cf.set_config_file(offline=True)

然后我們需要按照上面的使用格式來操作，首先我們需要有個DataFrame，如果手頭沒啥數據，那可以先生成個隨機數。cufflinks有一個專門生成隨機數的方法，叫做datagen，用于生成不同維度的隨機數據，比如下面。

lines線圖

cf.datagen.lines(1,500).ta_plot(study='sma',periods=[13,21,55])

1）cufflinks使用datagen生成隨機數；

2）figure定義為lines形式，數據為(1,500)；

3）然后再用ta_plot繪制這一組時間序列，參數設置SMA展現三個不同周期的時序分析。

box箱型圖

還是與上面用法一樣，一行代碼解決。

cf.datagen.box(20).iplot(kind='box',legend=False)

可以看到，x軸每個box都有對應的名稱，這是因為cufflinks通過kind參數識別了box圖形，自動為它生成的名字。如果我們只生成隨機數，它是這樣子的，默認生成100行的隨機分布的數據，列數由自己選定。

histogram直方圖

cf.datagen.histogram(3).iplot(kind='histogram')

和plotly一樣，我們可以通過一些輔助的小工具框選或者lasso選擇來區分和選定指定區域，只要一行代碼。

當然了，除了隨機數據，任何的其它dataframe數據框都可以，包括我們自己導入的數據。

histogram條形圖

df=pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])df.iplot(kind='bar',barmode='stack')

上面我們生成了一個(10,4)的dataframe數據框，名稱分別是a,b,c,d。那么cufflinks將會根據iplot中的kind種類自動識別并繪制圖形。參數設置為堆疊模式。

scatter散點圖

df= pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])df.iplot(kind='scatter',mode='markers',colors=['orange','teal','blue','yellow'],size=10)

bubble氣泡圖

df.iplot(kind='bubble',x='a',y='b',size='c')

scatter matrix 散點矩陣圖

df= pd.DataFrame(np.random.randn(1000, 4), columns=['a', 'b', 'c', 'd'])df.scatter_matrix

subplots 子圖

df=cf.datagen.lines(4)df.iplot(subplots=True,shape=(4,1),shared_xaxes=True,vertical_spacing=.02,fill=True)

df.iplot(subplots=True,subplot_titles=True,legend=False)

再比如復雜一點的。

df=cf.datagen.bubble(10,50,mode='stocks')figs=cf.figures(df,[dict(kind='histogram',keys='x',color='blue'),dict(kind='scatter',mode='markers',x='x',y='y',size=5),dict(kind='scatter',mode='markers',x='x',y='y',size=5,color='teal')],asList=True)figs.append(cf.datagen.lines(1).figure(bestfit=True,colors=['blue'],bestfit_colors=['pink']))base_layout=cf.tools.get_base_layout(figs)sp=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.15,horizontal_spacing=.03,specs=[[{'rowspan':2},{}],[None,{}],[{'colspan':2},None]],subplot_titles=['Histogram','Scatter 1','Scatter 2','Bestfit Line'])sp['layout'].update(showlegend=False)cf.iplot(sp)

shapes 形狀圖

如果我們想在lines圖上增加一些直線作為參考基準，這時候我們可以使用hlines的類型圖。

df=cf.datagen.lines(3,columns=['a','b','c'])df.iplot(hline=[dict(y=-1,color='blue',width=3),dict(y=1,color='pink',dash='dash')])

或者是將某個區域標記出來，可以使用hspan類型。

df.iplot(hspan=[(-1,1),(2,5)])

又或者是豎條的區域，可以用vspan類型。

df.iplot(vspan={'x0':'2015-02-15','x1':'2015-03-15','color':'teal','fill':True,'opacity':.4})

如果對iplot中的參數不熟練，直接輸入以下代碼即可查詢。

help(df.iplot)

總結

怎么樣，是不是非常快捷方便？以上介紹是一般的可繪制類型，當然你可以根據自己的需求做出更多的可視化圖形。如果是常規圖形，一行即可實現。除此外，cufflinks還有強大的顏色管理功能，如果感興趣可以自行學習。返回搜狐，查看更多

總結

以上是生活随笔為你收集整理的python 一行_一行 Python 代码搞定炫酷可视化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。