引言
學過Python資料分析的朋友都知道，在可視化的工具中，有很多優秀的三方庫，比如matplotlib，seaborn，plotly，Boken，pyecharts等等。這些可視化庫都有自己的特點，在實際應用中也廣為大家使用。
plotly、Boken等都是互動式的可視化工具，結合Jupyter notebook可以非常靈活友善地展現分析後的結果。雖然做出的效果非常的炫酷，比如plotly，但是每一次都需要寫很長的代碼，一是麻煩，二是不便于維護。
在資料的分析階段，更多的時間應該放在分析上，次元選擇、拆解合并，業務了解和判斷。如果既可以減少代碼量，又可以做出炫酷可視化效果，那将大大提高效率。當然如果有特别的需求除外，此方法僅針對想要快速可視化進行分析的人。
本篇給大家介紹一個很好的的工具，cufflinks，可以完美解決這個問題,且效果一樣炫酷。
cufflinks介紹
就像seaborn封裝了matplotlib一樣，cufflinks在plotly的基礎上做了一進一步的包裝，方法統一，參數配置簡單。其次它還可以結合pandas的dataframe随意靈活地畫圖。可以把它形容為"pandas like visualization"。
毫不誇張地說，畫出各種炫酷的可視化圖形，隻需一行代碼，效率非常高，同時也降低了使用的門檻兒。cufflinks的github連結如下：
https://github.com/santosjorge/cufflinks
也可以利用pip進行安裝，方式如下：
pip install cufflinks
利用help檢視可以支援的圖型種類
import cufflinks as cf
cf.help()
Use 'cufflinks.help(figure)' to see the list of available parameters for the given figure.
Use 'DataFrame.iplot(kind=figure)' to plot the respective figure
Figures:
bar
box
bubble
bubble3d
candle
choroplet
distplot
heatmap
histogram
ohlc
pie
ratio
scatter
scatter3d
scattergeo
spread
surface
violin
使用的格式大概是這種形式的：
- DataFrame：代表pandas的資料框；
- Figure：代表我們上面看到的可繪制圖形，比如bar、box、histogram等等；
- iplot：代表繪制方法，其中有很多參數可以進行配置，調節符合你自己風格的可視化圖形；
cufflinks實戰
通過幾個執行個體感受一下上面的使用方法。使用過plotly的朋友可能知道，如果使用online模式，那麼生成的圖形是有限制的。是以，我們這裡先設定為offline模式，這樣就避免了出現次數限制問題。
import pandas as pd
import cufflinks as cf
import numpy as np
cf.set_config_file(offline=True)
然後我們需要按照上面的使用格式來操作，首先我們需要有個DataFrame，如果手頭沒啥資料，那可以先生成個随機數。cufflinks有一個專門生成随機數的方法，叫做datagen，用于生成不同次元的随機資料，比如下面。
lines線圖
cf.datagen.lines(1,500).ta_plot(study='sma',periods=[13,21,55])
1）cufflinks使用datagen生成随機數；
2）figure定義為lines形式，資料為(1,500)；
3）然後再用ta_plot繪制這一組時間序列，參數設定SMA展現三個不同周期的時序分析。
box箱型圖
cf.datagen.box(20).iplot(kind='box',legend=False)
可以看到，x軸每個box都有對應的名稱，這是因為cufflinks通過kind參數識别了box圖形，自動為它生成的名字。如果我們隻生成随機數，它是這樣子的，預設生成100行的随機分布的資料，列數由自己標明。
histogram直方圖
cf.datagen.histogram(3).iplot(kind='histogram')
和plotly一樣，我們可以通過一些輔助的小工具框選或者lasso選擇來區分和標明指定區域，隻要一行代碼。
當然了，除了随機資料，任何的其它dataframe資料框都可以，包括我們自己導入的資料。
histogram條形圖
df=pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df.iplot(kind='bar',barmode='stack')
上面我們生成了一個(10,4)的dataframe資料框，名稱分别是a,b,c,d。那麼cufflinks将會根據iplot中的kind種類自動識别并繪制圖形。參數設定為堆疊模式。
scatter散點圖
df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.iplot(kind='scatter',mode='markers',colors=['orange','teal','blue','yellow'],size=10)
bubble氣泡圖
df.iplot(kind='bubble',x='a',y='b',size='c')
scatter matrix 散點矩陣圖
df = pd.DataFrame(np.random.randn(1000, 4), columns=['a', 'b', 'c', 'd'])
df.scatter_matrix()
subplots 子圖
df=cf.datagen.lines(4)
df.iplot(subplots=True,shape=(4,1),shared_xaxes=True,vertical_spacing=.02,fill=True)
df.iplot(subplots=True,subplot_titles=True,legend=False)
df=cf.datagen.bubble(10,50,mode='stocks')
figs=cf.figures(df,[dict(kind='histogram',keys='x',color='blue'),
dict(kind='scatter',mode='markers',x='x',y='y',size=5),
dict(kind='scatter',mode='markers',x='x',y='y',size=5,color='teal')],asList=True)
figs.append(cf.datagen.lines(1).figure(bestfit=True,colors=['blue'],bestfit_colors=['pink']))
base_layout=cf.tools.get_base_layout(figs)
sp=cf.subplots(figs,shape=(3,2),base_layout=base_layout,vertical_spacing=.15,horizontal_spacing=.03,
specs=[[{'rowspan':2},{}],[None,{}],[{'colspan':2},None]],
subplot_titles=['Histogram','Scatter 1','Scatter 2','Bestfit Line'])
sp['layout'].update(showlegend=False)
cf.iplot(sp)
shapes 形狀圖
如果我們想在lines圖上增加一些直線作為參考基準，這時候我們可以使用hlines的類型圖。
df=cf.datagen.lines(3,columns=['a','b','c'])
df.iplot(hline=[dict(y=-1,color='blue',width=3),dict(y=1,color='pink',dash='dash')])
或者是将某個區域标記出來，可以使用hspan類型。
df.iplot(hspan=[(-1,1),(2,5)])
又或者是豎條的區域，可以用vspan類型。
df.iplot(vspan={'x0':'2015-02-15','x1':'2015-03-15','color':'teal','fill':True,'opacity':.4})
如果對iplot中的參數不熟練，直接輸入以下代碼即可查詢。
help(df.iplot)