济学院应用统计 实习经历:快手数据分析、字节数据分析、百度数据分析 Offer情况:北京 ...
2025-01-3001专家简介 徐杨老师,CDA数据科学研究院教研副总监,主要负责CDA认证项目以及机器学习/人工智能类课程的研发与授课,负责过中 ...
2025-01-29