Python 动态交互式数据可视化实战：Matplotlib、Plotly 与 Bokeh 详解

这种机制可应用于其他场景，如动画分布、轮廓分析和机器学习模型训练过程的可视化。

2. Celluloid 简化动画

Celluloid 库可以简化 Matplotlib 中的动画制作。通过创建一个摄像头，每次图形参数变化时拍摄快照，组合成动画。

from celluloid import Camera
import numpy as np
import matplotlib.pyplot as plt

fig, axes = plt.subplots(2)
camera = Camera(fig)
t = np.linspace(0, 5 * np.pi, 128, endpoint=False)
t2 = np.linspace(0, 1 * np.pi, 128, endpoint=False)

for i in t2:
    axes[0].plot(t, np.cos(t/2 + i), color='b')
    axes[1].plot(t2, np.sin(t2 - i), color='b')
    camera.snap()

animation = camera.animate()
animation.save('celluloid_example.gif', writer='imagemagick')

Plotly：交互式 Web 图表

Plotly 是一个基于 plotly.js 的开源 Python 库。它支持在线和离线模式，生成的图表具有高度的交互性，适合在 Web 环境中展示。

1. 特斯拉股票时间序列

使用 Plotly 可以生成交互式的时间序列表。将光标移动到时间轴的任意一点，即可查看高价和低价，并可通过按钮和滑块调整关注的时间范围。

import plotly.graph_objs as go
from plotly.offline import init_notebook_mode, iplot
import pandas as pd
import datetime

init_notebook_mode(connected=True)

# 读取并预处理数据
df = pd.read_csv("TSLA.csv")
df['date'] = df['date'].astype('str')
df['high'] = df['high'].astype('float64')
df['low'] = df['low'].astype('float64')

# 日期格式转换
date2 = []
for i in df['date']:
    new_date = datetime.datetime.strptime(i, "%d/%m/%Y").strftime("%Y-%m-%d")
    date2.append(new_date)
df['date'] = date2
df.fillna(0)

# 定义轨迹
trace_high = go.Scatter(
    x=df.date,
    y=df['high'],
    name="TSLA High",
    line=dict(color='#17BECF'),
    opacity=0.8
)
trace_low = go.Scatter(
    x=df.date,
    y=df['low'],
    name="TSLA Low",
    line=dict(color='#7F7F7F'),
    opacity=0.8
)
data = [trace_high, trace_low]

# 布局配置
layout = dict(
    xaxis=dict(
        rangeselector=dict(
            buttons=list([
                dict(count=1, label='1m', step='month', stepmode='backward'),
                dict(count=6, label='6m', step='month', stepmode='backward'),
                dict(step='all')
            ])
        ),
        rangeslider=dict(visible=True),
        type='date'
    )
)
fig = dict(data=data, layout=layout)
iplot(fig, filename="Time Series with Rangeslider")
plotly.offline.plot(fig, filename='Plotly_Stock.html')

Bokeh：仪表板与组件

Bokeh 库同时支持 Python 和 JavaScript。它的许多图形、交互和小部件都可以用 Python 实现，但在某些情况下需要用到 JavaScript。

1. 交互式复选框控制

我们可以使用 Bokeh 创建四个不同的时间序列（高/低/开盘价和收盘价），并添加复选框。使用者可以通过选中或取消复选框来控制哪些线条显示在图中。

import pandas as pd
import numpy as np
from bokeh.plotting import figure
from bokeh.io import output_file, show, output_notebook
from bokeh.models import CustomJS
from bokeh.models.widgets import CheckboxGroup
from bokeh.layouts import row
from bokeh.palettes import Viridis4
from bokeh.models.annotations import Title, Legend

output_notebook()

# 读取数据
df = pd.read_csv("TSLA.csv")
df['date'] = pd.to_datetime(df['date'], format='%d/%m/%Y')

p = figure(x_axis_type='datetime', plot_width=800)
aline = p.line(df['date'], df['high'], line_width=2, color=Viridis4[0])
bline = p.line(df['date'], df['low'], line_width=2, color=Viridis4[1])
cline = p.line(df['date'], df['open'], line_width=2, color=Viridis4[2])
dline = p.line(df['date'], df['close'], line_width=2, color=Viridis4[3])

p.yaxis.axis_label = 'Price'
p.xaxis.axis_label = 'Time Span'

legend = Legend(items=[
    ("High Price", [aline]),
    ("Low Price", [bline]),
    ("Open Price", [cline]),
    ("Close Price", [dline])
], location=(0, 450))

t = Title()
t.text = 'Tesla Stock Market Analysis'
p.title = t
p.add_layout(legend, 'left')

checkboxes = CheckboxGroup(labels=list(['High Price', 'Low Price', 'Open Price', 'Close Price']), active=[0, 1, 2, 3])

callback = CustomJS(code="""
aline.visible = false;
bline.visible = false;
cline.visible = false;
dline.visible = false;
// cb_obj is injected in thanks to the callback
if (cb_obj.active.includes(0)){aline.visible = true;}
if (cb_obj.active.includes(1)){bline.visible = true;}
if (cb_obj.active.includes(2)){cline.visible = true;}
if (cb_obj.active.includes(3)){dline.visible = true;}""",
args={'aline': aline, 'bline': bline, 'cline': cline, 'dline': dline})

checkboxes.js_on_click(callback)
output_file('Tesla_Stock_Widget.html')
show(row(p, checkboxes))

此图可另存为 HTML 文件，方便分享和部署。

Seaborn：统计图表

Seaborn 建立在 Matplotlib 之上，专注于统计图表。如果 Matplotlib 尝试让简单的事情变简单，那么 Seaborn 则致力于让复杂的事情也变得简单。

Pair Plot 示例

import seaborn as sns
sns.set(style="ticks")
df = sns.load_dataset("iris")
sns.pairplot(df, hue="species")

Pair Plot 用于展现数据集中一对对变量的图形化摘要，对角线为单变量分布，其余为散点图矩阵。

nbinteract：Jupyter Notebook 交互

nbinteract 允许我们在 Jupyter Notebook 上创建交互式小部件，并可导出为 HTML。

from ipywidgets import interact
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import nbinteract as nbi

def cars(name, number):
    return '{} has {} cars!'.format(name, number)

interact(cars, name='Nemo', number={'Zero': 0, 'Two': 2, 'Three': 3, 'Ten': 10});

其他常用库

除了上述库外，Pygal 和 Altair 也是常用的 Python 库。它们提供了类似的图表功能，但更适合创建金字塔图、树状图、地图和甘特图等特定类型的图形。

总结与对比

选择合适的可视化工具取决于具体需求。对于静态报告，Matplotlib 和 Seaborn 是首选；若需 Web 端交互，Plotly 和 Bokeh 更为合适。掌握这些工具的组合使用，将极大提升数据分析和展示的效率。