原文：
towardsdatascience.com/declarative-vs-imperative-plotting-3ee9952d6bf3
快速成功数据科学
德尼拉多与命令式想象为国王的莱昂纳多绝对现实 _v16
如果你正在学习 Python，预计你将使用Matplotlib制作你的第一个绘图。Matplotlib 非常受欢迎，它是一个命令式绘图库。这意味着它使用逐步方法生成图形，这对于初学者来说很容易理解。
Python 还支持声明式绘图库，如seaborn、Altair和HoloViews，这些库让你专注于应该显示什么，而不是如何绘制它。引用 Altair 文档，“关键思想是你在声明数据列和视觉编码通道之间的链接，例如 x 轴、y 轴和颜色。其余的绘图细节将自动处理。基于这个声明式系统，从简单到复杂，可以创建一系列的绘图，使用简洁的语法。”
科学家和工程师可能会发现声明式方法很有吸引力，因为它可以使他们有更多时间做真正的工作，而不是编码。正如我经常说的，“科学第一，编码第二！”
在这篇快速成功数据科学文章中，我们将探讨命令式和声明式绘图。然而，主要焦点将是声明式风格，使用来自 seaborn、Plotly Express和hvplot的示例。
声明式与命令式：全景图
在我们深入细节之前，这里有一些两个绘图方法的主要观点、优点和弱点。
命令式绘图
Python 中的命令式绘图采用一种逐步的方法，用户明确地在相当低的级别上指定绘图的细节。用户可以直接控制绘图的每个元素，从而实现高度细粒度的定制。因此，与声明式方法相比，命令式绘图需要更多的手动干预，但可以生成更复杂的可视化效果。
在命令式绘图中的优点包括：
-
对绘图细节的完全控制。
-
逐步方法易于理解。
在命令式绘图中的弱点包括：
-
可能需要许多行代码，使得程序复杂且难以阅读和维护。
-
用户需要熟悉 API 细节，这导致了一个陡峭的学习曲线。
-
尝试不同的绘图配置和样式可能会很繁琐，因为每个都需要手动定制。
Matplotlib 是最受欢迎的命令式库，并包含一些声明式组件。此外，seaborn 库包装 Matplotlib，允许更广泛地使用声明式绘图。因此，对我来说，Matplotlib 只是“准命令式”。
同样，其他库——尽管被认为是声明式的——通常有一个基础实现，允许大量定制（准命令式），以及一个高级、更用户友好的 __ 接口，具有有限的定制（准声明式）。例如，Plotly有Plotly Express，而 HoloViews 有hvplot。
声明式绘图
Python 中的声明式绘图围绕一个高级、表达性语法展开，允许用户使用简洁的语法描述他们想要的可视化。构建图表的大部分细节都被抽象化。用户声明他们想要的元素，绘图库则负责底层的实现。
声明式绘图库通常面向数据集。大多数都是为与pandas DataFrames（Python 对 Excel 电子表格的回应）良好协作而设计的。
声明式绘图具有几个显著的优点，包括：
-
简洁、表达性强和直观的语法，便于使用。
-
一致性和可重复性，得益于语法和逻辑的统一性，这也有助于减少编码错误。
-
交互性和可扩展性，用户利用底层库和框架处理图表的渲染、交互性和性能。
-
适用于快速探索性数据分析图表的出色适用性，无需进行大量精炼即可用于发布。
代码示例
为了对各种库进行一致的评价，我们将使用相同的数据库并制作散点图。然后我们将拟合回归线到数据上，并添加标题和图例。所有示例都是在 JupyterLab 中构建的。
安装库
我们将使用以下开源库：pandas、NumPy、Matplotlib、seaborn、Plotly、hvplot和statsmodels。您可以在每个先前的超链接中找到安装说明。我建议在虚拟环境中安装这些库，或者如果您是 Anaconda用户，则在 conda 环境中安装。
当在 Jupyter Notebook 或 JupyterLab 中使用 Plotly Express 时，你可能会被要求安装 nbformat。你可以在命令行界面使用以下任一方法来完成此操作：
pip install nb format
或
conda install -c conda-forge nbformat
加载数据
对于数据，我们将使用 Seaborn 附带的数据集 tips。这个数据集记录了餐厅数据，如总账单、小费金额、星期几、聚会规模等。以下是加载它的方法：
import seaborn as sns
# Load the tips dataset:
tips = sns.load_dataset('tips')
数据以 pandas DataFrame 的形式加载。以下是前三行：
tips.head(3)
tips DataFrame 的头部（作者）
Matplotlib – 命令式示例
让我们从命令式库 Matplotlib 开始。注意我们如何需要构建一个图形（fig）和坐标轴（ax）对象，创建散点图，构建并添加回归线，以及手动设置标签、标题和图例。
# Matplotlib imperative example:
import numpy as np
import matplotlib.pyplot as plt
# Create a figure and axes:
fig, ax = plt.subplots()
# Plot the data:
ax.scatter(x=tips['total_bill'], y=tips['tip'])
# Fit and plot a linear regression line:
m, b = np.polyfit(x=tips['total_bill'], y=tips['tip'], deg=1)
ax.plot(tips['total_bill'], m*tips['total_bill'] + b, color='red')
# Set the labels, title, and legend:
ax.set_xlabel('Total bill')
ax.set_ylabel('Tip')
ax.set_title('Imperative Example - Matplotlib (fig, ax)')
ax.legend(['Data', 'Linear fit']);
这是输出：
使用 Matplotlib 构建的散点图（作者）
这里需要注意的一点是，你使用了 scatter() 方法，并且使用了 DataFrame 列 作为 x 轴和 y 轴：
ax.scatter(x=tips['total_bill'], y=tips['tip'])
这种方法是一种 声明式 方法，但它生成的图表如此 简单，以至于几乎任何目的都需要进一步的装饰，包括快速而粗糙的数据探索分析：
Matplotlib **ax.scatter()** 方法的输出（作者）
注意到没有 x 和 y 标签使得图表实际上变得毫无用处。因此，这不仅仅是一个独立的解决方案，这种声明式绘图方法只是更大（命令式）旅程中的一步。
下面列出了一些更有用的 Matplotlib 绘图方法。虽然这些图表一开始看起来“稀疏”，但 Matplotlib 提供了对细节的完全控制，使它们适合那些定制是重点的场景。
有用的 Matplotlib 绘图方法（来自 Python Tools for Scientists）
Matplotlib 还提供了一个稍微简化了的方法来使用其 pyplot 模块制作相同的图表（参见 Demystifying Matplotlib）。以下是列表和语法：
有用的 Matplotlib pyplot 方法用于制作图表（来自 Python Tools for Scientists）
这些 pyplot 方法主要是为了制作 单个 图表。
Seaborn – Declarative Example
如前所述，seaborn 是一个声明式库，旨在创建比原生 Matplotlib 更简单、更吸引人的图表。以下是使用回归线创建散点图的代码：
# seaborn declarative example:
import matplotlib.pyplot as plt
import seaborn as sns
sns.regplot(data=tips, x='total_bill', y='tip');
使用 seaborn 构建的散点图（作者制作）
我们使用最后一行代码构建了这个图表。没有必要指定 x 轴和 y 轴的标签，也不需要构建回归。作为额外的好处，回归线带有 95% 置信区间阴影，标记是半透明的，突出了标记密度的变化。
回归线的 95% 置信区间是一种统计量度，它提供了一个范围，在这个范围内，真正的回归线合理地预期会落在其中。
如果图表带有标题和图例那就更好了。我假设这些被省略了，以免“妨碍”快速探索性数据分析。尽管如此，这还是有点令人失望。
但不必担心，我们可以通过一些额外的代码添加这些功能，以便我们的 seaborn 图表与使用 Matplotlib 生成的图表相匹配。
# Recolor regression line and add a legend:
sns.regplot(data=tips,
x='total_bill', y='tip',
line_kws={'label': 'Linear Fit',
'color': 'red'})
plt.title('Declarative Example - Seaborn')
plt.legend(labels=['Data', 'Linear Fit']);
使用 seaborn 更新后的散点图（作者制作）
regplot() 方法使用额外的参数，您可以在这里看到。其他 seaborn 图表类型列在下文。有关这些和其他方法的详细信息，请参阅 seaborn 文档。
一些有用的 seaborn 绘图方法（来自 Python Tools for Scientists）
Plotly Express – 声明式示例
Plotly Express 是 Plotly 图形库的内置部分。作为 Plotly 的一个更简单、更高级的版本，它是创建常见图形的推荐起点。
Plotly Express 包含超过 30 个函数，可以一次性创建整个图表，这些函数的 API 被精心设计，以尽可能保持一致性和易于学习。这使得在数据探索会话中轻松切换图表类型变得容易。
这里是生成带有回归线的散点图的 Plotly Express 代码：
# Plotly Express declarative example:
import plotly.express as px
fig = px.scatter(tips, x='total_bill', y='tip',
trendline='ols',
trendline_color_override='red',
title='Declarative Example - Plotly Express',
width=700, height=500)
fig
使用 Plotly Express 构建的散点图（作者制作）
注意我们如何能够通过 [px.scatter()](https://plotly.com/python-api-reference/generated/plotly.express.scatter) 方法中的参数添加标题和回归线（“ols”代表“普通最小二乘法”）。后者是通过 [statsmodels](https://www.statsmodels.org/stable/index.html) 库实现的。
px.scatter() 方法还允许通过 color 参数使用图例，该参数引用 DataFrame 列，例如：
color='smoker'
然而，这里我们想要将 回归线 添加到图例中，这需要额外的代码：
# Add a red regression line:
fig = px.scatter(tips,
x='total_bill', y='tip',
trendline='ols',
title='Declarativpe Example - Plotly Express',
trendline_color_override='red',
width=700, height=500)
# Add a legend entry for the regression line
fig.data[0].name = 'Data'
fig.data[0].showlegend = True
fig.data[1].name = fig.data[1].name + 'Linear Fit'
fig.data[1].showlegend = True
fig
使用 Plotly Express 更新构建的散点图（作者）
Plotly Express 支持交互式图表，包括平移、缩放、悬停和可点击/可选图例。
下面是所有 Plotly Express 绘图方法的列表。详细信息请参阅文档。
Plotly Express 图表类型（作者来自官方文档）
hvplot – 声明式示例
hvplot 库是 HoloViews 绘图库的高级声明式接口。它旨在通过最少的代码简化创建复杂可视化的过程。它与 pandas DataFrame 无缝工作，使用户能够直接从其数据结构中可视化数据。
作为 HoloViz 生态系统的一部分，它与 Panel、Bokeh 和 GeoViews 等工具无缝集成，以生成仪表板和其他交互式可视化。其基于 Bokeh 的 API 支持平移、缩放、悬停和可点击/可选图例。
下面是生成散点图的 hvplot 代码：
# hvplot declarative example:
import numpy as np
import pandas as pd
import hvplot.pandas
tips.hvplot.scatter(x='total_bill', y='tip',
title='Declarative Example - hvplot',
width=700,
height=500)
使用 hvplot 构建的散点图（作者）
现在，让我们添加回归线和图例：
# Add a regression line and legend:
scatter = tips.hvplot.scatter(x='total_bill', y='tip',
title='Declarative Example - hvplot',
label='Data',
width=800, height=500)
# Calculate linear regression coefficients
m, b = np.polyfit(tips['total_bill'], tips['tip'], deg=1)
# Create a line using the regression coefficients
line = pd.DataFrame({'total_bill': [tips['total_bill'].min(),
tips['total_bill'].max()],
'tip': [m * tips['total_bill'].min() + b,
m * tips['total_bill'].max() + b]})
# Line plot using hvplot
regression_line = line.hvplot.line(x='total_bill', y='tip',
color='red',
label='Linear Fit')
# Overlay the scatter plot and regression line
scatter_with_regression = scatter * regression_line
scatter_with_regression
使用 hvplot 构建的更新散点图（作者）
这段代码比之前的示例更冗长。然而，有趣的是，hvplot 使用特殊运算符来简化叠加图表或并排显示图表的过程。
星号 (*) 叠加 图表，例如上面显示的回归线和散点图。加号 (+) 将它们 并排 放置。只需将以下代码行更改为如下所示：
# Overlay the scatter plot and regression line
scatter_with_regression = scatter + line
现在，散点图和回归线在单独的图表中显示：
散点图和回归线并排显示（作者）
虽然将回归线添加到图例做了一些工作，但在 hvplot 中通常图例很容易。您只需指定一个类别，例如 DataFrame 列，作为标记颜色的依据。以下是一个使用 “smoker” 列作为 by 参数的示例：
# Add the legend using the scatter() method:
import numpy as np
import pandas as pd
import hvplot.pandas
tips.hvplot.scatter(x='total_bill', y='tip',
by='smoker',
title='Declarative Example - hvplot',
label='Data',
legend='top_right',
width=700,
height=500)
带有图例的散点图（作者）
hvplot 可用的绘图类型列在下面。更多详细信息请参阅用户指南。
一些有用的 hvplot 方法（作者来自官方文档）
定制声明式方法
我发现这让人沮丧——而且有点令人困惑——我们在这篇文章中回顾的声明式方法默认不生成完整的图表。这里的“完整”是指包含必要元素的图表，例如：
-
标题
-
图例
-
标记和注释的 x 轴和 y 轴
-
背景网格
幸运的是，了解 Python 意味着你不必妥协。你可以生成自己的声明式函数来制作图表。现在我们就利用之前使用的 seaborn regplot() 方法来做这件事：
# Function for a "complete" seaborn regression plot:
def my_regplot(data, x, y, title, line_color):
"""Draw a seaborn regplot with title and legend."""
sns.set_style("whitegrid")
sns.regplot(data=data,
x=x, y=y,
label='Data',
line_kws={'label': 'Linear Fit (95% CI)',
'color': line_color})
plt.title(title)
plt.legend(loc='best')
#plt.savefig(f'{title}.png', dpi=400) # optional save
my_regplot(tips, 'total_bill', 'tip', 'My RegPlot Example', 'red')
此函数接受一些regplot()方法参数以及一个用于标题的参数。seaborn 的set_style方法添加背景网格，而 Matplotlib 的pyplot模块添加标题和图例。
当你调用函数时，你需要传递 DataFrame 的名称、用于 x 轴和 y 轴的列名、标题以及回归线的颜色。这是结果：
使用自定义函数构建的 seaborn RegPlot（作者提供）
你可以使用这种定制方法与其他绘图库一起使用。
摘要
命令式绘图在 Python 中涉及一种逐步的方法，用户明确地指定图表的细节，处于相当低级别。当构建需要高度定制的复杂图表时，命令式库，如 Matplotlib，非常有用。
声明式绘图在 Python 中围绕高级方法，这些方法允许用户仅用几行代码就创建基本可视化。仍然允许进行不同程度的定制。
主要的绘图库都附带高级声明式组件。Matplotlib 有 seaborn，Plotly 有 Plotly Express，而 HoloViews 有 hvplot。
如 Anaconda 的 James Bednar 所指出的，声明式产品如 HoloViews 的最终目标是支持科学研究的整个生命周期，从初步探索到发表，再到工作的复制和新扩展。因此，声明式风格是 Python 统一、一致和前瞻性绘图解决方案的途径。
感谢！
感谢阅读，并关注我，未来将有更多快速成功数据科学项目。
扫一扫
1150
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
