借用 R4DS 一书中对数据探索工作的描述，主要包括三个关键部件：数据转换、可视化图表、数学建模。一直以来，在 EDA 场景中，我自己使用 R & Python 的强度是五五开，甚至略微更偏向 R 一些。因为 R 宇宙有 Tidyverse、data.table 这些工具集，都支持管道，且语法简明、逻辑优雅，借助 RStudio 和 RMarkdown，数据分析效率很高。而 Python + Jupyter + Pandas 这边，往往操作稍显罗嗦，组织主题更加麻烦一些。
进入 2023 年之后，Python 的使用比重就大的多了，主要原因有两个：一是因为 Polars；二是因为 Quarto。Polars 日臻成熟和流行，它兼顾了语义的优雅和性能的高效，新引入的抽象概念和 API 带来的「心智负担」也不算高，无论是从 Pandas 还是 Tidyverse 过渡而来，都非常容易。对于喜欢 R 管道的朋友，Polars 提供的链式 API，更是帮我们在 Python 环境里找到了家。再说 Quarto，RStudio/Posit 可能 All in Quarto，期望通过 Quarto 来包含 R/Python 的一切，来对抗 Jupyter。然时至今日，如果用户不进入 RStudio App，去手动链接各种 dart-sass、deno、esbuild，在苹果 M 系列芯片上，.qmd 文件还是跑不起来，勉强跑起来了，不知不觉又切回了更为熟悉轻量的 Rmd。加之今天又看到 Yihui Down，相当难过。Anyway，Good luck and have fun.
我几乎已经完全用 Polars 替换掉了 Pandas 和 Tidyverse。唯有两点遗憾，一是 Polars 没有内置的图表接口，二是还不能无缝关联模型库。不过，这两点都可以通过调用比如 .to_pandas()，将 DataFrame 转换成相应的兼容数据形式之后，再进行处理。后者，应该还需要不少的时间，而至于前一个遗憾，在最近几天发布的 0.20.3 版中解决了。现在 Polars 也内置了类似 Pandas df.plot 方式的绘图接口 🔥，必须赶紧体验一下，并且跟 Python 生态里我常用的绘图库做个对比，做个取舍。
以上篇我在 YouTube 上看了些啥的数据集为例，做两件事，一是分别使用各个可视化框架，分别制作每月每个时段的热力图（heatmap）和每年的内容分类排名图（bump chart）；二是将两附图合在一起，探索一下各框架的多图布局功能。
import polars as pl
df = pl.read_parquet("./history_aio.parquet")
pl.__version__
heatmap_dat = (
# 挑出 2023 年
df.filter(pl.col("year") == 2023)
# 按月、小时段，做 count
.group_by("month", "hour")
.agg(
pl.count().alias("n"),
)
# 透视拉宽、补列，完整 24 小时
.pivot(index="month", columns="hour", values="n")
.with_columns(
pl.lit(None).alias("4"), pl.lit(None).alias("5"), pl.lit(None).alias("6")
)
.select(["month"] + [str(c) for c in range(1, 24)])
# 融化还原成长表
.melt(id_vars="month", variable_name="hour", value_name="n")
# 变换类型并排序
.with_columns(pl.col("hour").cast(pl.Int8))
.sort("month", "hour")
)
shape: (5, 3)| month | hour | n |
|---|
| i8 | i8 | u32 |
| 1 | 1 | 17 |
| 1 | 2 | 1 |
| 1 | 3 | null |
| 1 | 4 | null |
| 1 | 5 | null |
bump_dat = (
# 挑出有效类别行
df.filter(pl.col("cat_name").is_not_null())
# 按年、类，count 视频唯一量
.group_by("year", "cat_name").agg(pl.n_unique("title").alias("n_video"))
# 按量大小，排名
.with_columns(
pl.col("n_video").rank("ordinal", descending=True).over("year").alias("ranking")
)
# 按年排序
.sort("year")
)
shape: (5, 4)| year | cat_name | n_video | ranking |
|---|
| i32 | str | u32 | u32 |
| 2016 | "People & Blogs… | 44 | 4 |
| 2016 | "Sports" | 14 | 9 |
| 2016 | "Howto & Style" | 41 | 5 |
| 2016 | "Autos & Vehicl… | 3 | 13 |
| 2016 | "Film & Animati… | 25 | 7 |
Polars & hvPlot
Polars 并没有自行实现绘图逻辑，它的 .plot 是通过的 hvPlot 来代理的（而 hvPlot 默认的后端又是 bokeh，所以如果在 Notebook 环境中图表未正确显示，可以尝试使用以下方法正确显示图表）。
# from bokeh.io import output_notebook
# output_notebook()
fig1 = heatmap_dat.plot.heatmap(
x="hour", y="month", C="n", cmap="reds", title="Heatmap"
).options(toolbar=None, default_tools=[])
fig1
热力图是 hvPlot 预置的模板图表，所以一行代码，简单映射一下 xy 轴，再指定一下颜色，即可实现相当不错的效果。对于 bokeh 后端，如果不想看见它的工具栏，不喜欢它默认启用的缩放效果，我们也只需要在 .plot 之后跟 .opts 或者 .options 把它们关掉即可。
排名变化图 Bump Chart 并非 hvPlot 预置模板，需要自行实现。我们可以将其分解为散点图和条线图的结合体，分作制作这两者，然后将其合二为一。
fig2 = (
bump_dat.plot.line(x="year", y="ranking", by="cat_name")
* bump_dat.plot.scatter(x="year", y="ranking", by="cat_name")
).opts(
title="Bump Chart",
toolbar=None,
default_tools=[],
invert_yaxis=True,
legend_opts=dict(border_line_width=0, label_text_font_size="6pt", label_height=2),
padding=0.05,
height=480,
)
fig2
微调的图表参数，可以大胆假设，先填进去，脚本报错之后，框架根据你的填写，会贴心的爆出它的合理推测或支持的参数集，如此两三个来回，再结合文档，实现想要的图表效果，门槛也不算太高。上图比较打眼的部分是右边的图例（legend）栏，它的排序没有能跟离它最近的 2023 年排名保持一致，观感不好。我们可以单独对它进行重排，或者拿掉它之后单独对 2023 的排名做 label 标注。不过这个过程在这里似乎都不同容易实现，且先留空。
AttributeError: unexpected attribute 'border_width' to Legend, similar attributes are border_line_width, border_line_dash or label_width
图内叠加用 *，而多图堆叠也非常方便，用 + 即可。
fig3 = (fig1.opts(height=480) + fig2).opts(toolbar=None)
fig3
Altair
交互式图表库，我最早用的是 Altair。Altair 的语法结构不算复杂，使用时也比较符合直觉， Chart().mark_x().encode()...properties() 一路串下去，Chart 吃数据，mark_x 吃形状，encode 吃配置，properties 做一些找补。特别有意思的是，在串联环节当中，Altair 还引入了便捷的数据变换机制，方便用户操作数据。并且文档和 API 组织的相当好，使用时没有 Plotly、Bokeh 那么松散的感觉，遇到问题时，按图索骥也比较通畅。
import altair as alt
alt.__version__
fig4 = (
# 吃数据
alt.Chart(heatmap_dat.fill_null(0))
# 画方块
.mark_rect()
# 微调配置
.encode(
# x 及其数据类型
x="hour:O",
# y 及其数据类型、排序方式
y=alt.Y("month:O", sort="descending"),
# color 填充规则
color=alt.condition(
"datum.n != 0", alt.Color("n:Q").scale(scheme="reds"), alt.value("white")
),
# 悬停信息
tooltip=[
alt.Tooltip("month"),
alt.Tooltip("hour"),
alt.Tooltip("n:Q", title="# of videos"),
],
)
# 补充定义
.properties(title="Heatmap", width=500, height=300)
)
fig5 = (
alt.Chart(bump_dat)
# 画线、标点
.mark_line(point=True)
.encode(
x="year:O",
y=alt.Y("ranking:Q", sort="descending"),
# 填充且干预排序
color=alt.Color(
"cat_name",
sort=[
"Science & Technology",
"People & Blogs",
"Film & Animation",
"Education",
"Gaming",
"Entertainment",
"Howto & Style",
"Music",
"Travel & Events",
"Sports",
"News & Politics",
"Pets & Animals",
"Autos & Vehicles",
"Comedy",
"Nonprofits & Activism",
],
),
tooltip=[
alt.Tooltip("year:O"),
alt.Tooltip("cat_name"),
alt.Tooltip("ranking:Q"),
],
)
.properties(
title="Bump Chart",
width=500,
height=300,
)
)
# 超方便的多图堆叠
# (fig1 & fig2)
fig6 = (fig4 | fig5).configure_axis(grid=False).properties(title="Bye, hell subplots.")
fig6
如上可见，图+图的堆叠及操控尤其方便，直出画面的效果简洁大方。缺点就是数据量一大（5000）就报警。
MaxRowsError: The number of rows in your dataset is greater than the maximum allowed (5000).
Try enabling the VegaFusion data transformer which raises this limit by pre-evaluating data
transformations in Python.
>> import altair as alt
>> alt.data_transformers.enable("vegafusion")
Or, see https://altair-viz.github.io/user_guide/large_datasets.html for additional information
on how to plot large datasets.
Plotly
Plotly 为满足「灵活自定义」以及「开箱即用」的两种需求，提供了两种不同的途径。一种底层 API，强调精确控制，称作 graphic_objects；一种上层 API，强调简单易用，称作 express。上一篇文章的全部图表，均出自 Plotly 框架。一般是先用 express 尝试，express 表达不出来的图表，再使用 graphic_objects 描绘。
import plotly
plotly.__version__
import plotly.graph_objects as go
from plotly import express as px
from plotly.subplots import make_subplots
fig7 = (
# 方块热力图在 plotly express 中表述为 imshow
px.imshow(
# 为了迎合 imshow 的表达方式，我们需要先揉捏一下数据
heatmap_dat.pivot(index="month", columns="hour", values="n")
.to_pandas()
.set_index("month"),
# 数据呈现方式
labels=dict(x="hour", y="month", color="n_videos"),
color_continuous_scale="reds",
# 图表配置
template="plotly_white",
title="Heatmap",
).update_layout(
xaxis1=dict(showgrid=False),
yaxis1=dict(showgrid=False),
)
)
fig7
在 Plotly 里边实现 Bump Chart 也需要我们自行设计实现方式，这时候就需要从 express 切换到 graphic_objects。这一切换过程往往会给我们造成一些困扰，主要来源于 API 设计上的不完全兼容，比如同样是绘制散点图，这两套 API 散点图方法提供的参数可能就不一致，从而造成理解偏差。
def plotly_bump(df):
fig = go.Figure()
# Bump Chart 可以
# 为每一个类别
for name, data in df.group_by(["cat_name"]):
name = name[0]
trace = go.Scatter(
x=data["year"],
y=data["ranking"],
mode="lines+markers",
name=name,
line=dict(width=2),
marker=dict(size=10),
text=name,
hoverinfo="text",
legendrank=data["ranking"][-1],
)
fig.add_trace(trace)
fig.update_layout(
title="Bump Chart",
xaxis=dict(title="Year"),
yaxis=dict(title="Rank"),
legend=dict(title="Category"),
yaxis_autorange="reversed",
template="plotly_white",
height=500,
width=800,
xaxis1=dict(showgrid=False),
yaxis1=dict(showgrid=False),
)
return fig
fig8 = plotly_bump(bump_dat)
fig8
可见，Plotly 设计的 figure、trace、layout, 及其各项属性都是自成一派的，它有自己鲜明的特色，默认的交互效果也非常好，只不过 ggplot2 这一脉的用户，需要一个习惯的过程。快速分析时我很喜欢用 Plotly 做可视化，但是遇到自定义场景时又很头痛，往往需要耗费很多时间去搜索、查阅。
def plotly_subplots():
fig = make_subplots(rows=1, cols=2, subplot_titles=["Heatmap", "Bump Chart"])
# Heatmap
heatmap_trace = go.Heatmap(
x=heatmap_dat["hour"],
y=heatmap_dat["month"],
z=heatmap_dat["n"],
hoverongaps=False,
opacity=0.7,
colorscale="reds",
colorbar=dict(x=0.45, y=0.5, len=1.1),
)
fig.add_trace(
heatmap_trace,
row=1,
col=1,
)
# Bump Chart
for name, data in bump_dat.group_by(["cat_name"]):
name = name[0]
trace = go.Scatter(
x=data["year"],
y=data["ranking"],
mode="lines+markers",
name=name,
line=dict(width=2),
marker=dict(size=10),
text=name,
hoverinfo="text",
legendrank=data["ranking"][-1],
legendgroup="2",
)
fig.add_trace(trace, row=1, col=2)
# Update layout
fig.update_layout(
title_text="Heatmap and Bump Chart Side by Side",
template="plotly_white",
xaxis1=dict(showgrid=False),
yaxis1=dict(showgrid=False),
yaxis2_autorange="reversed",
height=400,
width=1300,
)
return fig
fig9 = plotly_subplots()
fig9
花了不少时间让上面的两幅图表排在一起，结论暂时只有一个：不要折腾 Plotly 的 subplots，会变得不幸。
Bokeh
import bokeh
bokeh.__version__
不像绝大多数的图表库，Bokeh 已经不再内置模板 API，即便最常见的散点图、折线图，使用 Bokeh 来实现，看起来也没有那么直观，给人一种从底层一砖一瓦开始的基建感。
from bokeh.layouts import row
from bokeh.models import ColumnDataSource, Legend, LegendItem
from bokeh.plotting import figure, show, save
from bokeh.transform import factor_cmap, linear_cmap
from bokeh.io import output_notebook
output_notebook()
# 需要 Pandas DataFrame
fig10_dat = heatmap_dat.to_pandas()
# 控制热力图细节
fig10 = figure(
title="Heatmap",
# 小时
x_range=[str(x) for x in range(0, 24)],
# 月份，多一份留白，让每个小格子等宽等长
y_range=[str(x) for x in range(1, 14)],
x_axis_location="above",
tools="",
toolbar_location=None,
tooltips=[("hour", "@hour"), ("month", "@month"), ("n", "@n")],
width=600,
height=300,
)
# 去掉干扰
fig10.grid.grid_line_color = None
fig10.axis.axis_line_color = None
fig10.axis.major_tick_line_color = None
fig10.outline_line_color = None
# 映射数据
fig10.rect(
x="hour",
y="month",
width=1,
height=1,
source=fig10_dat,
fill_color=linear_cmap(
"n", "Reds256", high=fig10_dat.n.min(), low=fig10_dat.n.max(), nan_color="white"
),
line_color=None,
)
# 展示图表
show(fig10)
# 初始化图表配置
fig11 = figure(
title="Slope Graph",
x_range=(2015.9, 2023.1),
y_range=(17.5, 0.5),
x_axis_location="above",
tools="",
toolbar_location=None,
width=600,
height=300,
tooltips=[("category", "@cat_name"), ("ranking", "@ranking")],
)
# 预先设定 17 个分类的颜色映射关系
cmap6 = factor_cmap(
"cat_name",
"Category20_17",
sorted(bump_dat["cat_name"].unique()),
)
# 预先设定好图例排序
fig11_legend_indexes = [
"Science & Technology",
"People & Blogs",
"Film & Animation",
"Education",
"Gaming",
"Entertainment",
"Howto & Style",
"Music",
"Travel & Events",
"Sports",
"News & Politics",
"Pets & Animals",
"Autos & Vehicles",
"Comedy",
"Nonprofits & Activism",
"Movies",
"Trailers",
]
fig11_legend_items = []
# 分别绘制折线图和散点图，并把图例信息传出来
for name, data in bump_dat.group_by(["cat_name"]):
src = data.to_pandas()
name = name[0]
line = fig11.line(
x="year",
y="ranking",
source=src,
line_width=2,
line_color=cmap6.transform.palette[cmap6.transform.factors.index(name)],
)
scatter = fig11.scatter(
x="year",
y="ranking",
source=src,
size=8,
color=cmap6.transform.palette[cmap6.transform.factors.index(name)],
)
fig11_legend_items.append(LegendItem(label=name, renderers=[line, scatter]))
# 排除干扰
fig11.grid.grid_line_color = None
fig11.axis.axis_line_color = None
fig11.axis.major_tick_line_color = None
fig11.outline_line_color = None
fig11.xaxis.minor_tick_out = 0
fig11.xaxis.major_tick_in = 0
fig11.yaxis.minor_tick_out = 0
fig11.yaxis.major_tick_in = 0
# 微调图例
fig11_legend_items_sorted = sorted(
fig11_legend_items, key=lambda x: fig11_legend_indexes.index(x.label.value)
)
fig11.add_layout(Legend(items=fig11_legend_items_sorted, click_policy="mute"), "right")
# 排除干扰
fig11.legend.label_text_font_size = "6pt"
fig11.legend.glyph_height = 1
fig11.legend.spacing = 5
fig11.legend.label_height = 5
fig11.legend.location = (0, 0)
fig11.legend.background_fill_alpha = 0.6
fig11.legend.border_line_alpha = 0
# 展示图表
show(fig11)
至于多图堆叠，bokeh 提供了清晰的方案，比如我们这里的一行两列，直接调用 row 方法即可。
fig12 = row(fig10, fig11)
show(fig12)
小结
今年应该会深入使用 Polars 及其背后的 hvPlot，以及 hvPlot 背后的 HoloViz、bokeh 生态，继续关注 Altair。另外，将尝试减少 Plotly 的使用，好用是好用，微调也确实痛苦。
Login
