什么是气泡图？怎样用Python绘制？有什么用？终于有人讲明白了

导读：什么是气泡图？可以用来呈现哪些数据关系？在数据分析过程中可以解决哪些问题？怎样用Python绘制气泡图？本文逐一为你解答。

作者：屈希峰

来源：大数据DT（ID：bigdatadt）

01 概述

气泡图（Bubble）是一种多变量图表，是散点图的变体，也可以认为是散点图和百分比区域图的组合。其可用于展示三个变量之间的关系，和散点图一样，绘制时将一个变量放在横轴，另一个变量放在纵轴，而第三个变量则用气泡的大小来表示。

排列在工作表的列中的数据（第一列中列出x值，在相邻列中列出相应的y值和气泡大小的值）可以绘制在气泡图中。

气泡图与散点图相似，不同之处在于：气泡图允许在图表中额外加入一个表示大小的变量进行对比，而第四维度的数据则可以通过不同的颜色来表示（甚至在渐变中使用阴影来表示)。

另一种使用气泡元素的流行方法是使用气泡地图。在气泡地图中，x和y分别代表一个地理位置的经纬坐标。在不要求定位非常精确的情况下，气泡地图可以将数据的相对集中度完美地体现在地理背景中。

此外，表示时间维度的数据时，可以将时间维度作为直角坐标系中的一个维度，或者结合动画来表现数据随着时间的变化情况。

气泡图通常用于比较和展示不同类别圆点（这里我们称为气泡）之间的关系，通过气泡的位置以及面积大小。从整体上看，气泡图可用于分析数据之间的相关性。

但需要注意的是，气泡图的数据大小容量有限，气泡太多会使图表难以阅读。但是可以通过增加一些交互行为弥补：隐藏一些信息，当鼠标点击或者悬浮时显示，或者添加一个选项用于重组或者过滤分组类别。

最后，气泡的大小是映射面积而非半径或直径，如果是基于半径或者直径，圆的大小不仅会呈现指数级的变化，而且还会导致视觉上的误差。如图1所示。

▲图1 气泡图

02 实例

气泡图的代码如代码示例①所示。

代码示例①

1# 简单气泡图   2x=[1,2,3,4]   3y=[2,4,6,8]   4sizes = np.array(y)*5 # 气泡大小，单位屏幕像素   5p = figure(title="bubble chart")   6p.scatter(x, y, marker="circle", size=sizes, color="navy",   7#     fill_color=None, line_width=2   8         )   9show(p)

运行结果如图2所示。

▲图2 代码示例①运行结果

从代码示例①中的第6行可以看出，气泡图的绘制仍使用散点图法，稍微不同的是在该方法中定义了散点数据的尺寸（size）大小。除此之外，可以再增加一个维度，用不同的气泡颜色进行数据分类。

代码示例②

1# 复杂气泡图，完整代码  2import pandas as pd  3from bokeh.embed import file_html  4from bokeh.io import output_notebook, show  5from bokeh.layouts import layout  6from bokeh.models import (  7       ColumnDataSource, Plot, Circle, Range1d, LinearAxis, HoverTool,   8     Text, SingleIntervalTicker, Slider, CustomJS, Legend, LegendItem, CategoricalColorMapper)  # 底层样式  9from bokeh.palettes import Spectral6  10# from data import process_data  11import numpy as np  12def process_data():  13    from bokeh.sampledata.gapminder import fertility, life_expectancy, population, regions  1415    # Make the column names ints not strings for handling  16    columns = list(fertility.columns)  17    years = list(range(int(columns[0]), int(columns[-1])))  18    rename_dict = dict(zip(columns, years))  1920    fertility = fertility.rename(columns=rename_dict)  21    life_expectancy = life_expectancy.rename(columns=rename_dict)  22    population = population.rename(columns=rename_dict)  23    regions = regions.rename(columns=rename_dict)  24    regions_list = list(regions.Group.unique())  2526    # Turn population into bubble sizes. Use min_size and factor to tweak.  27    scale_factor = 200  28    population_size = np.sqrt(population / np.pi) / scale_factor  29    min_size = 3  30    population_size = population_size.where(population_size >= min_size).fillna(min_size)  3132    return fertility, life_expectancy, population_size, regions, years, regions_list  3334# 数据预处理，感兴趣的读者可以在Pandas提前处理好直接加载  35fertility_df, life_expectancy_df, population_df_size, regions_df, years, regions_list = process_data()  36sources = {}  37region_name = regions_df.Group  38region_name.name = 'region'  39for year in years:  40       fertility = fertility_df[year]  41       fertility.name = 'fertility'  42       life = life_expectancy_df[year]  43       life.name = 'life'   44       population = population_df_size[year]  45       population.name = 'population'   46       new_df = pd.concat([fertility, life, population, region_name], axis=1)  47       sources['_' + str(year)] = ColumnDataSource(new_df)  48dictionary_of_sources = dict(zip([x for x in years], ['_%s' % x for x in years]))49js_source_array = str(dictionary_of_sources).replace("'", "")  50# 画布参数  51xdr = Range1d(1, 9)  52ydr = Range1d(20, 100)  53plot = Plot(  54        x_range=xdr,  55        y_range=ydr,  56        plot_width=800,  57        plot_height=400,  58        outline_line_color=None,  59        toolbar_location=None,   60        min_border=20,  61)  62# 坐标轴参数  63AXIS_FORMATS = dict(  64        minor_tick_in=None,  65        minor_tick_out=None,  66        major_tick_in=None,  67        major_label_text_font_size="10pt",  68        major_label_text_font_style="normal",  69        axis_label_text_font_size="10pt",  7071        axis_line_color='#AAAAAA',  72        major_tick_line_color='#AAAAAA',  73        major_label_text_color='#666666',  7475        major_tick_line_cap="round",  76        axis_line_cap="round",  77        axis_line_width=1,  78        major_tick_line_width=1,  79)  80xaxis = LinearAxis(ticker=SingleIntervalTicker(interval=1), axis_label="Children per woman (total fertility)", **AXIS_FORMATS)  81yaxis = LinearAxis(ticker=SingleIntervalTicker(interval=20), axis_label="Life expectancy at birth (years)", **AXIS_FORMATS)     82plot.add_layout(xaxis, 'below')  83plot.add_layout(yaxis, 'left')  84# 添加年份图层（最底层）  85text_source = ColumnDataSource({'year': ['%s' % years[0]]})  86text = Text(x=2, y=35, text='year', text_font_size='150pt', text_color='#EEEEEE')  87plot.add_glyph(text_source, text)  88# 色盘，分类映射  89color_mapper = CategoricalColorMapper(palette=Spectral6, factors=regions_list) 90# 绘制气泡（散点）  91renderer_source = sources['_%s' % years[0]]  92circle_glyph = Circle(  93        x='fertility', y='life', size='population',  94        fill_color={'field': 'region', 'transform': color_mapper},   95        fill_alpha=0.8,   96        line_color='#7c7e71', line_width=0.5, line_alpha=0.5)  97# 添加图层  98circle_renderer = plot.add_glyph(renderer_source, circle_glyph)  99# 添加hover工具   100tooltips = "@index"   101plot.add_tools(HoverTool(tooltips=tooltips, renderers=[circle_renderer]))   102# 添加滚动条空间   103code = """  104    var year = slider.value,  105           sources = %s,  106           new_source_data = sources[year].data;  107    renderer_source.data = new_source_data;  108    text_source.data = {'year': [String(year)]};  109""" % js_source_array   110# 数据回调   111callback = CustomJS(args=sources, code=code)   112slider = Slider(start=years[0], end=years[-1], value=1, step=1, title="Year", callback=callback)   113callback.args["renderer_source"] = renderer_source   114callback.args["slider"] = slider   115callback.args["text_source"] = text_source   116# 显示   117show(layout([[plot], [slider]], sizing_mode='scale_width'))  

运行结果如图3所示。

▲图3 代码示例②运行结果

代码示例②第92行采用models接口进行气泡绘制，并使用滑块控件进行不同年份数据的回调，拖动图中的滑动块可以动态显示不同年份的数据；鼠标悬停在气泡上可以查看是哪个国家的数据。

如果年份数据足够多，则可以使用while循环回调加载不同年份的数据，其展示效果就是一幅类似于Gif效果的动图。

关于作者：屈希峰，资深Python工程师，Bokeh领域的实践者和布道者，对Bokeh有深入的研究。擅长Flask、MongoDB、Sklearn等技术，实践经验丰富。知乎多个专栏（Python中文社区、Python程序员、大数据分析挖掘）作者，专栏累计关注用户十余万人。

本文摘编自《Python数据可视化：基于Bokeh的可视化绘图》，经出版方授权发布。

延伸阅读《Python数据可视化》

长按上方二维码了解及购买

转载请联系微信：DoctorData

推荐语：从图形绘制、数据动态展示、Web交互等维度全面讲解Bokeh功能和使用，不含复杂数据处理和算法，深入浅出，适合零基础入门，包含大量案例。

• 数据中台VS业务中台、数据中台VS数据仓库，到底有什么区别？

• “让数据用起来”：解读数据中台必备的4个核心能力
  

• Python数据可视化：5段代码搞定散点图绘制与使用，值得收藏
  

• 企业数字化转型与中台建设全攻略：什么阶段进行？采用哪些方法？

据统计，99%的大咖都完成了这个神操作

????

点击阅读原文，了解更多

总结

以上是生活随笔为你收集整理的什么是气泡图？怎样用Python绘制？有什么用？终于有人讲明白了的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。