Facebook可视化工具Visdom入门

2017-03-24
#Facebook #visdom #python画图工具
Python

Visdom支持Python和Torch，以下内容只涉及Python，具体内容请参照官方文档。

1. Setup 安装

通过pip安装

1
pip install visdom

2. Launch 启动

终端输入下面命令：

1
python -m visdom.server

在浏览器中打开http://localhost:8097，进入下面的界面：

3. Visualization API

目前Visdom支持以下API：

  • vis.scatter : 2D or 3D 点状图
  • vis.line : line plots 折线图
  • vis.stem : stem plots 杆状图
  • vis.heatmap : heatmap plots 热力图
  • vis.bar : bar graphs 条形图
  • vis.histogram: histograms 直方图
  • vis.pie：饼状图
  • vis.boxplot : boxplots 箱形图
  • vis.surf : surface plots 曲面图
  • vis.contour : contour plots 等高线图
  • vis.quiver : quiver plots 矢量图
  • vis.image : images 图片
  • vis.text : text box 文本
  • vis.save : serialize state
1
2
3
from visdom import Visdom
import numpy as np
import math

3.1 vis.scatter

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# scatter plots
Y = np.random.rand(30)
X = np.random.rand(30, 2)
viz.scatter(
    X=X, # 二维或者三维矩阵
    Y=(Y[Y > 0] + 1.5).astype(int), # 暂时还不知道是什么鬼
    opts=dict(
        legend=['Apples', 'Pears'], # 图标
        xtickmin=-5, # 刻度最小值
        xtickmax=5, #刻度最大值
        xtickstep=0.5, # 刻度间隔
        ytickmin=-5,
        ytickmax=5,
        ytickstep=0.5,
        markersymbol='point', # 点的样式
        markersize=10 #点大小
    )
)

3.2 vis.line

插播一条Numpy广告

1
2
3
4
5
6
7
8
9
>>> a = np.array((1,2,3))
>>> b = np.array((2,3,4))
>>> np.column_stack((a,b))
array([[1, 2],
       [2, 3],
       [3, 4]])
>>> np.row_stack((a,b))
array([[1, 2, 3],
       [2, 3, 4]])

Y是一个N×M的矩阵，对应的是y轴的值。X为与Y一一对应的X轴上的值。如果X为N×1矩阵，那么Y上所有列所对应的X轴上的值都是相同的。

1
2
3
4
5
6
Y = np.linspace(-5, 5, 100)
viz.line(
    Y=np.column_stack((Y * Y, np.sqrt(Y + 5))),
    X=np.column_stack((Y, Y)),
    opts=dict(markers=False),
)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Y = np.linspace(0, 4, 200)
win = viz.line(
    Y=np.column_stack((np.sqrt(Y), np.sqrt(Y) + 2)),
    X=np.column_stack((Y, Y)),
    opts=dict(
        fillarea=True,
        legend=False,
        width=400,
        height=400,
        xlabel='Time',
        ylabel='Volume',
        ytype='log',
        title='Stacked area plot',
        marginleft=30,
        marginright=30,
        marginbottom=80,
        margintop=30,
    ),
)

下面是一个在原图上再画图的例子(试试看第二个vis.line去掉update参数会发生什么？update='append'和是一样的updateTrace效果)：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# line updates
win = viz.line(
    X=np.column_stack((np.arange(0, 10), np.arange(0, 10))),  
    Y=np.column_stack((np.linspace(5, 10, 10), np.linspace(5, 10, 10) + 5)),
)
viz.line(
    X=np.column_stack((np.arange(10, 20), np.arange(10, 20))),
    Y=np.column_stack((np.linspace(5, 10, 10), np.linspace(5, 10, 10) + 5)),
    win=win,
    update='append'
)
viz.updateTrace(
    X=np.arange(21, 30),
    Y=np.arange(1, 10),
    win=win,
    name='2'
)
viz.updateTrace(
    X=np.arange(1, 10),
    Y=np.arange(11, 20),
    win=win,
    name='4'
)

3.3 vis.stem

参数X和Y 的设定与vis.line相反：X是一个N×M矩阵，表示M个时间序列数据中,每个时间序列数据N个时间点所对应的值。Y为与X相对应的时间点。如果Y是一个N×1矩阵，那么这M个时间序列数据所对应的时间点都是相同的。

1
2
3
4
5
6
7
8
# stemplot
Y = np.linspace(0, 2 * math.pi, 70)
X = np.column_stack((np.sin(Y), np.cos(Y)))
viz.stem(
    X=X,
    Y=Y,
    opts=dict(legend=['Sine', 'Cosine'])
)

3.4 vis.heatmap

这里再插播一条Numpy的广告：numpy.outer向量外积,numpy.inner向量内积(点乘)。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
>>> a = np.ones((5,))
>>> b = np.linspace(-2, 2, 5)
>>> np.dot(a,b)
0.0
>>> np.inner(a,b)
0.0
>>> np.outer(a,b)
array([[-2., -1.,  0.,  1.,  2.],
       [-2., -1.,  0.,  1.,  2.],
       [-2., -1.,  0.,  1.,  2.],
       [-2., -1.,  0.,  1.,  2.],
       [-2., -1.,  0.,  1.,  2.]])
>>> a*b
array([-2., -1.,  0.,  1.,  2.])

参数X是一个N×M矩阵，每个点对应于热力图上的每个位置。

1
2
3
4
5
6
7
8
9
# heatmap
viz.heatmap(
    X=np.outer(np.arange(1, 6), np.arange(1, 11)),
    opts=dict(
        columnnames=['a', 'b', 'c', 'd', 'e', 'f', 'g', 'h', 'i', 'j'],
        rownames=['y1', 'y2', 'y3', 'y4', 'y5'],
        colormap='Electric',
    )
)

3.5 vis.bar

参数X是一个N×M矩阵，矩阵中的每个值对应的是每个柱形的高度。M对应的是变量的数量。Y是一个N×1矩阵，对应的是X轴上的取值。

参数stacked=True时画出的堆叠图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# bar plots
viz.bar(X=np.random.rand(20))
viz.bar(
    X=np.abs(np.random.rand(5, 3)),
#    Y=np.array(['2012', '2013', '2014', '2015', '2016']),
    opts=dict(
        stacked=True,
        legend=['Facebook', 'Google', 'Twitter'],
        rownames=['2012', '2013', '2014', '2015', '2016']
    )
)
viz.bar(
    X=np.random.rand(20, 3),
    opts=dict(
        stacked=False,
        legend=['The Netherlands', 'France', 'United States']
    )
)

3.6 vis.histogram(貌似暂时只能支持数字)

X是一个N×1矩阵。

参数numbins指定了直方的个数。默认为30。

1
2
3
4
5
6
7
8
9
# histogram
viz.histogram(
        X=np.random.rand(10000), 
        opts=dict(numbins=20)
)
viz.histogram(
        X=np.random.randn(10000), 
        opts=dict(numbins=30)
)

3.7 vis.pie

参数X中的每一个值对应每一个百分比

1
2
3
4
5
6
# pie chart
X = np.asarray([19, 26, 55])
viz.pie(
    X=X,
    opts=dict(legend=['Residential', 'Non-Residential', 'Utility'])
)

3.8 vis.boxplot

参数X是一个N×M矩阵，M是箱子的个数。

1
2
3
4
5
6
7
# boxplot
X = np.random.rand(100, 2)
X[:, 1] += 2
viz.boxplot(
    X=X,
    opts=dict(legend=['Men', 'Women'])
)

3.9 vis.surf,vis.contour

这里再插播一条Numpy的广告：numpy.tile,numpy.transpose,numpy.reshape

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
>>> a = np.array([0, 1, 2])
>>> np.tile(a, 2)
array([0, 1, 2, 0, 1, 2])
>>> np.tile(a, (2, 2))
array([[0, 1, 2, 0, 1, 2],
       [0, 1, 2, 0, 1, 2]])
>>> np.tile(a, (2, 1, 2))
array([[[0, 1, 2, 0, 1, 2]],
       [[0, 1, 2, 0, 1, 2]]])
>>> a = np.arange(6).reshape((3, 2))
>>> a
array([[0, 1],
       [2, 3],
       [4, 5]])
>>> np.transpose(a)
array([[0, 2, 4],
       [1, 3, 5]])
1
2
3
4
5
6
7
8
# contour
x = np.tile(np.arange(1, 101), (100, 1))
y = x.transpose()
X = np.exp((((x - 50) ** 2) + ((y - 50) ** 2)) / -(20.0 ** 2))
viz.contour(X=X, opts=dict(colormap='Viridis'))
# surface
viz.surf(X=X, opts=dict(colormap='Hot'))

3.10 vis.quiver

3.11 viz.text,viz.close()

打印文本，关闭某个窗口

1
2
3
>>> textwindow = viz.text('Hello World!')
>>> viz.close(win=textwindow)
''

4. OPTS参数

  • options.title : 标题
  • options.width : 图片宽度
  • options.height : 图片高度
  • options.showlegend : 是否显示图标 (true or false)
  • options.xtype : type of x-axis ('linear' or 'log')
  • options.xlabel : label of x-axis
  • options.xtick : show ticks on x-axis (boolean)
  • options.xtickmin : X轴上的第一个刻度（最小） (number)
  • options.xtickmax : X轴上的最后一个刻度（最大） (number)
  • options.xtickstep : X轴刻度间距 (number)
  • options.ytype : type of y-axis ('linear' or 'log')
  • options.ylabel : label of y-axis
  • options.ytick : show ticks on y-axis (boolean)
  • options.ytickmin : Y轴上的第一个刻度（最小） (number)
  • options.ytickmax : Y轴上的最后一个刻度（最大） (number)
  • options.ytickstep : Y轴刻度间距 (number)
  • options.marginleft : left margin (in pixels)
  • options.marginright : right margin (in pixels)
  • options.margintop : top margin (in pixels)
  • options.marginbottom: bottom margin (in pixels)