1、unstack

unstack發(fā)音

英：　　美：

unstack中文意思翻譯

常見釋義：

退棧，出棧

unstack相似詞語短語

1、couples counseling───夫妻咨詢

2、unscriptural prayers───無劇本的祈禱

3、buttering buns───奶油面包

4、pronouns worksheets───代詞工作表

5、unsafelywelcome go home───不安全歡迎回家

6、unsound lyrics───不健全的歌詞

7、dative pronouns───與格代詞

8、unskilled jobs that pay well───薪水高的非技術(shù)性工作

9、unsatisfying gif───不滿意的gif

10、gunshot wounds───火器傷；槍傷

2、如何高效地使用Matplotlib？

引言

對(duì)新手來說 Python 可視化實(shí)在有些令人挫敗。有很多不同的選項(xiàng)，如何選擇正確的選項(xiàng)是一個(gè)挑戰(zhàn)。例如，兩年前這篇文章《Overview of Python Visualization Tools》（http://pbpython.com/visualization-tools-1.html）仍然吸引了大量讀者。在那篇文章中，我否定了 Matplotlib。但是，在使用過 pandas、scikit-learn、seaborn 和其他 Python 數(shù)據(jù)科學(xué)棧之后，我覺得之前否認(rèn) Matplotlib 的行為有點(diǎn)不成熟。坦白講，當(dāng)時(shí)我不是很了解 Matplotlib，也不懂如何在我的工作流中高效使用 Matplotlib。

現(xiàn)在我學(xué)習(xí)了一些工具，了解了如何用 Matplotlib 使用這些工具，Matplotlib 逐漸變成了必需工具。本文將展示如何使用 Matplotlib。我堅(jiān)定地認(rèn)為 Matplotlib 是 Python 數(shù)據(jù)科學(xué)棧必不可少的一部分，希望這篇文章可以幫助大家了解如何使用 Matplotlib 進(jìn)行 Python 可視化。

為什么大家都在否定 Matplotlib？

我認(rèn)為，Matplotlib 對(duì)于新手來說比較難存在幾個(gè)原因。首先，Matplotlib 有兩個(gè)界面。第一個(gè)界面基于 MATLAB，使用基于狀態(tài)的接口。第二個(gè)界面是面向?qū)ο蟮慕涌?。本文就不展開介紹 Matplotlib 有兩個(gè)界面的原因，但了解這兩種方法在使用 Matplotlib 繪圖時(shí)會(huì)很重要。兩個(gè)界面會(huì)引起混淆的原因是堆棧溢出和通過谷歌搜索獲取的大量信息，新用戶將發(fā)現(xiàn)問題的多個(gè)解決方案，但是這些問題看起來類似卻不完全相同。從我的個(gè)人經(jīng)驗(yàn)來講，從以前的代碼中，我可以看出有一些 Matplotlib 代碼的混雜，我對(duì)此感覺很疑惑（盡管寫它們的人是我……）:-)

關(guān)鍵點(diǎn)

Matplotlib 新手應(yīng)該學(xué)習(xí)和使用面向?qū)ο蟮慕涌凇?/p>

使用 Matplotlib 的另一個(gè)歷史性挑戰(zhàn)是一些默認(rèn)的樣式缺乏吸引力。在 R 使用 ggplot 就可以生成相當(dāng)不錯(cuò)的圖的世界中，Matplotlib 相對(duì)來說有點(diǎn)丑。好消息是 Matplotlib 2.0 中的樣式好看了很多，你可以用最小的努力生成可視化。

第三個(gè)挑戰(zhàn)是你不確定什么時(shí)候該使用 Matplotlib，什么時(shí)候該使用基于 Matplotlib 構(gòu)建的工具，如 pandas 或 seaborn。大部分時(shí)候做一件事都有多種選擇，但是對(duì)于新手來說選擇正確的道路有些困難。這種混淆加上兩種不同 API 的混淆簡直就是挫敗本敗了……

為什么使用 Matplotlib？

盡管 Matplotlib 有這么多問題，我還是喜歡用它，因?yàn)樗軓?qiáng)大。這個(gè)庫允許你創(chuàng)建幾乎所有可視化。此外，圍繞 Matplotlib 有一個(gè)豐富的 Python 工具生態(tài)環(huán)境，很多更高級(jí)的可視化工具使用 Matplotlib 作為基礎(chǔ)庫。如果你想在 Python 數(shù)據(jù)科學(xué)棧中進(jìn)行任何操作，你需要對(duì)如何使用 Matplotlib 有一些基礎(chǔ)了解。這就是本文其余部分的重點(diǎn)——提供一種高效使用 Matplotlib 的基礎(chǔ)方法。

前提

推薦以下步驟學(xué)習(xí)如何使用 Matplotlib：

1. 學(xué)習(xí) Matplotlib 的基本術(shù)語，具體來說就是什么是 Figure 和 Axes。

2. 一直使用面向?qū)ο蟮慕缑?，養(yǎng)成習(xí)慣。

3. 用基礎(chǔ)的 pandas 繪圖開始可視化。

4. 使用 seaborn 進(jìn)行稍微復(fù)雜的數(shù)據(jù)可視化。

5. 使用 Matplotlib 自定義 pandas 或 seaborn 可視化。

下圖非常重要，有助于理解圖的不同術(shù)語。

大部分術(shù)語很直接易懂，需要牢記的是 Figure 是可能包含一或多個(gè) axes 的最終圖像。Axes 代表單個(gè)圖。一旦你理解這些是什么以及如何通過面向?qū)ο蟮?API 評(píng)估它們，其余步驟就很簡單了。

了解這個(gè)知識(shí)還有一個(gè)好處，就是當(dāng)你在網(wǎng)絡(luò)上看東西的時(shí)候有一個(gè)出發(fā)點(diǎn)。如果你花時(shí)間了解了這個(gè)點(diǎn)，那么其他的 Matplotlib API 才有意義。此外，很多高級(jí) Python 包，如 seaborn 和 ggplot 依賴于 Matplotlib 構(gòu)建，因此理解了基礎(chǔ)，學(xué)習(xí)更強(qiáng)大的框架才更加容易。

最后，我不是說你應(yīng)該逃避其他優(yōu)秀選項(xiàng)，如 ggplot（又名 ggpy）、bokeh、plotly 或 altair。我只是認(rèn)為你需要對(duì) matplotlib + pandas + seaborn 有一個(gè)基礎(chǔ)的了解。了解基礎(chǔ)可視化棧之后，你就可以探索其他優(yōu)秀工具，根據(jù)需求做出合適的選擇。

開始

下面主要介紹如何在 pandas 中創(chuàng)建基礎(chǔ)的可視化以及使用 Matplotlib 定制最常用的項(xiàng)。了解基礎(chǔ)流程有助于更直觀地進(jìn)行自定義。

我主要關(guān)注最常見的繪圖任務(wù)，如標(biāo)注軸、調(diào)整圖形界限（limit）、更新圖標(biāo)題、保存圖像和調(diào)整圖例。

開始，我打算設(shè)置輸入，讀取一些數(shù)據(jù)：

import pandas as pd

import matplotlib.pyplot as plt

from matplotlib.ticker import FuncFormatter

df = pd.read_excel("https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true")

df.head()

數(shù)據(jù)包括 2014 年的銷售交易額。為簡短起見，我將總結(jié)這些數(shù)據(jù)，列出前十名客戶的采購次數(shù)和交易額。繪圖時(shí)我將對(duì)各列進(jìn)行重命名。

top_10 = (df.groupby('name')['ext price', 'quantity'].agg({'ext price': 'sum', 'quantity': 'count'})

.sort_values(by='ext price', ascending=False))[:10].reset_index()

top_10.rename(columns={'name': 'Name', 'ext price': 'Sales', 'quantity': 'Purchases'}, inplace=True)

下圖是數(shù)據(jù)。

現(xiàn)在數(shù)據(jù)在簡單的表格形式呈現(xiàn)，我們?cè)賮砜匆幌氯绾螌?shù)據(jù)繪制成條形圖。如前所述，Matplotlib 具備多種不同風(fēng)格，可用于渲染圖表。你可以使用 plt.style.available 查看你的系統(tǒng)可用的風(fēng)格。

plt.style.available

['seaborn-dark',

'seaborn-dark-palette',

'fivethirtyeight',

'seaborn-whitegrid',

'seaborn-darkgrid',

'seaborn',

'bmh',

'classic',

'seaborn-colorblind',

'seaborn-muted',

'seaborn-white',

'seaborn-talk',

'grayscale',

'dark_background',

'seaborn-deep',

'seaborn-bright',

'ggplot',

'seaborn-paper',

'seaborn-notebook',

'seaborn-poster',

'seaborn-ticks',

'seaborn-pastel']

使用如下簡單風(fēng)格：

plt.style.use('ggplot')

我鼓勵(lì)大家使用不同的風(fēng)格，找到自己喜歡的。

現(xiàn)在我們有了好看的風(fēng)格，第一步就是使用標(biāo)準(zhǔn) pandas 繪圖函數(shù)繪制數(shù)據(jù)：

top_10.plot(kind='barh', y="Sales", x="Name")

推薦使用 pandas 繪圖的原因在于它是一種快速便捷地建立可視化原型的方式。

自定義圖表

如果你對(duì)該圖表的重要部分都很滿意，那么下一步就是對(duì)它執(zhí)行自定義。一些自定義（如添加標(biāo)題和標(biāo)簽）可以使用 pandas plot 函數(shù)輕松搞定。但是，你可能會(huì)發(fā)現(xiàn)自己需要在某個(gè)時(shí)刻跳出來。這就是我推薦你養(yǎng)成以下習(xí)慣的原因：

fig, ax = plt.subplots()

top_10.plot(kind='barh', y="Sales", x="Name", ax=ax)

生成的圖表和原始圖表基本一樣，不過我們向 plt.subplots() 添加了一個(gè)額外的調(diào)用，并將 ax 傳輸至繪圖函數(shù)。為什么要這么做呢？還記得我說在 Matplotlib 中獲取軸和圖像非常關(guān)鍵嗎？這里所做的就是為了達(dá)到該目的。通過 ax 或 fig 對(duì)象可以執(zhí)行任何自定義。

我們利用 pandas 實(shí)現(xiàn)快速繪圖，現(xiàn)在利用 Matplotlib 獲取所有功能。通過使用命名慣例，調(diào)整別人的解決方案適應(yīng)自己的需求變得更加直接簡單了。

假設(shè)我們想調(diào)整 x 極限，改變一些軸標(biāo)簽?，F(xiàn)在我們?cè)?ax 變量中有多個(gè)軸，可以進(jìn)行一些操作：

fig, ax = plt.subplots()

top_10.plot(kind='barh', y="Sales", x="Name", ax=ax)

ax.set_xlim([-10000, 140000])

ax.set_xlabel('Total Revenue')

ax.set_ylabel('Customer');

這是另一種改變標(biāo)題和標(biāo)簽的簡單方式：

fig, ax = plt.subplots()

top_10.plot(kind='barh', y="Sales", x="Name", ax=ax)

ax.set_xlim([-10000, 140000])

ax.set(title='2014 Revenue', xlabel='Total Revenue', ylabel='Customer')

為了進(jìn)一步展示該方法，我們還可以調(diào)整圖像大小。使用 plt.subplots() 函數(shù)可以定義 figsize，以英寸為單位。我們還可以使用 ax.legend().set_visible(False) 移除圖例。

fig, ax = plt.subplots(figsize=(5, 6))

top_10.plot(kind='barh', y="Sales", x="Name", ax=ax)

ax.set_xlim([-10000, 140000])

ax.set(title='2014 Revenue', xlabel='Total Revenue')

ax.legend().set_visible(False)

要想修改這個(gè)圖像，你可能需要執(zhí)行很多操作。圖中最礙眼的可能是總收益額的格式。Matplotlib 可以使用 FuncFormatter 解決這一問題。該函數(shù)用途多樣，允許用戶定義的函數(shù)應(yīng)用到值，并返回格式美觀的字符串。

以下是貨幣格式化函數(shù)，用于處理數(shù)十萬美元區(qū)間的數(shù)值：

def currency(x, pos):

'The two args are the value and tick position'

if x >= 1000000:

return '${:1.1f}M'.format(x*1e-6)

return '${:1.0f}K'.format(x*1e-3)

現(xiàn)在我們有了格式化程序函數(shù)，就需要定義它，并將其應(yīng)用到 x 軸。完整代碼如下：

fig, ax = plt.subplots()

top_10.plot(kind='barh', y="Sales", x="Name", ax=ax)

ax.set_xlim([-10000, 140000])

ax.set(title='2014 Revenue', xlabel='Total Revenue', ylabel='Customer')

formatter = FuncFormatter(currency)

ax.xaxis.set_major_formatter(formatter)

ax.legend().set_visible(False)

這張圖美觀多了，非常好地展示了自定義問題解決方案的靈活性。最后要說的自定義特征是向圖表添加注釋。你可以使用 ax.axvline() 畫垂直線，使用 ax.text() 添加自定義文本。就以上示例，我們可以畫一條表示平均值的線，包括代表 3 個(gè)新客戶的標(biāo)簽。以下是完整代碼：

# Create the figure and the axes

fig, ax = plt.subplots()

# Plot the data and get the averaged

top_10.plot(kind='barh', y="Sales", x="Name", ax=ax)

avg = top_10['Sales'].mean()

# Set limits and labels

ax.set_xlim([-10000, 140000])

ax.set(title='2014 Revenue', xlabel='Total Revenue', ylabel='Customer')

# Add a line for the average

ax.axvline(x=avg, color='b', label='Average', linestyle='--', linewidth=1)

# Annotate the new customers

for cust in [3, 5, 8]:

ax.text(115000, cust, "New Customer")

# Format the currency

formatter = FuncFormatter(currency)

ax.xaxis.set_major_formatter(formatter)

# Hide the legend

ax.legend().set_visible(False)

這可能不是最壯觀的圖，但它確實(shí)展示了使用該方法的力量。

圖表

目前，我們所做的所有改變都是針對(duì)單個(gè)圖表。我們還能夠在圖像上添加多個(gè)表，使用不同的選項(xiàng)保存整個(gè)圖像。

如果我們確定要在同一個(gè)圖像上放置兩個(gè)表，那么我們應(yīng)該對(duì)如何做有一個(gè)基礎(chǔ)了解。首先，創(chuàng)建圖像，然后創(chuàng)建軸，再將它們繪制成圖表。使用 plt.subplots() 可以完成該操作：

fig, (ax0, ax1) = plt.subplots(nrows=1, ncols=2, sharey=True, figsize=(7, 4))

在這個(gè)例子中，我使用 nrows 和 ncols 指定大小，這對(duì)新用戶來說比較清晰易懂。

在示例代碼中，你會(huì)經(jīng)?？吹阶兞咳?1、2。我認(rèn)為使用命名參數(shù)便于稍后查看代碼時(shí)理解代碼。

我還使用 sharey=True 以使 y 軸共享相同的標(biāo)簽。

該示例很靈活，因?yàn)椴煌妮S可以解壓成 ax0 和 ax1?，F(xiàn)在我們有了這些軸，就可以像上述示例中那樣繪圖，然后把一個(gè)圖放在 ax0 上，另一個(gè)圖放在 ax1。

# Get the figure and the axes

fig, (ax0, ax1) = plt.subplots(nrows=1,ncols=2, sharey=True, figsize=(7, 4))

top_10.plot(kind='barh', y="Sales", x="Name", ax=ax0)

ax0.set_xlim([-10000, 140000])

ax0.set(title='Revenue', xlabel='Total Revenue', ylabel='Customers')

# Plot the average as a vertical line

avg = top_10['Sales'].mean()

ax0.axvline(x=avg, color='b', label='Average', linestyle='--', linewidth=1)

# Repeat for the unit plot

top_10.plot(kind='barh', y="Purchases", x="Name", ax=ax1)

avg = top_10['Purchases'].mean()

ax1.set(title='Units', xlabel='Total Units', ylabel='')

ax1.axvline(x=avg, color='b', label='Average', linestyle='--', linewidth=1)

# Title the figure

fig.suptitle('2014 Sales Analysis', fontsize=14, fontweight='bold');

# Hide the legends

ax1.legend().set_visible(False)

ax0.legend().set_visible(False)

現(xiàn)在，我已經(jīng)在 jupyter notebook 中用 %matplotlib inline 展示了很多圖像。但是，在很多情況下你需要以特定格式保存圖像，將其和其他呈現(xiàn)方式整合在一起。

Matplotlib 支持多種不同文件保存格式。你可以使用 fig.canvas.get_supported_filetypes() 查看系統(tǒng)支持的文件格式：

fig.canvas.get_supported_filetypes()

{'eps': 'Encapsulated Postscript',

'jpeg': 'Joint Photographic Experts Group',

'jpg': 'Joint Photographic Experts Group',

'pdf': 'Portable Document Format',

'pgf': 'PGF code for LaTeX',

'png': 'Portable Network Graphics',

'ps': 'Postscript',

'raw': 'Raw RGBA bitmap',

'rgba': 'Raw RGBA bitmap',

'svg': 'Scalable Vector Graphics',

'svgz': 'Scalable Vector Graphics',

'tif': 'Tagged Image File Format',

'tiff': 'Tagged Image File Format'}

我們有 fig 對(duì)象，因此我們可以將圖像保存成多種格式：

fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")

該版本將圖表保存為不透明背景的 png 文件。我還指定 dpi 和 bbox_inches="tight" 以最小化多余空白。

結(jié)論

希望該方法可以幫助大家理解如何更有效地使用 Matplotlib 進(jìn)行日常數(shù)據(jù)分析。