旧版可视化效果

本文介绍旧版 Azure Databricks 可视化效果。 有关当前的可视化效果支持信息，请参阅 Databricks 笔记本中的可视化效果。

Azure Databricks 还以原生方式支持以 Python 和 R 编写的可视化库，并允许你安装和使用第三方库。

创建旧版可视化效果

要从结果单元格创建旧版可视化效果，请单击 + 并选择“旧版可视化效果”。

旧版可视化效果支持丰富的绘图类型：

选择并配置旧版图表类型

若要选择条形图，请单击“条形图”图标“”：

若要选择其他绘图类型，请单击条形图“Chart Button”右边的“Button Down”，然后选择“绘图类型”。

旧版图表工具栏

折线图和条形图都具有内置工具栏，该工具栏支持一组丰富的客户端交互。

若要配置图表，请单击“绘图选项…”。

折线图具有多个自定义图表选项：设置 Y 轴范围、显示和隐藏点，以及显示带有对数刻度的 Y 轴。

有关旧图表类型的信息，请参阅：

• 迁移旧折线图

图表之间的颜色一致性

Azure Databricks 支持跨旧版图表中的两种颜色一致性：系列集和全局。

如果系列的值相同但顺序不同（例如，A = ，B = ["Orange", "Banana", "Apple"]），则“系列集”颜色一致性会将相同的颜色分配给相同的值。 这些值在绘制之前已排序，因此，两个图例的排序方式相同 (["Apple", "Banana", "Orange"])，并为相同的值分配相同的颜色。 但是，如果系列为 C = ["Orange", "Banana"]，它的颜色与集 A 不一致，因为该集是不相同的。 排序算法会将第一种颜色分配给集 C 中的“Banana”，将第二种颜色分配给集 A 中的“Banana”。如果希望这些系列的颜色一致，可以指定图表使用全局颜色一致性。

在“全局”颜色一致性中，无论系列的值是什么，每个值都始终映射到相同的颜色。 若要为每个图表启用此行为，请选中“全局颜色一致性”复选框。

机器学习可视化效果

除了标准图表类型，旧版可视化效果还支持以下机器学习训练参数和结果：

• 残差
• ROC 曲线
• 决策树

残差

对于线性回归和逻辑回归，可以呈现拟合与残差绘图。 若要获取此绘图，请提供模型和数据帧。

以下示例对城市人口进行线性回归以容纳售价数据，然后显示残差与拟合数据。

# Load data
pop_df = spark.read.csv("/databricks-datasets/samples/population-vs-price/data_geo.csv", header="true", inferSchema="true")

# Drop rows with missing values and rename the feature and label columns, replacing spaces with _
from pyspark.sql.functions import col
pop_df = pop_df.dropna() # drop rows with missing values
exprs = [col(column).alias(column.replace(' ', '_')) for column in pop_df.columns]

# Register a UDF to convert the feature (2014_Population_estimate) column vector to a VectorUDT type and apply it to the column.
from pyspark.ml.linalg import Vectors, VectorUDT

spark.udf.register("oneElementVec", lambda d: Vectors.dense([d]), returnType=VectorUDT())
tdata = pop_df.select(*exprs).selectExpr("oneElementVec(2014_Population_estimate) as features", "2015_median_sales_price as label")

# Run a linear regression
from pyspark.ml.regression import LinearRegression

lr = LinearRegression()
modelA = lr.fit(tdata, {lr.regParam:0.0})

# Plot residuals versus fitted data
display(modelA, tdata)

ROC 曲线

对于逻辑回归，可以呈现 ROC 曲线。 若要获取此绘图，请提供模型、输入到 fit 方法的准备数据和参数 "ROC"。

以下示例开发一个分类器，用于基于个人的各种属性预测此人在一年中的收入是 <=50K 还是 >50K。<> 成年人数据集派生自人口统计数据，包括有关 48842 个人及其每年收入的信息。

本部分中的示例代码采用独热编码。

# This code uses one-hot encoding to convert all categorical variables into binary vectors.

schema = """`age` DOUBLE,
`workclass` STRING,
`fnlwgt` DOUBLE,
`education` STRING,
`education_num` DOUBLE,
`marital_status` STRING,
`occupation` STRING,
`relationship` STRING,
`race` STRING,
`sex` STRING,
`capital_gain` DOUBLE,
`capital_loss` DOUBLE,
`hours_per_week` DOUBLE,
`native_country` STRING,
`income` STRING"""

dataset = spark.read.csv("/databricks-datasets/adult/adult.data", schema=schema)

from pyspark.ml import Pipeline
from pyspark.ml.feature import OneHotEncoder, StringIndexer, VectorAssembler

categoricalColumns = ["workclass", "education", "marital_status", "occupation", "relationship", "race", "sex", "native_country"]

stages = [] # stages in the Pipeline
for categoricalCol in categoricalColumns:
    # Category indexing with StringIndexer
    stringIndexer = StringIndexer(inputCol=categoricalCol, outputCol=categoricalCol + "Index")
    # Use OneHotEncoder to convert categorical variables into binary SparseVectors
    encoder = OneHotEncoder(inputCols=[stringIndexer.getOutputCol()], outputCols=[categoricalCol + "classVec"])
    # Add stages.  These are not run here, but will run all at once later on.
    stages += [stringIndexer, encoder]

# Convert label into label indices using the StringIndexer
label_stringIdx = StringIndexer(inputCol="income", outputCol="label")
stages += [label_stringIdx]

# Transform all features into a vector using VectorAssembler
numericCols = ["age", "fnlwgt", "education_num", "capital_gain", "capital_loss", "hours_per_week"]
assemblerInputs = [c + "classVec" for c in categoricalColumns] + numericCols
assembler = VectorAssembler(inputCols=assemblerInputs, outputCol="features")
stages += [assembler]

# Run the stages as a Pipeline. This puts the data through all of the feature transformations in a single call.

partialPipeline = Pipeline().setStages(stages)
pipelineModel = partialPipeline.fit(dataset)
preppedDataDF = pipelineModel.transform(dataset)

# Fit logistic regression model

from pyspark.ml.classification import LogisticRegression
lrModel = LogisticRegression().fit(preppedDataDF)

# ROC for data
display(lrModel, preppedDataDF, "ROC")

若要显示残差，请省略 "ROC" 参数：

display(lrModel, preppedDataDF)

决策树

旧版可视化效果支持呈现决策树。

若要获取此可视化效果，请提供决策树模型。

以下示例对某个树进行训练，以从手写数字图像的 MNIST 数据集中识别数字 (0 - 9)，然后显示该树。

Python

trainingDF = spark.read.format("libsvm").load("/databricks-datasets/mnist-digits/data-001/mnist-digits-train.txt").cache()
testDF = spark.read.format("libsvm").load("/databricks-datasets/mnist-digits/data-001/mnist-digits-test.txt").cache()

from pyspark.ml.classification import DecisionTreeClassifier
from pyspark.ml.feature import StringIndexer
from pyspark.ml import Pipeline

indexer = StringIndexer().setInputCol("label").setOutputCol("indexedLabel")

dtc = DecisionTreeClassifier().setLabelCol("indexedLabel")

# Chain indexer + dtc together into a single ML Pipeline.
pipeline = Pipeline().setStages([indexer, dtc])

model = pipeline.fit(trainingDF)
display(model.stages[-1])

Scala

val trainingDF = spark.read.format("libsvm").load("/databricks-datasets/mnist-digits/data-001/mnist-digits-train.txt").cache
val testDF = spark.read.format("libsvm").load("/databricks-datasets/mnist-digits/data-001/mnist-digits-test.txt").cache

import org.apache.spark.ml.classification.{DecisionTreeClassifier, DecisionTreeClassificationModel}
import org.apache.spark.ml.feature.StringIndexer
import org.apache.spark.ml.Pipeline

val indexer = new StringIndexer().setInputCol("label").setOutputCol("indexedLabel")
val dtc = new DecisionTreeClassifier().setLabelCol("indexedLabel")
val pipeline = new Pipeline().setStages(Array(indexer, dtc))

val model = pipeline.fit(trainingDF)
val tree = model.stages.last.asInstanceOf[DecisionTreeClassificationModel]

display(tree)

结构化流式处理数据帧

若要实时地直观显示流式处理查询的结果，可以将 Scala 和 Python 中的 display 用于结构化流式处理数据帧。

Python

streaming_df = spark.readStream.format("rate").load()
display(streaming_df.groupBy().count())

Scala

val streaming_df = spark.readStream.format("rate").load()
display(streaming_df.groupBy().count())

display 支持以下可选参数：

• streamName：流式处理查询名称。
• trigger (Scala) 和 processingTime (Python)：定义运行流式处理查询的频率。 如果未指定，则系统会在上一处理完成后立即检查是否有新数据可用。 为了降低生产成本，Databricks 建议你“始终”设置触发间隔。 默认触发器间隔为 500 毫秒。
• checkpointLocation：系统写入所有检查点信息的位置。 如果未指定，则系统会在 DBFS 上自动生成一个临时检查点位置。 为了使你的流可以继续从中断的位置处理数据，你必须提供一个检查点位置。 Databricks 建议你始终在生产环境中指定 选项。

Python

streaming_df = spark.readStream.format("rate").load()
display(streaming_df.groupBy().count(), processingTime = "5 seconds", checkpointLocation = "dbfs:/<checkpoint-path>")

Scala

import org.apache.spark.sql.streaming.Trigger

val streaming_df = spark.readStream.format("rate").load()
display(streaming_df.groupBy().count(), trigger = Trigger.ProcessingTime("5 seconds"), checkpointLocation = "dbfs:/<checkpoint-path>")

有关这些参数的详细信息，请参阅启动流式处理查询。

displayHTML 函数

Azure Databricks 编程语言笔记本（Python、R 和 Scala）使用 displayHTML 函数支持 HTML 图形；你可以传递任何 HTML、CSS 或 JavaScript 代码。 此函数使用 JavaScript 库（例如 D3）支持交互式图形。

有关使用 displayHTML 的示例，请参阅：

• 笔记本中的 HTML、D3 和 SVG

• 在笔记本中嵌入静态图像

图像

包含图像数据类型的列呈现为富 HTML。 Azure Databricks 尝试呈现与 Spark ImageSchema 匹配的 DataFrame 列的图像缩略图。 对于通过 spark.read.format('image') 函数成功读入的任何图像，可以正常运行缩略图呈现。 对于通过其他方式生成的图像值，Azure Databricks 支持呈现 1、3 或 4 通道图像（每个通道由一个字节组成），但存在以下约束：

• 单通道图像：mode 字段必须等于 0。 height、width 和 nChannels 字段必须准确描述 data 字段中的二进制图像数据。
• 三通道图像：mode 字段必须等于 16。 height、width 和 nChannels 字段必须准确描述 data 字段中的二进制图像数据。 data 字段必须包含三字节区块形式的像素数据，每个像素的通道顺序为 (blue, green, red)。
• 四通道图像：mode 字段必须等于 24。 height、width 和 nChannels 字段必须准确描述 data 字段中的二进制图像数据。 data 字段必须包含四字节区块形式的像素数据，每个像素的通道顺序为 (blue, green, red, alpha)。

示例

假设某个文件夹包含一些图像：

如果将图像读入数据帧，然后显示数据帧，则 Azure Databricks 会呈现该图像的缩略图：

image_df = spark.read.format("image").load(sample_img_dir)
display(image_df)

Python 中的可视化效果

本节内容：

• Seaborn
• 其他 Python 库

Seaborn

还可以使用其他 Python 库来生成绘图。 Databricks Runtime 包含 seaborn 可视化库。 若要创建 seaborn 绘图，请导入库，创建绘图，然后将该绘图传递给 display 函数。

import seaborn as sns
sns.set(style="white")

df = sns.load_dataset("iris")
g = sns.PairGrid(df, diag_sharey=False)
g.map_lower(sns.kdeplot)
g.map_diag(sns.kdeplot, lw=3)

g.map_upper(sns.regplot)

display(g.fig)

其他 Python 库

• Bokeh
• Matplotlib
• Plotly

R 中的可视化效果

若要通过 R 为数据绘图，请使用 display 函数，如下所示：

library(SparkR)
diamonds_df <- read.df("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv", source = "csv", header="true", inferSchema = "true")

display(arrange(agg(groupBy(diamonds_df, "color"), "price" = "avg"), "color"))

可以使用默认的 R plot 函数。

fit <- lm(Petal.Length ~., data = iris)
layout(matrix(c(1,2,3,4),2,2)) # optional 4 graphs/page
plot(fit)

还可以使用任何 R 可视化包。 R 笔记本以 .png 形式捕获生成的绘图，并以内联方式显示它。

本部分内容：

• Lattice
• DandEFA
• Plotly
• 其他 R 库

Lattice

Lattice 包支持网格图，这些图用于显示变量或变量之间的关系（该关系取决于一个或多个其他变量）。

library(lattice)
xyplot(price ~ carat | cut, diamonds, scales = list(log = TRUE), type = c("p", "g", "smooth"), ylab = "Log price")

DandEFA

DandEFA 包支持 dandelion 绘图。

install.packages("DandEFA", repos = "https://cran.us.r-project.org")
library(DandEFA)
data(timss2011)
timss2011 <- na.omit(timss2011)
dandpal <- rev(rainbow(100, start = 0, end = 0.2))
facl <- factload(timss2011,nfac=5,method="prax",cormeth="spearman")
dandelion(facl,bound=0,mcex=c(1,1.2),palet=dandpal)
facl <- factload(timss2011,nfac=8,method="mle",cormeth="pearson")
dandelion(facl,bound=0,mcex=c(1,1.2),palet=dandpal)

Plotly

Plotly R 包依赖于 htmlwidgets for R。有关安装说明和笔记本，请参阅 htmlwidgets。

其他 R 库

• ggplot2
• htmlwidgets

Scala 中的可视化效果

若要通过 Scala 为数据绘图，请使用 display 函数，如下所示：

val diamonds_df = spark.read.format("csv").option("header","true").option("inferSchema","true").load("/databricks-datasets/Rdatasets/data-001/csv/ggplot2/diamonds.csv")

display(diamonds_df.groupBy("color").avg("price").orderBy("color"))

深入了解用于 Python 和 Scala 的笔记本

若要深入了解 Python 可视化效果，请参阅笔记本：

• 深入探讨使用 Python 进行可视化

若要深入了解 Scala 可视化效果，请参阅笔记本：

• 深入探讨使用 Scala 进行可视化