标签: datashader

在演示 lines的Datashader示例笔记本之后，输入是 Pandas DataFrame（尽管 Dask DataFrame 似乎也可以工作）。我的数据在一个 NumPy 数组中。我可以使用 Datashader 绘制来自 NumPy 数组的线条，而无需先将它们放入 DataFrame 中吗？

line glyph的文档似乎表明这是可能的，但我没有找到一个例子。我链接到的示例笔记本使用Canvas.line了我在文档中没有找到的。

我正在使用plotly的Scattermapbox将地图与由datashader的阴影函数创建的多边形的阴影图像覆盖（基于https://plotly.com/python/datashader/），但投影似乎没有对齐，请参见下图。有什么建议我可以使用plotly的Scattermapbox和datashader来克服这个问题吗？

可重现的例子：

import geopandas as gpd
import plotly.graph_objects as go
import spatialpandas as spd
import datashader as ds
from colorcet import fire
import datashader.transfer_functions as tf

# load data
world = gpd.read_file(
    gpd.datasets.get_path('naturalearth_lowres')
)
# world = world.to_crs(epsg=3857)
# create spatialpandas DataFrame
df_world = spd.GeoDataFrame(world)
# create datashader canvas and aggregate
cvs = ds.Canvas(plot_width=1000, plot_height=1000)
agg = cvs.polygons(df_world, geometry='geometry', agg=ds.mean('pop_est'))
# create shaded image
tf.shade(agg, cmap=fire)

阴影图像

# create shaded image and convert to Python image
img = …

是否可以将数据着色器图像添加到一组 matplotlib 子图中？

作为一个具体的例子，

import numpy as np
import pandas as pd
import matplotlib.pylab as plt

import datashader as ds
import datashader.transfer_functions as tf
from datashader.utils import export_image

from functools import partial

background = "white"
export = partial(export_image, background = background, export_path="export")

N = 10000
df = pd.DataFrame(np.random.random((N, 3)), columns = ['x','y', 'z'])

f, ax = plt.subplots(2, 2)
ax_r = ax.ravel()

ax_r[0].scatter(df['x'], df['y'], df['z'].mean())
ax_r[1].hist(df['x'])
ax_r[2].hist(df['y'])
ax_r[3].plot(df['z'])

cvs = ds.Canvas(plot_width=100, plot_height=100)
agg = cvs.points(df, 'x', 'y', ds.mean('z'))
a = export(tf.shade(agg, …

我有大约200 x 200 x 200 x 150需要在浏览器上绘制的网格。

这可以表示为Xx Yx Zx Color。3D 散布通常具有此功能。

我已经尝试过plotly.Scatter3d对于较小的数据集来说效果很好。

我看了一下，Datashader但不幸的是只适用于 2D。我也检查了Datashader+Holoviews但没有找到任何解决方案......

我越接近的是来自 PlotLy 的 MRI Slice 示例：https://plot.ly/python/visualizing-mri-volume-slices/

如果有可能添加额外的切片器（X、Y 和 Z），这可能是一个解决方案。不是我想要的，而是一个解决方案。

任何如何实现这一目标的想法将不胜感激。谢谢

我正在尝试使用 Datashader 和 Holoviews 可视化分类空间数据，类似于https://anaconda.org/jbednar/census-hv-dask/notebook。但是，当我尝试为类别分配不同的颜色时，我总是得到相同的（大概是默认的）颜色（输出图像的示例。）

这是我在 Jupyter 笔记本中运行的代码。有人可以建议我如何使自定义颜色图发挥作用吗？或者至少运行代码来查看最终的颜色是否与图例匹配。谢谢你！

from sklearn.datasets.samples_generator import make_blobs
from matplotlib import pyplot
import pandas as pd

import holoviews as hv
import geoviews as gv
import datashader as ds
from cartopy import crs
from matplotlib.cm import get_cmap
from holoviews.operation.datashader import datashade, aggregate
hv.notebook_extension('bokeh', width=95)

# Generating blob data:
X, y = make_blobs(n_samples=5000000, centers=5, n_features=2)
df = pd.DataFrame(dict(x=X[:,0], y=X[:,1], label=y))

# Plotting the blobs using datashader and holoviews:
%opts Overlay [width=800 height=455 xaxis=None yaxis=None …

我查看了datashader/Networks和PyViz/network_packets（也使用 datashader）。我想在节点选择时获得对 python 代码的回调（在节点 id 上调用函数，即fun(node_id)）。如何在 PyViz/datashader 中完成此操作？

我想绘制一个包含 3 列的时间序列数据框，每条曲线一列。我希望每条曲线都有自己的颜色，并显示图例，就像hvplot()默认情况下一样。

这是一个独立的示例：

import numpy as np
import pandas as pd
import hvplot.pandas
import datetime
from holoviews.operation.datashader import datashade

n=1000
start = datetime.datetime(2010, 10, 1, 0)   # Start time
datetimerange = [start + datetime.timedelta(minutes=1)*i for i in range(n)]
A = np.random.randint(5, size=n)
B = np.random.randint(20, 40, size=n)
C = np.random.randint(10, 20, size=n)
d = {'datetime': datetimerange, 'A': A, 'B': B, 'C': C}
df = pd.DataFrame(d).set_index('datetime')

df.hvplot(cmap=['red', 'blue', 'green']) + datashade(df.hvplot(cmap=['red', 'blue', 'green']))

这是结果（左侧没有数据着色器，右侧有数据着色器）：

将绘图传递给数据着色器时，颜色和图例会丢失。使用datashade=True的参数hvplot …

我使用以下步骤下载并安装了 datasheder：

git clone https://github.com/bokeh/datashader.git  
cd datashader  
conda install -c bokeh --file requirements.txt  
python setup.py install

之后，我使用像`python data.py 这样的终端运行代码，但没有显示图形；什么都没有显示。

我不确定我是否遵循了正确的步骤，有人可以帮我显示图表吗？这是我的代码：

import pandas as pd
import numpy as np
import xarray as xr
import datashader as ds
import datashader.glyphs
import datashader.transfer_functions as tf
from collections import OrderedDict

np.random.seed(1)
num=10000

dists = {cat: pd.DataFrame(dict(x=np.random.normal(x,s,num),
                            y=np.random.normal(y,s,num),
                            val=val,cat=cat))
     for x,y,s,val,cat in 
     [(2,2,0.01,10,"d1"), (2,-2,0.1,20,"d2"), (-2,-2,0.5,30,"d3"), (-2,2,1.0,40,"d4"), (0,0,3,50,"d5")]}

df = pd.concat(dists,ignore_index=True)
df["cat"]=df["cat"].astype("category")
df.tail()

tf.shade(ds.Canvas().points(df,'x','y'))
glyph = ds.glyphs.Point('x', 'y')
canvas = ds.Canvas(plot_width=200, plot_height=200, x_range=(-8,8)y_range=(-8,8))
from datashader import …

我用全息视图创建了数据着色器图：

datashade(hv.Points(df[
    [
        'PS Engine-% Load', 
        'PS Engine-Fuel Rate',
    ]
])) + datashade(hv.Points(df[
    [
        'SB Engine-% Load', 
        'SB Engine-Fuel Rate',
    ]
]))

两个图都绘制得很好，现在我想链接轴的范围，所以当我放大一个图时，另一个图也以相同的方式放大。据我所知，当源值相同时，通常轴是链接的。在这种情况下，X 轴和 Y 轴的来源不同（注意 PS 和 SB 值），但范围相同。如何链接这些轴？

我使用散景来绘制温度曲线，但在某些情况下，数据集非常大（> 500k 测量值）并且我对散景的用户体验滞后（事件与 output_backend="webgl"）。所以我正在试验数据着色器以获得更快的渲染和更流畅的用户体验。

但是datashader给出的视觉效果没有bokeh的结果好看，datashader的结果有锯齿：

我通过以下代码获得了这种并排比较：

import pandas as pd
import datashader as ds
import datashader.transfer_functions as tf
from bokeh.plotting import figure
from bokeh.io import output_notebook, show
from bokeh.models import ColumnDataSource
from bokeh.layouts import row
import numpy as np

output_notebook()

# generate signal
n = 2000
start = 0
end = 70
signal = [np.sin(x) for x in np.arange(start, end, step=(end-start)/n)]
signal = pd.DataFrame(signal, columns=["signal"])
signal = signal.reset_index()

# create a bokeh plot
source = ColumnDataSource(signal)
p = figure(plot_height=300, plot_width=400, …

我的目标是在 HoloViews 中创建 x、y、z 散点图，其中使用 Datashader 生成图，通过最小化“z”来聚合点，并根据“z”对点进行着色。最终这是为了做一些事情，比如生成轮廓似然图。

我使用 HoloViews + Datashader 生成绘图取得了不错的进展，甚至以很酷的方式链接绘图（参见例如如何在 HoloViews 中使用 Datashader + Bokeh 后端进行链接数据选择），但是我无法弄清楚如何控制点颜色和聚合方法。

下面是一些代码（在 Jupyter 笔记本中运行），它们（几乎）在“普通”Datashader + Bokeh 中完成了我想要的。如何通过 HoloViews 实现相同的功能，以便我可以利用该包中的出色功能？

请特别注意，我希望将颜色分配给特定的 z 值，我不希望它被自动归一化或任何此类事情。我试图在下面的代码中通过在 'shade' 函数中设置 'span' 参数来实现这一点，尽管它不太有效，因为当我放大绘图时，我看到新的绿色区域出现，这表明颜色的绝对标准化不是保持不变的。无论如何，它应该足够接近以说明我所追求的。

import pandas as pd
from bokeh.plotting import figure, output_notebook
import datashader as ds
from datashader.bokeh_ext import InteractiveImage
from datashader import transfer_functions as tf

output_notebook(hide_banner=True)

import matplotlib.colors as colors

#Define colormap
mn=0
mx=5
s0=0./(mx-mn)
s1=1./(mx-mn)
s2=2./(mx-mn)
s3=3./(mx-mn)
s4=4./(mx-mn)
s5=5./(mx-mn)

cdict = {
'red'  :  ((s0, 0., …

我正在尝试使用全息视图、数据着色器和散景将谷歌手机历史位置映射到地图上。大多数情况下与 datashader 网站中给出的示例非常相似。但是当我做地图覆盖时，因为纬度/经度被弄乱了，所以地图覆盖不起作用。

import datashader as ds
import geoviews as gv
import holoviews as hv
from holoviews.operation.datashader import datashade, dynspread
from datashader import transfer_functions as tf
from colorcet import fire
hv.extension('bokeh')

> df2.head()

lat long
0   -37.7997515 144.9636466
1   -37.7997515 144.9636466
2   -37.7997369 144.9636036
3   -37.7997387 144.9636358
4   -37.7997515 144.9636466

这可以生成数据的图像，

ds_viz = ds.Canvas().points(df2,'lat','long')  
tf.set_background(tf.shade(ds_viz, cmap=fire),"black")

但是，当我尝试用地图覆盖它时，它不起作用，

从 bokeh.models 导入 WMTSTileSource

url = 'https://server.arcgisonline.com/ArcGIS/rest/services/World_Imagery/MapServer/tile/{Z}/{Y}/{X}.jpg'
tile_opts  = dict(width=1000,height=600,bgcolor='black',show_grid=False)
map_tiles  = gv.WMTS(url).opts(style=dict(alpha=0.5), plot=tile_opts)
points     = hv.Points(df2, kdims=['long','lat'])
trips = datashade(points, cmap=fire,width=1000, height=600) …

最初，我创建了英国邮政编码区域的交互式地图，其中单个区域根据其值（例如该邮政编码区域中的人口）用颜色表示，如下所示。

from bokeh.plotting import figure
from bokeh.palettes import Viridis256 as palette
from bokeh.models import LinearColorMapper
from bokeh.models import ColumnDataSource
import geopandas as gpd

shp = 'file_path_to_the_downloaded_shapefile'
#read shape file into dataframe using geopandas
df = gpd.read_file(shp)

def expandMultiPolygons(row, geometry):
    if row[geometry].type = 'MultiPolygon':
       row[geometry] = [p for p in row[geometry]]
    return row
#Some rows were in MultiPolygons instead of Polygons.
#Expand MultiPolygons to multi rows of Polygons
df = df.apply(expandMultiPolygons, geometry='geometry', axis=1)
df = df.set_index('Area')['geometry'].apply(pd.Series).stack().reset_index()

#Visualize the polygons. To visualize …