Введение


В этой заметке я хочу рассказать о том, как можно достаточно легко строить интерактивные графики в Jupyter Notebook'e с помощью библиотеки plotly. Более того, для их построения не нужно поднимать свой сервер и писать код на javascript. Еще один большой плюс предлагаемого подхода — визуализации будут работать и в NBViewer'e, т.е. можно будет легко поделиться своими результатами с коллегами. Вот, например, мой код для этой заметки.


Для примеров я взяла скаченные в апреле данные о фильмах (год выпуска, оценки на КиноПоиске и IMDb, жанры и т.д.). Я выгрузила данные по всем фильмам, у которых было хотя бы 100 оценок — всего 36417 фильмов. Про то, как скачать и распарсить данные КиноПоиска, я рассказывала в предыдущем посте.



Визуализация в python и plotly


В python есть много библиотек для визуализации: matplotlib, seaborn, портированный из R ggplot и другие (подробнее про инструменты можно почитать тут или тут). Есть среди них и те, которые позволяют строить интерактивные графики, например, bokeh, pygal и plotly, о котором собственно и пойдет речь.


Plotly позицинируется как online-платформа, где можно создавать и публиковать свои графики. Однако, эту библиотеку можно использовать и просто в Jupyter Notebook'e. К тому же у библиотеки есть offline-mode, который позволяет использовать ее без регистрации и публикации данных и графиков на сервер plotly (документация).


В целом, мне библиотека очень понравилась: есть подробная документация с примерами, поддержаны разные типы графиков (scatter plots, box plots, 3D графики, bar charts, heatmaps, дендрограммы и т.д.) и графики получаются достаточно симпатичными.


Примеры


Теперь настало время перейти непосредственно к примерам. Как я уже говорила выше, весь код и интерактивные графики доступны в NBViewer'e.


Библиотеку легко установить c помощью команды: pip install plotly.


Прежде всего, необходимо сделать import'ы, вызвать команду init_notebook_mode для инициализации plot.ly и загрузить в pandas.DataFrame данные, с которыми будем работать.


from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
import plotly.graph_objs as go

init_notebook_mode(connected=True)

df = pd.read_csv('kp_all_movies.csv') #скачиваем подготовленные данные
df.head()


Сколько фильмов выходило в разные годы?


Для начала построим простой bar chart, показывающий распределение фильмов по году выпуска.


count_year_df = df.groupby('movie_year', as_index = False).movie_id.count()

trace = go.Bar(
    x = count_year_df.movie_year,
    y = count_year_df.movie_id
)
layout = go.Layout(
    title='Фильмы на Кинопоиске',
)

fig = go.Figure(data = [trace], layout = layout)
iplot(fig)

В результате, получим интерактивный график, который показывает значение при наведении на год и достаточно ожидаемый вывод о том, что с годами фильмов стало больше.


Стали ли с годами снимать более хорошее кино?


Для ответа на этот вопрос построим график зависимости средней оценки на КиноПоиске и IMDb от года выпуска.


rating_year_df = df.groupby('movie_year', as_index = False)[['kp_rating', 'imdb_rating']].mean()

trace_kp = go.Scatter(
    x = rating_year_df.movie_year,
    y = rating_year_df.kp_rating,
    mode = 'lines',
    name = u'КиноПоиск'
)
trace_imdb = go.Scatter(
    x = rating_year_df.movie_year,
    y = rating_year_df.imdb_rating,
    mode = 'lines',
    name = 'IMDb'
)

layout = go.Layout(
    title='Оценки фильмов',
)   

fig = go.Figure(data = [trace_kp, trace_imdb], layout = layout)
iplot(fig)

На оценках по КиноПоиску и IMDb виден тренд на снижение средней оценки в зависимости от года выпуска. Но, на самом деле, из этого нельзя сделать однозначный вывод о том, что раньше снимали более качественные фильмы. Дело в том, что если уж люди смотрят старые фильмы и оценивают их на КиноПоиске, то выбирают культовое кино с заведомо более высокими оценками (думаю, мало кто смотрит проходные фильмы, вышедшие в 1940м году, по крайней мере, я не смотрю).


Есть ли различия в оценках в зависимости от жанра фильма?


Для сравнения оценок в зависимости от жанра построим box plot. Стоит помнить, что каждый фильм может принадлежать к нескольким жанрам, поэтому фильмы будут учитываться в нескольких группах.


Код
# прежде всего распарсим поле genres и data frame с размноженными строками для каждого жанра
def parse_list(lst_str):
    return filter(lambda y: y != '', 
                  map(lambda x: x.strip(), 
                      re.sub(r'[\[\]]', '', lst_str).split(',')))

df['genres'] = df['genres'].fillna('[]')
genres_data = []
for record in df.to_dict(orient = 'records'):
    genres_lst = parse_list(record['genres'])
    for genre in genres_lst:
        copy = record.copy()
        copy['genre'] = genre
        copy['weight'] = 1./len(genres_lst)
        genres_data.append(copy)

genres_df = pd.DataFrame.from_dict(genres_data)

# сформируем топ-10 жанров
top_genres = genres_df.groupby('genre')[['movie_id']].count()    .sort_values('movie_id', ascending = False)    .head(10).index.values.tolist()

N = float(len(top_genres))

# cгенерируем цвета для визуализации
c = ['hsl('+str(h)+',50%'+',50%)' for h in np.linspace(0, 360, N)]

data = [{
    'y': genres_df[genres_df.genre == top_genres[i]].kp_rating, 
    'type':'box',
    'marker':{'color': c[i]},
    'name': top_genres[i]
    } for i in range(len(top_genres))]

layout = go.Layout(
    title='Оценки фильмов',
    yaxis = {'title': 'Оценка КиноПоиска'}
)   

fig = go.Figure(data = data, layout = layout)
iplot(fig)

По графику видно, что больше всего выделяются низкими оценками фильмы-ужастики


Какие жанры чаще всего соседствуют?


Как я говорила выше, один фильм чаще всего относится к нескольким жанрам сразу. Для того чтобы посмотреть на то, какие жанры чаще встречаются вместе, построим heatmap.


Код
genres_coincidents = {}

for item in df.genres:
    parsed_genres = parse_list(item)
    for genre1 in parsed_genres:
        if genre1 not in genres_coincidents:
            genres_coincidents[genre1] = defaultdict(int)
        for genre2 in parsed_genres:
            genres_coincidents[genre1][genre2] += 1

genres_coincidents_df = pd.DataFrame.from_dict(genres_coincidents).fillna(0)

# отнормируем таблицу на количество фильмов каждого жанра
genres_coincidents_df_norm = genres_coincidents_df    .apply(lambda x: x/genres_df.groupby('genre').movie_id.count(), axis = 1)

heatmap = go.Heatmap(
    z = genres_coincidents_df_norm.values,
    x = genres_coincidents_df_norm.index.values,
    y = genres_coincidents_df_norm.columns
)
layout = go.Layout(
    title = 'Связанные жанры'
)

fig = go.Figure(data = [heatmap], layout = layout)
iplot(fig)

Читать график нужно следующим образом: 74,7% исторических фильмов также имеют тег драма.


Как менялись оценки фильмов в зависимости от жанра?


Вернемся еще раз к примеру, в котором мы смотрели на зависимость средней оценки от года выпуска и построим такие графики для различных жанров. Параллельно познакомимся с еще одной фишкой plotly: можно сконфигурировать drop-down меню и изменять график в зависимости от выбранной опции.


Код
genre_rating_year_df = genres_df.groupby(['movie_year', 'genre'], as_index = False)[['kp_rating', 'imdb_rating']].mean()

N = len(top_genres)

data = []
drop_menus = []

# конструируем все интересующие нас линии
for i in range(N):
    genre = top_genres[i]
    genre_df = genre_rating_year_df[genre_rating_year_df.genre == genre]

    trace_kp = go.Scatter(
        x = genre_df.movie_year,
        y = genre_df.kp_rating,
        mode = 'lines',
        name = genre + ' КиноПоиск',
        visible = (i == 0)
    )
    trace_imdb = go.Scatter(
        x = genre_df.movie_year,
        y = genre_df.imdb_rating,
        mode = 'lines',
        name = genre + ' IMDb',
        visible = (i == 0)
    )
    data.append(trace_kp)
    data.append(trace_imdb)

# создаем выпадающие меню
for i in range(N):
    drop_menus.append(
        dict(
            args=['visible', [False]*2*i + [True]*2 + [False]*2*(N-1-i)],
            label= top_genres[i],
            method='restyle'
        )
    )

layout = go.Layout(
    title='Фильмы по жанрам',
    updatemenus=list([
        dict(
            x = -0.1,
            y = 1,
            yanchor = 'top',
            buttons = drop_menus
        )
    ]),
)

fig = go.Figure(data = data, layout = layout)
iplot(fig)


В качестве заключения


В этой заметке мы познакомились с использованием библиотеки plotly для построения различных интерактивных графиков на python. Мне кажется, это очень полезный инструмент для аналитической работы, поскольку он позволяет делать интерактивные визуализации и легко делиться ими с коллегами.


Заинтересовавшимся советую посмотреть и другие примеры использования plot.ly.


Весь код и данные живут на github

Поделиться с друзьями
-->

Комментарии (8)


  1. AIxray
    21.08.2016 11:49
    -2

    Спасибо!
    Хм, интересно же… Резонный вопрос задаю, а можно ли подобными инструментами заниматься прогнозированием, имея определённые входные данные?


    1. Hardwar
      21.08.2016 23:28
      +1

      Можно, по меньшей мере, провести trendline произвольной степени (или вообще с кастомным уравнением функции) и, соответственно, делать на этой основе некие прогнозы. Гуглится по Python curve fit.


  1. alexkuku
    21.08.2016 12:42
    +1

    Всё-таки получается длинный код. И какие преимущества относительно статических картинок: тултипы, зум и спан? Для drop-down меню как-то привычнее использовать ipython-виджеты


    1. feriat
      21.08.2016 17:14
      +2

      alexkuku, а можешь привести пример на ipython виджетах, которые можно было бы отправить в NBviewer (или самое главное: без запуска python kernel), и где будут такие drop-down'ы?

      Про длину кода люто согласен, это серьезная преграда для удобства пользования «из коробки». Приходится писать всякие неизбежно устаревающие или неработающие обертки, это непрактично.

      Но пока я не знаю более хорошего способа поделиться с заказчиком, менеджером, или просто не-программистом результатом в Jupyter'е. Тутлипы со значениями критически важны для подобных визуализаций, очень сильно упрощают жизнь. Это такой BI в миниатюре: в твоей аналитике есть не только то, что попросил заказчик, но и то, что ему на самом деле надо, плюс ещё немного данных на «покрутить вокруг да около».


      1. miptgirl
        21.08.2016 23:45
        +2

        Соглашусь, что получается длиннее чем просто вызов df.plot(), который я чаще всего использую, но плюсы, о которых говорил Андрей feriat, пока что для меня перевешивают трудозатраты.


        А вообще я использую простую функцию-обертку для стандартных графиков:


        def plot_df(df, title):
            data = []
            for column in df.columns:
                trace = go.Scatter(
                    x = df.index,
                    y = df[column],
                    mode = 'lines',
                    name = column
                )
                data.append(trace)
            layout = dict(title = title)
            fig = dict(data = data, layout = layout)
            iplot(fig)


      1. nikolay_karelin
        23.08.2016 09:31
        +2

        К сожалению, по моему опыту визуализация на основе JavaScript достаточно сильно нагружают процессор, по крайней мере на Firefox — сильнее, чем работающее ядро Python. И некоторые преобразования данных будут гораздо сложнее на стороне браузера.


        С остальными преимуществами (тултипы и пр.) — согласен полностью.


        Ещё вопрос: насколько стабилен интерфейс IPython widgets по сравнению с plotly?


  1. Mugik
    21.08.2016 18:59
    -5

    Достаточно простые данные. Тут можно и без визуализации понять что к чему, просто посчитав количество. Я тут как-то брался за Игру престолов с каггла. Вот там уже дело было серьезное. Ума хватило только, чтобы построить 2 простых бара. На форуме правда нашел визуализацию весьма не плохую.

    Вот кому интересно.


  1. Leo5700
    27.08.2016 02:16
    +2

    Полезная библиотека! Спасибо за обзор!