作者：俊欣
来源：关于数据分析与可视化
今天小编总结归纳了若干个常用的可视化图表，并且通过调用plotly、matplotlib、altair、bokeh和seaborn等模块来分别绘制这些常用的可视化图表，最后无论是绘制可视化的代码，还是会指出来的结果都会通过调用streamlit模块展示在一个可视化大屏，出来的效果如下图所示
那我们接下去便一步一步开始可视化大屏的制作吧！
标题、副标题以及下拉框首先我们对标题、副标题部分的内容，代码如下
with st.container():
st.title("python可视化合集")
st.header("经典常用的Python可视化模块")
st.write("""包括代码和可视化图表展示""")
然后便是下拉框的制作，代码如下
plot_types = (
"Scatter",
"Histogram",
"Bar",
"Line",
"Boxplot"
)
# 选择绘制的图表种类
chart_type = st.selectbox("Choose your chart type", plot_types)
with st.container():
st.subheader(f"Showing: {chart_type}")
st.write("")
对于图表的展示可以选择是“双排式”的，如下图所示
也可以选择是沉浸式的，也即是“单排式”的，如下图所示
代码如下
two_cols = st.checkbox("2 columns?", True)
if two_cols:
col1, col2 = st.columns(2)
# 展示图表
if two_cols:
with col1:
show_plot(kind="Matplotlib")
with col2:
show_plot(kind="Seaborn")
with col1:
show_plot(kind="Plotly Express")
with col2:
show_plot(kind="Altair")
with col1:
show_plot(kind="pandas Matplotlib")
with col2:
show_plot(kind="Bokeh")
else:
with st.container():
for lib in libs:
show_plot(kind=lib)
对于双排式的展示方式而言，col1也就是左边，放置的是matplotlib、plotly、以及pandas绘制出来的图表，右边也就是col2也就是右边，放置的是seaborn、altair以及bokeh绘制出来的图表，而上述代码中调用的show_plot()函数代码如下
# 生成图表
def show_plot(kind: str):
st.write(kind)
if kind == "Matplotlib":
plot = matplotlib_plot(chart_type, df)
st.pyplot(plot)
elif kind == "Seaborn":
plot = sns_plot(chart_type, df)
st.pyplot(plot)
elif kind == "Plotly Express":
plot = plotly_plot(chart_type, df)
st.plotly_chart(plot, use_container_width=True)
elif kind == "Altair":
plot = altair_plot(chart_type, df)
st.altair_chart(plot, use_container_width=True)
elif kind == "Pandas Matplotlib":
plot = pd_plot(chart_type, df)
st.pyplot(plot)
elif kind == "Bokeh":
plot = bokeh_plot(chart_type, df)
st.bokeh_chart(plot, use_container_width=True)
是一系列if...else...的判断，当绘制图表的模块是matplotlib时就调用对应的matplotlib_plot()函数，当绘制图表的模块是seaborn时就调用对应的sns_plot()函数，依次同理。我们来看其中一个函数sns_plot()的具体逻辑，代码如下
def sns_plot(chart_type: str, df):
""" 生成seaborn绘制的图表 """
fig, ax = plt.subplots()
if chart_type == "Scatter":
with st.echo():
sns.scatterplot(
data=df,
x="bill_depth_mm",
y="bill_length_mm",
hue="species",
)
plt.title("Bill Depth by Bill Length")
elif chart_type == "Histogram":
with st.echo():
sns.histplot(data=df, x="bill_depth_mm")
plt.title("Count of Bill Depth Observations")
elif chart_type == "Bar":
with st.echo():
sns.barplot(data=df, x="species", y="bill_depth_mm")
plt.title("Mean Bill Depth by Species")
elif chart_type == "Boxplot":
with st.echo():
sns.boxplot(data=df["bill_depth_mm"].dropna())
plt.title("Bill Depth Observations")
elif chart_type == "Line":
with st.echo():
sns.lineplot(data=df, x=df.index, y="bill_length_mm")
plt.title("Bill Length Over Time")
return fig
其实也是一系列if...else...的判断，当所要绘制的图表是散点图时，调用的是sns.scatterplot()函数，所要绘制的是直方图时，调用的是sns.histplot()，绘制的柱状图或者是折线图时也是同理
最后要是我们想要查看源数据时，也可以查看，代码如下
# 展示源数据
with st.container():
show_data = st.checkbox("See the raw data?")
if show_data:
df
# 要点
st.subheader("Notes")
st.write(
"""
- 这个应用是通过python当中的streamlit模块制作出来的
- 关注"关于数据分析与可视化"，学习更多数据分析和可视化知识与技能
"""
)
output
