Polars简明基础教程十一：可视化(一)
到本次讲座结束时，你将能够：
- 使用Polars的内部plot方法从Polars创建图表
- 使用外部绘图库从Polars创建图表
- 了解这些库如何支持Polars
通常，需要可视化库的最新版本来实现最大程度的兼容性
import polars as plimport hvplot as hv
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import altair as alt
import vegafusion as vf为Altair启用vegafusion
解释：
- Altair 是一个基于 Python 的声明式统计可视化库。它允许你用简洁的语法创建复杂的交互式图表。Altair 生成的图表基于 Vega-Lite 规范，这是一种用于描述数据可视化的 JSON 格式。
- Vegafusion 是一个优化工具，旨在加速 Altair 图表的渲染速度，特别是在处理大数据集时。它通过在服务器端执行更多的数据处理和渲染工作，从而减轻客户端浏览器的负担，使图表响应更快、更流畅。
在使用 Altair 进行数据可视化时，我们一般要激活或配置 Vegafusion 来优化图表的性能。具体来说，这意味着当你在 Polars 或其他环境中使用 Altair 创建图表时，Vegafusion 会在后台工作，确保图表加载速度快，即使数据量很大也能保持良好的用户体验。
vf.enable() # 启用vegafusioncsv_file = '../data/titanic.csv'
df = pl.read_csv(csv_file)
df.head(3)shape: (3, 15)
┌──────────┬────────┬────────┬──────┬───┬──────┬─────────────┬───────┬───────┐
│ survived ┆ pclass ┆ sex ┆ age ┆ … ┆ deck ┆ embark_town ┆ alive ┆ alone │
│ --- ┆ --- ┆ --- ┆ --- ┆ ┆ --- ┆ --- ┆ --- ┆ --- │
│ i64 ┆ i64 ┆ str ┆ f64 ┆ ┆ str ┆ str ┆ str ┆ bool │
╞══════════╪════════╪════════╪══════╪═══╪══════╪═════════════╪═══════╪═══════╡
│ 0 ┆ 3 ┆ male ┆ 22.0 ┆ … ┆ null ┆ Southampton ┆ no ┆ false │
│ 1 ┆ 1 ┆ female ┆ 38.0 ┆ … ┆ C ┆ Cherbourg ┆ yes ┆ false │
│ 1 ┆ 3 ┆ female ┆ 26.0 ┆ … ┆ null ┆ Southampton ┆ yes ┆ true │
└──────────┴────────┴────────┴──────┴───┴──────┴─────────────┴───────┴───────┘我们首先通过创建一个简单的条形图来查看是否可以直接将Polars的DataFrame传递给每个绘图库。接下来，我们将考虑从Polars与每个库协作时需要注意的其他一些要点。
条形图
我们首先统计每个乘客等级中的乘客数量。有关此处使用的方法的更多信息，请参阅课程中关于统计和聚合的部分。
passenger_class_counts_df = (df['pclass'].value_counts().sort("pclass")
)passenger_class_counts_dfshape: (3, 2)
┌────────┬───────┐
│ pclass ┆ count │
│ --- ┆ --- │
│ i64 ┆ u32 │
╞════════╪═══════╡
│ 1 ┆ 216 │
│ 2 ┆ 184 │
│ 3 ┆ 491 │
└────────┴───────┘使用hvPlot内置绘图
DataFrame有一个内置的.plot方法，该方法将DataFrame传递给hvPlot库
注释：
Polars 数据库框架直接集成了 hvPlot 这个绘图工具，使得用户可以直接在 Polars 的 DataFrame 上进行数据可视化，而无需额外安装或导入其他专门的绘图库（尽管 hvPlot 本身仍需要被安装）。
hvPlot 是一个用于快速生成高质量图表的 Python 库，它构建在 HoloViews 和 Bokeh 之上，提供了非常直观的 API，使得从数据帧到图表的转换变得简单且强大。它支持多种数据源，包括 Pandas DataFrame 和 Series。
在 Polars 中，hvPlot 的功能已经被内化了，用户可以直接在 Polars DataFrame 上调用 hvPlot 的方法来创建图表，无需像以前那样先将数据转换为 Pandas DataFrame 或者单独使用 hvPlot 的函数。
passenger_class_counts_df.plot.bar(x="pclass",y="count"
)hvPlot 是对底层绘图库的封装。默认情况下，它使用 Bokeh 库来生成交互式图表，这些图表在右侧包含控件，可以：
- 在我们悬停在数据上时添加描述数据的工具提示
- 支持平移和缩放
- 有一个重置按钮以恢复到原始视图
在 JupyterLab 中，图表会自动显示。但如果你在使用 IPython 终端，hvPlot 也可以启动一个临时服务器，在浏览器中显示图表，只要你：
- 首先创建一个图表对象并将其分配给变量 p
- 调用 hv.show(p)
p = (passenger_class_counts_df.plot.bar(x="pclass",y="count"))hv.show(p)
在这个例子中，我们根据乘客等级（pclass）的颜色进行散点图绘制，以年龄（age）为横坐标，票价（fare）为纵坐标，并控制图表的宽度。
p = (df.plot.scatter(x="age",y="fare",color="pclass", width=500)
)hv.show(p)
然而，用于 pclass 的颜色映射并不是很有用，因为它将 pclass 的整数视为连续数值而不是离散的分类值（这是不同绘图库中常见的现象）。
在绘图之前，我们将 pclass 转换为字符串，以获得更好的颜色映射。
p = (df.with_columns(pl.col("pclass").cast(pl.Utf8)).plot.scatter(x="age",y="fare",color="pclass", )
)hv.show(p)
我们可以使用 cmap 参数明确控制所使用的颜色映射。可用的颜色映射设置在这里:
https://holoviews.org/user_guide/Colormaps.html
请注意，您选择的颜色映射必须与您正在使用的 hvPlot 绘图后端（默认为 Bokeh）相匹配。
Polars简明基础教程系列
Polars简明基础教程十二：可视化(二)
Polars简明基础教程十一：可视化(一)
Polars简明基础教程十：Numpy和Pandas的相互转换（2）
Polars简明基础教程九：Numpy和Pandas的相互转换（1）
Polars简明基础教程八：Series 和 DataFrame 以及它们之间的转换_B
Polars简明基础教程七：Series 和 DataFrame 以及它们之间的转换_A
Polars简明基础教程六：什么是Polars的“DataFrame（数据框）_下”
Polars简明基础教程五：什么是Polars的“DataFrame（数据框）_上”
Polars简明基础教程四：懒惰模式 2：评估查询
Polars简明基础教程三：懒惰模式 1：引入懒惰模式（续）
Polars简明基础教程二：懒惰模式 1：引入懒惰模式
Polars简明基础教程一：Polars快速入门