bqplot基础绘图教程：从折线图到柱状图实战-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00354/article/details/148575111

bqplot基础绘图教程：从折线图到柱状图实战

bqplot Plotting library for IPython/Jupyter notebooks 项目地址: https://gitcode.com/gh_mirrors/bq/bqplot

引言

bqplot是一个基于Python的交互式可视化库，专为Jupyter Notebook环境设计。它提供了丰富的图表类型和高度可定制的选项，使数据可视化变得简单而强大。本文将带您了解bqplot中最基础的几种图表绘制方法，包括折线图、散点图、直方图和柱状图。

环境准备

在开始之前，我们需要确保已经安装了必要的库：

import numpy as np
import bqplot.pyplot as plt

同时，我们准备一些示例数据用于后续的图表绘制：

size = 100
scale = 100.0
np.random.seed(0)  # 确保结果可复现
x_data = np.arange(size)
y_data = np.cumsum(np.random.randn(size) * scale)  # 生成随机游走数据

基础折线图

折线图是最基础也是最常用的图表类型之一，用于展示数据随时间或其他连续变量的变化趋势。

fig = plt.figure(title="基础折线图示例")
plt.plot(y_data)
fig

这段代码创建了一个简单的折线图，展示了随机生成的y_data数据。plt.figure()创建了一个图形容器，plt.plot()则绘制了折线图。

图表保存

bqplot提供了方便的图表保存功能：

fig.save_png()  # 将图表保存为PNG格式

日期轴折线图

在实际应用中，我们经常需要处理时间序列数据。bqplot对日期类型的数据有很好的支持：

dates = np.arange("2005-02", "2005-03", dtype="datetime64[D]")
size = len(dates)
prices = scale + 5 * np.cumsum(np.random.randn(size))

创建带有日期轴的折线图：

fig = plt.figure(
    title="带日期轴的折线图",
    background_style={"fill": "lightgreen"},  # 设置背景色
    title_style={"font-size": "20px", "fill": "DarkOrange"},  # 设置标题样式
)

axes_options = {
    "x": {"label": "日期", "tick_format": "%m/%d"},  # x轴配置
    "y": {"label": "价格", "tick_format": "0.0f"},   # y轴配置
}

plt.plot(dates, prices, "b", axes_options=axes_options)  # "b"表示蓝色线条
fig

在这个例子中，我们：

使用了真实的日期数据作为x轴
自定义了图表背景和标题样式
通过axes_options参数精细控制了坐标轴的显示格式

散点图

散点图用于展示两个变量之间的关系，适合观察数据的分布和相关性。

fig = plt.figure(title="散点图示例")
axes_options = {
    "x": {"label": "X轴数据"},
    "y": {"label": "Y轴数据"},
}

plt.scatter(x_data, y_data, colors=["red"], stroke="black")
fig

关键参数说明：

colors: 设置点的填充颜色
stroke: 设置点的边框颜色

直方图

直方图用于展示数据的分布情况，是探索性数据分析的重要工具。

fig = plt.figure(title="直方图示例")
plt.hist(y_data)
fig

bqplot的直方图会自动计算合适的bin数量，当然你也可以通过参数自定义bin的数量和范围。

柱状图

柱状图常用于展示分类数据的比较结果。

import string

fig = plt.figure(padding_x=0)  # 调整x轴内边距
axes_options = {"x": {"label": "分类"}, "y": {"label": "数值"}}

plt.bar(
    x=list(string.ascii_uppercase),  # 使用字母作为分类标签
    y=np.abs(y_data[:20]),           # 取前20个数据的绝对值
    axes_options=axes_options
)
fig

在这个例子中，我们：