python可视化界面怎么做？

本文所演示的的可视化方法

散点图（Scatterplot)

直方图(Histogram）

小提琴图（Violinplot)

特征两两对比图（Pairplot）

安德鲁斯曲线(Andrewscurves)

核密度图(Kerneldensityestimationplot)

平行坐标图（Parallelcoordinates）

Radviz（力矩图？）

热力图(Heatmap)

气泡图(Bubbleplot)

这里主要使用Python一个流行的作图工具:Seabornlibrary，同时Pandas和bubbly辅助。为什么Seaborn比较好？

因为很多时候数据分析，建模前，都要清洗数据，清洗后数据的结果总要有个格式，我知道的最容易使用，最方便输入模型,最好画图的格式叫做\"TidyData\"(WickhamHTidydata[J]JournalofStatisticalSoftware,2014,59(10):1-23)其实很简单，TidyData格式就是：

每条观察（记录）自己占一行

观察（记录）的每个特征自己占一列

举个例子，我们即将作图的数据集IRIS就是TidyData（IRIS（IRIS数据集）_百度百科）：

Iris数据集是常用的分类实验数据集，由Fisher,1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。

该数据集包含了5个属性：

SepalLength（花萼长度），单位是cm;

SepalWidth（花萼宽度），单位是cm;

PetalLength（花瓣长度），单位是cm;

PetalWidth（花瓣宽度），单位是cm;

种类：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾）。

IRIS数据

可以看到，每条观察（ID=0,1,2）自己占一行，每个特征(四个部位长/宽度，种类）自己占一列。Seaborn就是为TidyData设计的，所以方便使用。

所以这个数据集有6列，6个特征，很多时候做可视化就是为了更好的了解数据，比如这里就是想看每个种类的花有什么特点，怎么样根据其他特征把花分为三类。我个人的喜好是首先一张图尽量多的包含数据点，展示数据信息，从中发现规律。我们可以利用以下代码完全展示全部维度和数据这里用的bubbly：

三维图，全局观察

Python做出来，其实是一张可以拖动角度，放大缩小的图，拖一拖看各角度视图会发现三类还是分的挺明显的。Github上这个bubbly还是很厉害的，方便。

接下来开始做一些基础的可视化，没有用任何修饰，代码只有最关键的画图部分，可视化作为比赛的一个基础和开端，个人理解做出的图能看就行，美不美无所谓，不美也不扣分。因为

散点图，可以得到相关性等信息，比如基本上SepalLengthCm越大，SepalWidthCm越大

散点图

使用Jointplot,看两个变量的分布，KDE图，同时展示对应的数据点

就像上一篇说的，比赛中的每个环节都至关重要，很有必要看下这些分布直方图，kde图，根据这些来处理异常值等，这里请教，为什么画了直方图还要画KDE？？我理解说的都是差不多的东西。

关于KDE:\"由于核密度估计方法不利用有关数据分布的先验知识，对数据分布不附加任何假定，是一种从数据样本本身出发研究数据分布特征的方法，因而，在统计学理论和应用领域均受到高度的重视。\"

无论如何，我们先画直方图，再画KDE

直方图KDE图

这里通过KDE可以说，由于Setosa的KDE与其他两种没有交集，直接可以用Petailength线性区分Setosa与其他两个物种。

Pairplot

箱线图，显示一组数据分散情况的统计图。形状如箱子。主要用于反映原始数据分布的特征，关键的5个黑线是最大值、最小值、中位数和两个四分位数。在判断异常值，处理异常值时候有用。

BoxPlot

小提琴图

Violinplot

这个Andrewscurves很有趣，它是把所有特征组合起来，计算个值，展示该值，可以用来确认这三个物种到底好不好区分，维基百科的说法是“Ifthereisstructureinthedata,itmaybevisibleintheAndrews'curvesofthedata”（Andrewsplot-Wikipedia）

Andrews'curvesradviz

Radviz可视化原理是将一系列多维空间的点通过非线性方法映射到二维空间的可视化技术，是基于圆形平行坐标系的设计思想而提出的多维可视化方法。圆形的m条半径表示m维空间，使用坐标系中的一点代表多为信息对象，其实现原理参照物理学中物体受力平衡定理。多维空间的点映射到二维可视空间的位置由d簧引力分析模型确定。(Radviz可视化原理-CSDN博客)，能展示一些数据的可区分规律。

数值是皮尔森相关系数，浅颜色表示相关性高，比如PetalLength（花瓣长度）与PetalWidth（花瓣宽度）相关性096，也就是花瓣长的花，花瓣宽度也大，也就是个大花。

不过，现在做可视化基本上不用python了，具体为什么可以去看我的写的文章，我拿python做了爬虫，BI做了可视化，效果和速度都很好。

finereport

可视化的一大应用就是数据报表，而FineReport可以自由编写整合所需要的报表字段进行报表输出，支持定时刷新和监控邮件提醒，是大部分互联网公司会用到的日常报表平台。

尤其是公司体系内经营报表，我们用的是商业报表工具，就是finereport。推荐他是因为有两个高效率的点：①可以完成从数据库取数（有整合数据功能）—设计报表模板—数据展示的过程。②类似excel做报表，一张模板配合参数查询可以代替几十张报表。

FineBI

简洁明了的数据分析工具，也是我个人最喜欢的可视化工具，优点是零代码可视化、可视化图表丰富，只需要拖拖拽拽就可以完成十分炫酷的可视化效果，拥有数据整合、可视化数据处理、探索性分析、数据挖掘、可视化分析报告等功能，更重要的是个人版免费。

主要优点是可以实现自助式分析，而且学习成本极低，几乎不需要太深奥的编程基础，比起很多国外的工具都比较易用上手，非常适合经常业务人员和运营人员。在综合性方面，FineBI的表现比较突出，不需要编程而且简单易做，能够实现平台展示，比较适合企业用户和个人用户，在数据可视化方面是一个不错的选择；

这些是我见过比较常用的，对数据探索有帮助的可视化方法。

这个非常简单，PyQt就可以轻松实现，一个基于Qt的接口包，可以直接拖拽控件设计UI界面，下面我简单介绍一下这个包的安装和使用，感兴趣的朋友可以自己尝试一下：

1首先，安装PyQt模块，这个直接在cmd窗口输入命令“pipinstallpyqt5”就行，如下，整个模块比较大，下载过程需要等待一会儿，保持联网：

2安装完成后，我们就可以直接打开Qt自带的QtDesigner设计师设计界面了，这里默认会安装到site-packages->PyQt5->Qt->bin目录，打开后的界面如下，可以直接新建对话框等窗口，所有的控件都可以直接拖拽，编辑属性，非常方便：

3这里我简单的设计了一个登录窗口，2个输入框和2个按钮，如下，这里可以直接使用QSS对界面进行美化（设置styleSheet属性即可），类似网页的CSS，如果你有一定的前端基础，那么美化起来会非常容易：

设计完成后，还只是一个ui文件，不是现成的Python代码，还需要借助pyuic5工具（也在bin目录下）才能将ui文件转化为Python代码，切换到ui文件所在目录，输入命令“pyuic5-ologinpyloginui”即可（这里替换成你的ui文件），转化成功后的Python代码如下（部分截图）：

还需要在最下面添加一个main函数，创建上面Ui_Form类对象显示窗口即可，如下：

最后点击运行程序，效果如下，和刚才设计的界面效果一模一样：

至此，我们就完成了利用Python的PyQt模块直接拖拽控件来设计UI界面。总的来说，整个过程非常简单，只要你有一定的Python基础，熟悉一下 *** 作过程，很快就能掌握的，当然，还有许多其他UI开发模块，像tkinter，wxPython，Eric6等，也都非常不错，网上也有相关教程和资料，介绍的非常详细，感兴趣的话，可以搜一下，希望以上分享的内容能对你有所帮助吧，也欢迎大家评论、留言进行补充。

首先，如果没有安装python和PyQt软件的请先直接搜索下载并安装。python是一个开源软件，因此都是可以在网上免费下载的，最新版本即可。下载完成后，我们先打开PyQtdesigner。

2

打开后，首先是一个默认的新建窗口界面，在这里我们就选择默认的窗口即可。

3

现在是一个完全空白的窗口。第一步我们要先把所有的设计元素都拖进这个窗口。我们先拖入一个“Label”，就是一个不可编辑的标签。

随后我们再拖入一个可以编辑的“LineEdit”

最后我们拖入最后一个元素：“PushButton”按钮，也就是平时我们所点的确定。

目前我们已经把所有所需要的元素都拖入了新建的窗口。对于每一个元素，我们都可以双击进行属性值的修改，此时我们仅需要双击改个名字即可

此时我们已经完成了一半，接下来需要对动作信号进行 *** 作。我们需要先切入编辑信号的模式

此时把鼠标移动到任意元素，都会发现其变成红色，代表其被选中。

当我们选中pushbutton后，继续拖动鼠标指向上面的lineedit，会发现由pushbutton出现一个箭头指向了lineedit，代表pushbutton的动作会对lineedit进行 *** 作。

随即会d出一个配置连接窗口。左边的是pushbutton的 *** 作，我们选择clicked()，即点击pushbutton。

右边是对lineedit的 *** 作，我们选择clear()，即清楚lineedit中的内容。

最后我们点击确定。

保存完成后，我们在PyQt中的 *** 作就已经完成了。保存的文件名我们命名为test，PyQt生成的设计文件后缀是ui。

第一步：获取要绘图的整洁数据（涉及到数据整洁和 *** 作的知识）
第二步：整洁数据做映射 *** 作，确定x,y,color,size,shape,alpha等
第三步：选择合适的几何对象（根据画图的目的、变量的类型和个数）
第四步：坐标系和刻度配置
第五步：标签信息和图例信息
第六步：选择合适的主题
ggplot2的语法包括10个部件。
数据（data）
映射（mapping）
几何对象（geom）
标度（scale）
统计变换（stats）
坐标系（coord）
位置调整（Position adjustments）
分面（facet）
主题（theme）
输出（output）
前3个是必须的，其它部件ggplot2会自动配置，也可以手动配置
ggplot2基本绘图模板：
注意：
1）添加图层的加号（+）只能放在行末尾
2）红色方框里面mapping是全局域，绿色方框里面mapping是局部域，执行先后顺序，先局部域，后全局域
ggplot2画图必要部件-数据，映射和几何对象
21 数据
数据（Data）用于画图的整洁数据
library(tidyverse
ggplot()先只提供数据，创建一个空图形。
# ggplot()先提供整洁数据，生成一个空图形
2映射
映射，把数据变量集与图形属性库建立关联。
最常用的映射有：
x：x轴
y：y轴
color：颜色
size：大小
shape：形状
fill：填充
alpha：透明度
以mpg数据集为例，把变量displ和hwy分别映射到x和y，变量drv映射到color，此时图形就有了坐标轴和网格线，color需要在有了几何对象后才能体现出来。
# 映射 *** 作
ggplot(data = mpg, mapping = aes(x = displ,
y = hwy, color = drv))
23 几何对象
几何对象是表达数据的视觉对象
不同类型的几何对象是从不同的角度表达数据。
pgglot2提供了50多种“几何对象”，均以geom_xxxx()的方式命名，常用的有：
几何对象很简单，只需要添加图层即可。
例如，以mpg数据集为例，画散点图。
ggplot(data = mpg, mapping = aes(x = displ,
y = hwy,
color = drv)) +
geom_point()层依次叠加，在上图的基础上，再添加一个几何对象：光滑曲线。
#继续增加一个几何对象：光滑曲线
# 写法1
ggplot(data = mpg, mapping = aes(x = displ,
y = hwy,
color = drv)) +
geom_point() +
geom_smooth(se=FALSE)
# 写法2
ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
geom_point(aes(color = drv)) +
geom_smooth(se=FALSE)
思考题：
1）写法1和写法2的差异？（全局域和局部域的使用差异）
2）写法2若是要实现写法1的功能，怎么编写代码？
03
标度
ggplot2会自动根据输入变量选择最优的坐标刻度方法，若要手动设置或调整，就需要使用标度函数。
标度函数用来控制几何对象中的标度映射（x轴，y轴或者由color，fill，shape，size产生的图例）。
ggplot2提供丰富的标度函数，常用的有：
拓展功能：scales包提供很多设置刻度标签风格的函数，比如百分数、科学计数法法、美元格式等。
31 修改坐标轴刻度及标签
连续变量使用scale__continuous()函数，参数breaks设置各个刻度的位置，参数labels设置各个刻度对应的标签。
离散变量使用scale__discrete()函数，修改离散变量坐标轴的标签。
时间变量使用scale_x_date()函数设置日期刻度，参数date_breaks设置刻度间隔，date_labels设置标签的日期格式
以mpg数据集为例，修改连续变量坐标轴刻度及标签。
# scale_y_continuous函数
# 对比分析和观察
# 图1
ggplot(mpg, aes(displ, hwy)) +
geom_point()
# 图2
ggplot(mpg, aes(displ, hwy)) +
geom_point() +
scale_y_continuous(breaks = seq(15, 40, by = 10))
# 图3
ggplot(mpg, aes(displ, hwy)) +
geom_point() +
scale_y_continuous(breaks = seq(15, 40, by = 10),
labels = c(" 一五 "," 二五 "," 三五 "))
以mpg数据集为例，修改离散变量的标签
# scale_x_discrete函数
# 对比分析和观察
# 图1
ggplot(mpg, aes(x = drv)) +
geom_bar()
# 图2
ggplot(mpg, aes(x = drv)) +
geom_bar() +
scale_x_discrete(labels = c("4" = " 四驱 ", "f" = " 前驱 ",
"r" = " 后驱 "))
以ggplot2自带的economics数据集为例，修改日期变量。
# scale_x_date函数
# 以ggplot2自带的economics为例
economics %>% glimpse()
# 图1
ggplot(tail(economics, 45), aes(date, uempmed / 100)) +
geom_line()
# 图2
ggplot(tail(economics, 45), aes(date, uempmed / 100)) +
geom_line() +
scale_x_date(date_breaks = "6 months", date_labels = "%Y-%b") +
scale_y_continuous(labels = scales::percent)
32 修改坐标轴标签、图例名及图例位置
用labs()函数参数x，y或者xlab()，ylab()，设置x轴，y轴标签。
若用参数color生成了图例，可以在labs()函数用参数color修改图例名。
用theme图层的参数legendposition设置图例的位置。
以mpg数据为例。
# 修改坐标轴标签，图例名和图例位置
mpg
# 图1
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
labs(x = " 引擎大小 (L)", y = " 高速燃油率 (mpg)",
color = " 驱动类型 ") +
theme(legendposition = "top")
# 图2
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
xlab(" 引擎大小 (L)") +
ylab(" 高速燃油率 (mpg)") +
labs(color = " 驱动类型 ") +
theme(legendposition = "top")
# 图3 不需要图例
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
xlab(" 引擎大小 (L)") +
ylab(" 高速燃油率 (mpg)") +
theme(legendposition = "none")
33 设置坐标轴的范围
用coord_cartesian()函数参数xlim和ylim，或者用xlim()，ylim()设置x轴和y轴的范围。
以mpg数据集为例。
# 修改坐标轴的范围
# 图1 coord_cartesian()的参数xlim和ylim
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
coord_cartesian(xlim = c(5, 7), ylim = c(10, 30))
# 图2 xlim()和ylim()函数
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
xlim(5, 7) +
ylim(10, 30)
34 变换坐标轴
用scale_x_log10()函数变换坐标系，可以保持原始数据的坐标刻度。
# 修改坐标轴的范围
# 图1 coord_cartesian()的参数xlim和ylim
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
coord_cartesian(xlim = c(5, 7), ylim = c(10, 30))
# 图2 xlim()和ylim()函数
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
xlim(5, 7) +
ylim(10, 30)
35 设置图形标题
用labs()函数设置图形标题。
参数title 设置正标题
参数subtitle 设置副标题
参数caption 设置脚注标题（默认右下角）
# 设置标题
# mpg数据集为例
p <- ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = drv)) +
geom_smooth(se = FALSE) +
labs(title = " 燃油效率与引擎大小的关系图 ",
subtitle = " 两座车 ( 跑车 ) 因重量小而符合预期 ",
caption = " 数据来自 fueleconomygov")
p
标题若要居中，采用theme图层设置。
p + theme(plottitle = element_text(hjust = 05),
plotsubtitle = element_text(hjust = 05))
36 设置color、fill颜色
数据的某个维度信息可以通过颜色来表示。
可以直接使用颜色值，建议使用RColorBrewer（调色板）或者colorspace包。
1）连续变量
- 用scale_color_gradient()设置二色渐变色。
# 连续变量
# 图1 scale_color_gradient()函数
ggplot(mpg, aes(displ, hwy, color = hwy)) +
geom_point() +
scale_color_gradient(low = "green", high = "red")
- 用scale_color_distiller()设置调色板中的颜色
# 图2 scale_color_distiller()函数
ggplot(mpg, aes(displ, hwy, color = hwy)) +
geom_point() +
scale_color_distiller(palette = "Set1")
2）离散变量
- 用scale_color_manual()手动设置颜色，还可以修改图例及其标签信息
# 离散变量
# 图1 scale_color_manual()函数
ggplot(mpg, aes(displ, hwy, color = drv)) +
geom_point() +
scale_color_manual(" 驱动方式 ",
values = c("red", "blue", "green"),
breaks = c("4", "f", "r"))
ggplot(mpg, aes(displ, hwy, color = drv)) +
geom_point() +
scale_color_manual(" 驱动方式 ",
values = c("red", "blue", "green"),
labels = c(" 四驱 ", " 前驱 ", " 后驱 "))
-用scale_fill_brewer()调用调色板中的颜色
# 图2 scale_fill_brewer()函数
ggplot(mpg, aes(x = class, fill = class)) +
geom_bar() +
scale_fill_brewer(palette = "Dark2")
7 添加文字标注
ggrepel包提供了geom_label_repel()函数或者geom_text_repel()函数，为图形添加文字标注。
*** 作步骤：
第一步：先准备好标记点的数据
第二步：增加文字标注图层，包括标记点的数据和标注的文字给label参数
# 设置文字标注信息
library(ggrepel)
# 选取每种车型 hwy 值最大的样本
best_in_class <- mpg %>%
group_by(class) %>%
slice_max(hwy, n = 1)
best_in_class %>% select(class, model, hwy)
ggplot(mpg, aes(displ, hwy)) +
geom_point(aes(color = class)) +
geom_label_repel(data = best_in_class,
aes(label = model))
04
计变换、坐标系和位置调整
1 统计变换
统计变换是构建新的统计量而画图。
例如，条形图或直方图，是对数据分组的频数做画图；平滑曲线是对数据拟合模型的预测值画图。
gplot2可以把统计变换直接融入画图中，不必先在对数据做统计变换后再画图。
gplot2提供30多种统计，均以stats_xxx()的方式命名。
1）可在几何对象中直接使用的统计变换，直接使用几何对象就可以了。
能在几何对象创建的，而需要单独使用。
mpg数据集为例。
stat_summary()做统计绘图并汇总。
# 图1 stat_summary()做统计绘图并汇总
p <- ggplot(mpg, aes(x = class, y = hwy)) +
geom_violin(trim = FALSE, alpha = 05, color = "green")
p
p + stat_summary(fun = mean,
funmin = function (x) {mean(x) - sd(x)},
funmax = function (x) {mean(x) + sd(x)},
geom = "pointrange",
color = "red")
tat_smooth()添加光滑曲线，与geom_smooth()相同。
参数method设置平滑曲线的拟合方法，如lm线性回归、glm广义线性回归、loess多项式回归、gam广义加法模型(mgcv包)、rlm稳健回归(MASS包)等。
参数formula指定平滑曲线方程，如y ~ x, y ~ poly(x, 2)， y ~ log(x)等。
参数se设置是否绘制置信区间。
# 图2 stat_smooth()添加平滑曲线
ggplot(mpg, aes(displ, hwy)) +
geom_point() +
stat_smooth(method = "lm",
formula = y ~ splines::bs(x, 3),
se = FALSE)
ggplot(mpg, aes(displ, hwy)) +
geom_point() +
geom_smooth(method = "lm",
formula = y ~ splines::bs(x, 3),
se = FALSE)
42 坐标系
ggplot2默认是直角坐标系。
- coord_cartesian()
常用的其它坐标系：
以mpg数据集为例，坐标轴翻转。
# 图1 坐标轴翻转coord_flip()
p <- ggplot(mpg, aes(class, hwy)) +
geom_boxplot()
p
p + coord_flip()
直角坐标下条形图转换为极坐标下玫瑰图。
# 图2 直角坐标条形图-->极坐标玫瑰图
p <- ggplot(mpg, aes(class, fill = drv)) +
geom_bar()
p
p + coord_polar()
43 位置调整
条形图的位置调整
# 图1：条形图条形位置调整
ggplot(mpg, aes(class, fill = drv)) +
geom_bar()
ggplot(mpg, aes(class, fill = drv)) +
geom_bar(position = "dodge")
ggplot(mpg, aes(class, fill = drv)) +
geom_bar(position = position_dodge(preserve = "single"))
散点图的散点位置调整
# 图1：散点图的散点位置调整
ggplot(mpg, aes(displ, hwy)) +
geom_point()
ggplot(mpg, aes(displ, hwy)) +
geom_point(position = "jitter")
用patchwork包排布多个图形
library(patchwork)
p1 <- ggplot(mpg, aes(displ, hwy)) +
geom_point()
p2 <- ggplot(mpg, aes(drv, displ)) +
geom_boxplot()
p3 <- ggplot(mpg, aes(drv)) +
geom_bar()
p1 | (p2 / p3)
p1 | p2 | p3
p1 / p2 / p3
p1 / (p2 | p3)
05
分面
利用分类变量把图形分成若干“子图”（面），实际上就是对数据分组后再画图，属于数据分析里面细分和下钻的思想。
51 用facet_wrap()函数
封装分面，先生成一维的面板系列，再封装到二维中。
语法形式：~ 分类变量 或者 ~ 分类变量1 + 分类变量2
参数scales设置是否共用坐标刻度，fixed 默认 共用， free 不共用，还可以额通过free_x，free_y单独设置。

目录

vcf数据里除了位点的ATGC的对比，进行纯合/杂合判断的以外。还有一个重要的项目就是 DP ，测序深度。测序深度不仅是看测序质量的重要参考，也是对染色体倍数体以及基因拷贝数进行评估的重要指标。

一般的VCF文件都很大，用手动提取里面的信息肯定不大现实。用 vcfR 就可以轻松实现。

查看一下R读取的数据。

选取我们需要的部分也就是Genotype Section里的 DP 区域。

众所周知箱状图的特点就是(boxplot)包含了所有的信息，包括异常值outlier。正因为这个原因，这张图很大程度上受到了这些异常值的影响，变得非常难懂。自己看看还可以，用来发表文章的话肯定不行。

经过log2转换，我们可以得到理想的效果。

又或者不需要转换，而是通过过滤数据来改善箱图效果。举个例子，提取90%的信赖区间的数据来可视化。

这样也可以获得类似的结果。

图有一个类' Igraph '。下面是一个示例，一个使用make_ring创建的环形图:

如果想查看图形的边，可以使用print_all函数:

要创建具有给定结构的小图形，graph_from_literal函数可能是最简单的。它使用R的公式界面，它的手册页包含了许多示例。另一种选择是graph函数，它直接接受数值顶点id。graphatlas从 Graph Atlas创建图，make_graph 函数可以创建一些特殊的图。

igraph中有很多用于创建图的函数，有确定性的，也有随机的;随机图构造器称为‘games’。

要从字段数据创建图，graph_from_edgelist、graph_from_data_frame和graph_from_adjacency_matrix可能是最好的选择。

igraph包括一些经典的随机图，如Erdos-Renyi GNP and GNM graphs (sample_gnp, sample_gnm)，以及一些最近流行的模型，如preferential attachment (sample_pa) and the small-world model (sample_smallworld)。

对于边也是一样，边id总是在1到m之间，m是图中边的总数。

顶点和边在igraph中都有数值的顶点id。顶点id从1开始，总是连续的。即对于一个有n个顶点的图，顶点id在1到n之间。如果某些 *** 作改变了图中的顶点数，例如通过induced_subgraph创建了一个子图，那么顶点将重新编号以满足这个条件。

在igraph中，可以将属性赋给图的顶点或边，或者赋给图本身。igraph提供了基于属性值选择一组顶点或边的灵活构造，有关详细信息，请参阅vertex_attr、V和E。

一些顶点/边/图属性被特殊处理。其中一个是“name”属性。这用于打印图形，而不是数字id(如果存在)。在所有igraph函数中，顶点名称也可以用来指定一个向量或顶点集。例如，度有一个v参数，它给出了度被计算的顶点。这个参数可以作为顶点名称的字符向量给出。

边也可以有一个“name”属性，这也是特别处理的。就像顶点一样，边也可以根据它们的名字来选择，例如在delete_edges和其他函数中。

我们注意到，顶点名称也可以用来选择边。形式“from|to”，其中“from”和“to”是顶点名称，选择一个单一的，可能是有方向的，从“from”到“to”的边。这两种形式也可以在同一个边选择器中混合。

如果您使用save和load来存储/检索图形，那么所有的属性值都将被保留。

igraph提供了三种不同的可视化方法。首先是情节。igraph函数。(实际上你不需要写情节。igraph, plot就够了。这个函数使用常规的R图形，可以与任何R设备一起使用。

第二个函数是tkplot，它使用一个Tk GUI来进行基本的交互式图形 *** 作。(Tk非常需要资源，所以不要对非常大的图尝试这种方法。)

第三种方法需要rgl包并使用OpenGL。

igraph可以处理各种图形文件格式，通常用于读写。我们建议对图形使用GraphML文件格式，除非图形太大。对于较大的图形，建议采用更简单的格式。有关详细信息，请参阅read_graph和write_graph。

igraph development team
igraph Tutorials

系列文章：
networkD3 绘制动态网络

数据科学和机器学习是该时代最需求的技术，这一需求促使每个人都学习不同的库和软件包以实现它们。这篇博客文章将重点介绍用于数据科学和机器学习的Python库。这些是您掌握市场上最被炒作的两项技能的库。

以下是此博客中将涉及的主题列表：

数据科学与机器学习导论为什么要使用Python进行数据科学和机器学习？用于数据科学和机器学习的Python库用于统计的Python库用于可视化的Python库用于机器学习的Python库深度学习的Python库用于自然语言处理的Python库数据科学与机器学习导论

当我开始研究数据科学和机器学习时，总是有这个问题困扰我最大。是什么导致围绕这两个话题的热门话题？

嗡嗡声与我们生成的数据量有很大关系。数据是驱动ML模型所需的燃料，并且由于我们处在大数据时代，因此很清楚为什么将数据科学视为该时代最有希望的工作角色！

我会说数据科学和机器学习是技能，而不仅仅是技术。它们是从数据中获得有用的见解并通过建立预测模型解决问题所需的技能。

从形式上来讲，这就是两者的定义方式。

数据科学是从数据中提取有用信息以解决实际问题的过程。

机器学习是使机器学习如何通过提供大量数据来解决问题的过程。

这两个域是高度互连的。

机器学习是数据科学的一部分，它利用ML算法和其他统计技术来了解数据如何影响和发展业务。

为什么要使用Python？

Python在用于实现机器学习和数据科学的最流行的编程语言中排名第一。让我们了解为什么。

易于学习： Python使用非常简单的语法，可用于实现简单的计算，例如将两个字符串添加到复杂的过程中，例如构建复杂的ML模型。更少的代码：实施数据科学和机器学习涉及无数的算法。得益于Python对预定义包的支持，我们不必编写算法。为了使事情变得更容易，Python提供了一种“在编码时检查”的方法，从而减轻了测试代码的负担。预建库： Python有100多个预建库，用于实现各种ML和深度学习算法。因此，每次您要在数据集上运行算法时，只需要做的就是用单个命令安装和加载必要的程序包。预先构建的库的示例包括NumPy，Keras，Tensorflow，Pytorch等。与平台无关： Python可以在多个平台上运行，包括Windows，macOS，Linux，Unix等。在将代码从一个平台转移到另一个平台时，您可以使用诸如PyInstaller之类的软件包，该软件包将解决所有依赖性问题。大量的社区支持：除拥有大量支持者外，Python还拥有多个社区，团体和论坛，程序员可以在其中发布他们的错误并互相帮助。Python库

Python在AI和ML领域普及的唯一最重要的原因是，Python提供了数千个内置库，这些库具有内置功能和方法，可以轻松地进行数据分析，处理，处理，建模等。 。在下一节中，我们将讨论以下任务的库：

统计分析数据可视化数据建模与机器学习深度学习自然语言处理（NLP）统计分析

统计是数据科学和机器学习的最基本基础之一。所有ML和DL算法，技术等均基于统计的基本原理和概念。

Python附带了大量的库，仅用于统计分析。在此博客中，我们将重点介绍提供内置函数以执行最复杂的统计计算的顶级统计软件包。

这是用于统计分析的顶级Python库的列表：

NumPySciPyPandas统计模型NumPy

NumPy或数值Python是最常用的Python库之一。该库的主要功能是它支持用于数学和逻辑运算的多维数组。NumPy提供的功能可用于索引，分类，整形和传输图像和声波，这些图像和声波是多维实数数组。

以下是NumPy的功能列表：

执行简单到复杂的数学和科学计算对多维数组对象的强大支持以及用于处理数组元素的函数和方法的集合傅里叶变换和数据处理例程执行线性代数计算，这对于机器学习算法（例如线性回归，逻辑回归，朴素贝叶斯等）是必需的。SciPy

SciPy库建立在NumPy之上，是一组子软件包的集合，可帮助解决与统计分析有关的最基本问题。SciPy库用于处理使用NumPy库定义的数组元素，因此它通常用于计算使用NumPy无法完成的数学方程式。

这是SciPy的功能列表：

它与NumPy数组一起使用，提供了一个平台，提供了许多数学方法，例如数值积分和优化。它具有可用于矢量量化，傅立叶变换，积分，插值等子包的集合。提供完整的线性代数函数堆栈，这些函数可用于更高级的计算，例如使用k-means算法的聚类等。提供对信号处理，数据结构和数值算法，创建稀疏矩阵等的支持。Pandas

Pandas是另一个重要的统计库，主要用于统计，金融，经济学，数据分析等广泛领域。该库依赖于NumPy数组来处理Pandas数据对象。NumPy，Pandas和SciPy在执行科学计算，数据处理等方面都严重依赖彼此。

我经常被要求在Pandas，NumPy和SciPy中选择最好的，但是，我更喜欢使用它们，因为它们彼此之间非常依赖。Pandas是处理大量数据的最佳库之一，而NumPy对多维数组具有出色的支持，另一方面，Scipy提供了一组执行大多数统计分析任务的子包。

以下是Pandas的功能列表：

使用预定义和自定义索引创建快速有效的DataFrame对象。它可用于处理大型数据集并执行子集，数据切片，索引等。提供用于创建Excel图表和执行复杂数据分析任务的内置功能，例如描述性统计分析，数据整理，转换， *** 作，可视化等。提供对处理时间序列数据的支持统计模型

StatsModels Python软件包建立在NumPy和SciPy之上，是创建统计模型，数据处理和模型评估的最佳选择。除了使用SciPy库中的NumPy数组和科学模型外，它还与Pandas集成以进行有效的数据处理。该库以统计计算，统计测试和数据探索而闻名。

以下是StatsModels的功能列表：

NumPy和SciPy库中找不到的执行统计检验和假设检验的最佳库。提供R样式公式的实现，以实现更好的统计分析。它更隶属于统计人员经常使用的R语言。由于它广泛支持统计计算，因此通常用于实现广义线性模型（GLM）和普通最小二乘线性回归（OLM）模型。包括假设检验（零理论）在内的统计检验是使用StatsModels库完成的。因此，它们是用于统计分析的最常用和最有效的Python库。现在让我们进入数据科学和机器学习中的数据可视化部分。

数据可视化

说出一千多个单词。我们都听说过关于艺术方面的引用，但是，对于数据科学和机器学习也是如此。

数据可视化就是通过图形表示有效地表达来自数据的关键见解。它包括图形，图表，思维导图，热图，直方图，密度图等的实现，以研究各种数据变量之间的相关性。

在本博客中，我们将重点介绍最好的Python数据可视化软件包，这些软件包提供内置函数来研究各种数据功能之间的依赖关系。

这是用于数据可视化的顶级Python库的列表：

MatplotlibMatplotlibPlotyBokehMatplotlib

Matplotlib是Python中最基本的数据可视化软件包。它支持各种图形，例如直方图，条形图，功率谱，误差图等。它是一个二维图形库，可生成清晰明了的图形，这对于探索性数据分析（EDA）至关重要。

这是Matplotlib的功能列表：

Matplotlib通过提供选择合适的线条样式，字体样式，格式化轴等功能，使绘制图形变得极为容易。创建的图形可帮助您清楚地了解趋势，模式并进行关联。它们通常是推理定量信息的工具。它包含Pyplot模块，该模块提供了与MATLAB用户界面非常相似的界面。这是Matplotlib软件包的最佳功能之一。提供面向对象的API模块，以使用GUI工具（例如Tkinter，wxPython，Qt等）将图形集成到应用程序中。Matplotlib

Matplotlib库构成了Seaborn库的基础。与Matplotlib相比，Seaborn可用于创建更具吸引力和描述性的统计图。除了对数据可视化的广泛支持外，Seaborn还附带一个面向数据集的内置API，用于研究多个变量之间的关系。

以下是Seaborn的功能列表：

提供用于分析和可视化单变量和双变量数据点以及将数据与其他数据子集进行比较的选项。支持针对各种目标变量的线性回归模型的自动统计估计和图形表示。通过提供执行高级抽象的功能，构建用于构造多图网格的复杂可视化。带有许多内置主题，可用于样式设置和创建matplotlib图Ploty

Ploty是最知名的图形Python库之一。它提供了交互式图形，以了解目标变量和预测变量之间的依赖性。它可以用于分析和可视化统计，财务，商业和科学数据，以生成清晰明了的图形，子图，热图，3D图表等。

这是使Ploty成为最佳可视化库之一的功能列表：

它具有30多种图表类型，包括3D图表，科学和统计图，SVG地图等，以实现清晰的可视化。借助Ploty的Python API，您可以创建由图表，图形，文本和Web图像组成的公共/私有仪表板。使用Ploty创建的可视化以JSON格式序列化，因此您可以在R，MATLAB，Julia等不同平台上轻松访问它们。它带有一个称为Plotly Grid的内置API，该API可让您直接将数据导入Ploty环境。Bokeh

Bokeh是Python中交互性最强的库之一，可用于为Web浏览器构建描述性的图形表示形式。它可以轻松处理庞大的数据集并构建通用图，从而有助于执行广泛的EDA。Bokeh提供定义最完善的功能，以构建交互式绘图，仪表板和数据应用程序。

这是Bokeh的功能列表：

使用简单的命令帮助您快速创建复杂的统计图支持HTML，笔记本和服务器形式的输出。它还支持多种语言绑定，包括R，Python，lua，Julia等。Flask和django也与Bokeh集成在一起，因此您也可以在这些应用程序上表达可视化效果它提供了对转换为其他库（如matplotlib，seaborn，ggplot等）中编写的可视化文件的支持因此，这些是用于数据可视化的最有用的Python库。现在，让我们讨论用于实现整个机器学习过程的顶级Python库。

机器学习

创建可以准确预测结果或解决特定问题的机器学习模型是任何数据科学项目中最重要的部分。

实施ML，DL等涉及对数千行代码进行编码，当您要创建通过神经网络解决复杂问题的模型时，这可能变得更加麻烦。但值得庆幸的是，我们无需编写任何算法，因为Python随附了多个软件包，仅用于实现机器学习技术和算法。

在此博客中，我们将重点介绍提供内置函数以实现所有ML算法的顶级ML软件包。

以下是用于机器学习的顶级Python库的列表：

Scikit-learnXGBoostElI5Scikit-learn

Scikit-learn是最有用的Python库之一，是用于数据建模和模型评估的最佳库。它附带了无数功能，其唯一目的是创建模型。它包含所有有监督的和无监督的机器学习算法，并且还具有用于集合学习和促进机器学习的定义明确的功能。

以下是Scikit学习的功能列表：

提供一组标准数据集，以帮助您开始使用机器学习。例如，著名的Iris数据集和Boston House Price数据集是Scikit-learn库的一部分。用于执行有监督和无监督机器学习的内置方法。这包括解决，聚类，分类，回归和异常检测问题。带有用于特征提取和特征选择的内置功能，可帮助识别数据中的重要属性。它提供了执行交叉验证以评估模型性能的方法，还提供了用于优化模型性能的参数调整功能。XGBoost

XGBoost代表“极端梯度增强”，它是执行Boosting Machine Learning的最佳Python软件包之一。诸如LightGBM和CatBoost之类的库也同样配备了定义明确的功能和方法。建立该库的主要目的是实现梯度提升机，该梯度提升机用于提高机器学习模型的性能和准确性。

以下是其一些主要功能：

该库最初是用C ++编写的，被认为是提高机器学习模型性能的最快，有效的库之一。核心的XGBoost算法是可并行化的，并且可以有效地利用多核计算机的功能。这也使该库足够强大，可以处理大量数据集并跨数据集网络工作。提供用于执行交叉验证，参数调整，正则化，处理缺失值的内部参数，还提供scikit-learn兼容的API。该库经常在顶级的数据科学和机器学习竞赛中使用，因为它一直被证明优于其他算法。ElI5

ELI5是另一个Python库，主要致力于改善机器学习模型的性能。该库相对较新，通常与XGBoost，LightGBM，CatBoost等一起使用，以提高机器学习模型的准确性。

以下是其一些主要功能：

提供与Scikit-learn软件包的集成，以表达功能重要性并解释决策树和基于树的集成的预测。它分析并解释了XGBClassifier，XGBRegressor，LGBMClassifier，LGBMRegressor，CatBoostClassifier，CatBoostRegressor和catboost所做的预测。它提供了对实现多种算法的支持，以便检查黑盒模型，其中包括TextExplainer模块，该模块可让您解释由文本分类器做出的预测。它有助于分析包括线性回归器和分类器在内的scikit学习通用线性模型（GLM）的权重和预测。深度学习

机器学习和人工智能的最大进步是通过深度学习。随着深度学习的介绍，现在可以构建复杂的模型并处理庞大的数据集。幸运的是，Python提供了最好的深度学习软件包，可帮助构建有效的神经网络。

在此博客中，我们将专注于提供用于实现复杂的神经网络的内置功能的顶级深度学习软件包。

以下是用于深度学习的顶级Python库的列表：

TensorFlowPytorchKerasTensorFlow

TensorFlow是用于深度学习的最佳Python库之一，是一个用于跨各种任务进行数据流编程的开源库。它是一个符号数学库，用于构建强大而精确的神经网络。它提供了直观的多平台编程界面，可在广阔的领域中实现高度扩展。

以下是TensorFlow的一些关键功能：

它允许您构建和训练多个神经网络，以帮助适应大型项目和数据集。除支持神经网络外，它还提供执行统计分析的功能和方法。例如，它带有用于创建概率模型和贝叶斯网络（例如伯努利，Chi2，Uniform，Gamma等）的内置功能。该库提供了分层的组件，这些组件可以对权重和偏差执行分层的 *** 作，并且还可以通过实施正则化技术（例如批标准化，丢包等）来提高模型的性能。它带有一个称为TensorBoard的可视化程序，该可视化程序创建交互式图形和可视化图形以了解数据功能的依赖性。Pytorch

Pytorch是一个基于Python的开源科学计算软件包，用于在大型数据集上实施深度学习技术和神经网络。Facebook积极地使用此库来开发神经网络，以帮助完成各种任务，例如面部识别和自动标记。

以下是Pytorch的一些主要功能：

提供易于使用的API与其他数据科学和机器学习框架集成。与NumPy一样，Pytorch提供了称为Tensors的多维数组，与NumPy不同，它甚至可以在GPU上使用。它不仅可以用于对大型神经网络进行建模，而且还提供了一个界面，具有200多种用于统计分析的数学运算。创建动态计算图，以在代码执行的每个点建立动态图。这些图有助于时间序列分析，同时实时预测销售量。Keras

Keras被认为是Python中最好的深度学习库之一。它为构建，分析，评估和改进神经网络提供全面支持。Keras基于Theano和TensorFlow Python库构建，该库提供了用于构建复杂的大规模深度学习模型的附加功能。

以下是Keras的一些关键功能：

为构建所有类型的神经网络提供支持，即完全连接，卷积，池化，循环，嵌入等。对于大型数据集和问题，可以将这些模型进一步组合以创建完整的神经网络它具有执行神经网络计算的内置功能，例如定义层，目标，激活功能，优化器和大量工具，使处理图像和文本数据更加容易。它带有一些预处理的数据集和经过训练的模型，包括MNIST，VGG，Inception，SqueezeNet，ResNet等。它易于扩展，并支持添加包括功能和方法的新模块。自然语言处理

您是否曾经想过Google如何恰当地预测您要搜索的内容？Alexa，Siri和其他聊天机器人背后的技术是自然语言处理。NLP在设计基于AI的系统中发挥了巨大作用，该系统有助于描述人类语言与计算机之间的交互。

在此博客中，我们将重点介绍提供内置功能以实现基于高级AI的系统的顶级自然语言处理包。

这是用于自然语言处理的顶级Python库的列表：

NLTKspaCyGensimNLTK（自然语言工具包）

NLTK被认为是分析人类语言和行为的最佳Python软件包。NLTK库是大多数数据科学家的首选，它提供易于使用的界面，其中包含50多种语料库和词汇资源，有助于描述人与人之间的互动以及构建基于AI的系统（例如推荐引擎）。

这是NLTK库的一些关键功能：

提供一套数据和文本处理方法，用于文本分析的分类，标记化，词干，标记，解析和语义推理。包含用于工业级NLP库的包装器，以构建复杂的系统，以帮助进行文本分类并查找人类语音的行为趋势和模式它带有描述计算语言学实现的综合指南和完整的API文档指南，可帮助所有新手开始使用NLP。它拥有庞大的用户和专业人员社区，它们提供全面的教程和快速指南，以学习如何使用Python进行计算语言学。spaCy

spaCy是一个免费的开源Python库，用于实现高级自然语言处理（NLP）技术。当您处理大量文本时，重要的是要了解文本的形态学意义以及如何将其分类以理解人类语言。通过spaCY可以轻松实现这些任务。

这是spaCY库的一些关键功能：

除了语言计算外，spaCy还提供了单独的模块来构建，训练和测试统计模型，从而更好地帮助您理解单词的含义。带有各种内置的语言注释，可帮助您分析句子的语法结构。这不仅有助于理解测试，还有助于查找句子中不同单词之间的关系。它可用于对包含缩写和多个标点符号的复杂嵌套令牌应用令牌化。除了非常强大和快速之外，spaCy还提供对51种以上语言的支持。Gensim

Gensim是另一个开源Python软件包，其建模旨在从大型文档和文本中提取语义主题，以通过统计模型和语言计算来处理，分析和预测人类行为。无论数据是原始数据还是非结构化数据，它都有能力处理庞大的数据。

以下是Genism的一些主要功能：

它可用于构建可通过理解每个单词的统计语义来有效分类文档的模型。它带有诸如Word2Vec，FastText，潜在语义分析之类的文本处理算法，这些算法研究文档中的统计共现模式，以过滤掉不必要的单词并构建仅具有重要功能的模型。提供可以导入并支持各种数据格式的I / O包装器和读取器。它具有简单直观的界面，可供初学者轻松使用。API学习曲线也很低，这解释了为什么许多开发人员喜欢此库。

---