Форматирование значений

Перед добавлением стилей полезно показать, что Styler может различать значение отображения и фактическое значение, как в значениях данных, так и в заголовках индексов или столбцов. Для управления значением отображения текст в каждой ячейке печатается в виде строки, и мы можем использовать методы .format() и .format_index() для его изменения в соответствии с строкой спецификации формата или вызываемым объектом, который принимает одно значение и возвращает строку. Это можно определить для всей таблицы, индекса или отдельных столбцов или уровней MultiIndex.

Кроме того, функция format имеет аргумент precision, который специально помогает форматировать числа с плавающей точкой, а также разделители decimal и thousands для поддержки других языковых локалей, аргумент na_rep для отображения отсутствующих данных и аргумент escape для отображения безопасного HTML или безопасного LaTeX. По умолчанию форматировщик настроен на использование опции pandas’ styler.format.precision , которая управляема с помощью with pd.option_context('format.precision', 2):

[5]:

df.style.format(precision=0, na_rep='MISSING', thousands=" ",
                formatter={('Decision Tree', 'Tumour'): "{:.2f}",
                           ('Regression', 'Non-Tumour'): lambda x: "$ {:,.1f}".format(x*-1e6)
                          })

[5]:

Использование Styler для управления отображением — полезная функция, потому что сохранение индексации и значений данных для других целей обеспечивает больший контроль. Вам не нужно перезаписывать свой DataFrame, чтобы отобразить его так, как вам нужно. Вот пример использования функций форматирования, по-прежнему полагаясь на основополагающие данные для индексации и расчетов.

[6]:

weather_df = pd.DataFrame(np.random.rand(10,2)*5,
                          index=pd.date_range(start="2021-01-01", periods=10),
                          columns=["Tokyo", "Beijing"])

def rain_condition(v):
    if v < 1.75:
        return "Dry"
    elif v < 2.75:
        return "Rain"
    return "Heavy Rain"

def make_pretty(styler):
    styler.set_caption("Weather Conditions")
    styler.format(rain_condition)
    styler.format_index(lambda v: v.strftime("%A"))
    styler.background_gradient(axis=None, vmin=1, vmax=5, cmap="YlGnBu")
    return styler

weather_df

[6]:

[7]:

weather_df.loc["2021-01-04":"2021-01-08"].style.pipe(make_pretty)

[7]:

Скрытие данных

Заголовки индексов и столбцов могут быть полностью скрыты, а также можно выбрать подмножество строк или столбцов, которые необходимо исключить. Оба этих варианта выполняются с помощью одних и тех же методов.

Индекс может быть скрыт от рендеринга путем вызова .hide() без каких-либо аргументов, что может быть полезно, если ваш индекс основан на целых числах. Аналогично, заголовки столбцов можно скрыть, вызвав .hide(axis=“columns”) без дополнительных аргументов.

Конкретные строки или столбцы могут быть скрыты от рендеринга, вызвав тот же метод .hide() и передав метку строки/столбца, подобный список или срез меток строк/столбцов для subset аргумента.

Скрытие не изменяет целочисленное расположение CSS-классов, например, скрытие первых двух столбцов DataFrame означает, что индексация класса столбца все равно будет начинаться с col2, поскольку col0 и col1 просто игнорируются.

Мы можем обновить наш объект Styler из предыдущего примера, чтобы скрыть некоторые данные и отформатировать значения.

[8]:

s = df.style.format('{:.0f}').hide([('Random', 'Tumour'), ('Random', 'Non-Tumour')], axis="columns")
s

[8]:

Атрибуты таблицы

Очень легко добавить class к основной <table> с помощью .set_table_attributes(). Этот метод также может прикрепить встроенные стили — подробнее см. в разделе Иерархии CSS.

[16]:

out = s.set_table_attributes('class="my-table-cls"').to_html()
print(out[out.find('<table'):][:109])

<table id="T_xyz01" class="my-table-cls">
  <thead>
    <tr>
      <th class="index_name level0" >Model:</th>

CSS-классы ячеек данных

Новое в версии 1.2.0

Метод .set_td_classes() принимает DataFrame с совпадающими индексами и столбцами с базовым DataFrame Styler. Этот DataFrame будет содержать строки в качестве css-классов для добавления к отдельным ячейкам данных: <td> элементов <table>. Вместо использования внешнего CSS мы создадим наши классы внутри и добавим их к стилям таблицы. Мы сохраним добавление границ до раздела о подсказках.

[17]:

s.set_table_styles([  # create internal CSS classes
    {'selector': '.true', 'props': 'background-color: #e6ffe6;'},
    {'selector': '.false', 'props': 'background-color: #ffe6e6;'},
], overwrite=False)
cell_color = pd.DataFrame([['true ', 'false ', 'true ', 'false '],
                           ['false ', 'true ', 'false ', 'true ']],
                          index=df.index,
                          columns=df.columns[:4])
s.set_td_classes(cell_color)

[17]:

Действия над данными

Мы используем следующие методы для передачи ваших функций стилей. Оба этих метода принимают функцию (и некоторые другие ключевые аргументы) и применяют её к DataFrame определённым образом, отображая CSS-стили.

• .applymap() (элемент за элементом): принимает функцию, которая принимает одно значение и возвращает строку с парой атрибут-значение CSS.

• .apply() (по столбцам/строкам/таблице): принимает функцию, которая принимает Series или DataFrame и возвращает Series, DataFrame или массив NumPy с одинаковой формой, где каждый элемент — это строка с парой атрибут-значение CSS. Этот метод передаёт каждый столбец или строку вашего DataFrame по одному или всю таблицу целиком, в зависимости от ключевого аргумента axis. Для использования по столбцам используйте axis=0, для использования по строкам — axis=1, а для использования по всей таблице — axis=None.

Этот метод мощный для применения нескольких сложных логик к ячейкам данных. Мы создаём новый DataFrame для демонстрации этого.

[19]:

np.random.seed(0)
df2 = pd.DataFrame(np.random.randn(10,4), columns=['A','B','C','D'])
df2.style

[19]:

Например, мы можем создать функцию, которая подсвечивает текст, если он отрицательный, и объединить её с функцией, которая частично затемняет ячейки с незначительными значениями. Поскольку эта функция обращается к каждому элементу поочерёдно, мы используем applymap.

[20]:

def style_negative(v, props=''):
    return props if v < 0 else None
s2 = df2.style.applymap(style_negative, props='color:red;')\
              .applymap(lambda v: 'opacity: 20%;' if (v < 0.3) and (v > -0.3) else None)
s2

[20]:

Мы также можем создать функцию, которая подсвечивает максимальное значение по строкам, столбцам и всему DataFrame одновременно. В этом случае мы используем apply. Ниже мы подсвечиваем максимум в столбце.

[22]:

def highlight_max(s, props=''):
    return np.where(s == np.nanmax(s.values), props, '')
s2.apply(highlight_max, props='color:white;background-color:darkblue', axis=0)

[22]:

Мы можем использовать ту же функцию по разным осям, выделяя здесь максимальное значение DataFrame фиолетовым цветом, а максимальные значения строк — розовым.

[24]:

s2.apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
  .apply(highlight_max, props='color:white;background-color:purple', axis=None)

[24]:

Этот последний пример показывает, как некоторые стили были перезаписаны другими. В общем случае, последний примененный стиль активен, но вы можете узнать больше в разделе по иерархиям CSS. Вы также можете применить эти стили к более мелким частям DataFrame — подробнее об этом в разделе подразделения по слайсингу.

Возможна репликация некоторых этих функциональных возможностей с помощью только классов, но это может быть более громоздко. См. пункт 3) в Оптимизации

Действия над индексом и заголовками столбцов

Аналогичное применение достигается для заголовков с помощью:

• .applymap_index() (элементный): принимает функцию, которая принимает одно значение и возвращает строку со значением атрибута CSS.

• .apply_index() (уровневый): принимает функцию, которая принимает Series и возвращает Series или массив NumPy с идентичной формой, где каждый элемент — строка со значением атрибута CSS. Этот метод последовательно передает каждый уровень вашего индекса. Для форматирования индекса используйте axis=0, а для форматирования заголовков столбцов — axis=1.

Вы можете выбрать level MultiIndex, но в настоящее время аналогичное subset применение для этих методов недоступно.

[26]:

s2.applymap_index(lambda v: "color:pink;" if v>4 else "color:darkblue;", axis=0)
s2.apply_index(lambda s: np.where(s.isin(["A", "B"]), "color:pink;", "color:darkblue;"), axis=1)

[26]:

1. Удалить UUID и cell_ids

Проигнорируйте uuid и установите cell_ids в False. Это предотвратит ненужный HTML.

[38]:

df4 = pd.DataFrame([[1,2],[3,4]])
s4 = df4.style

[39]:

from pandas.io.formats.style import Styler
s4 = Styler(df4, uuid_len=0, cell_ids=False)

2. Использовать стили таблиц

В тех случаях, когда это возможно, используйте стили таблиц (например, для всех ячеек, строк или столбцов сразу), поскольку CSS почти всегда более эффективен, чем другие форматы.

[40]:

props = 'font-family: "Times New Roman", Times, serif; color: #e83e8c; font-size:1.3em;'
df4.style.applymap(lambda x: props, subset=[1])

[40]:

[41]:

df4.style.set_table_styles([{'selector': 'td.col1', 'props': props}])

[41]:

3. Устанавливайте классы вместо использования функций Styler

Для больших DataFrames, где один и тот же стиль применяется к множеству ячеек, может быть эффективнее объявить стили как классы и затем применить эти классы к ячейкам данных, а не напрямую применять стили к ячейкам. Однако, вероятно, проще использовать API функции Styler, если оптимизация не является вашей задачей.

[42]:

df2.style.apply(highlight_max, props='color:white;background-color:darkblue;', axis=0)\
         .apply(highlight_max, props='color:white;background-color:pink;', axis=1)\
         .apply(highlight_max, props='color:white;background-color:purple', axis=None)

[42]:

[43]:

build = lambda x: pd.DataFrame(x, index=df2.index, columns=df2.columns)
cls1 = build(df2.apply(highlight_max, props='cls-1 ', axis=0))
cls2 = build(df2.apply(highlight_max, props='cls-2 ', axis=1, result_type='expand').values)
cls3 = build(highlight_max(df2, props='cls-3 '))
df2.style.set_table_styles([
    {'selector': '.cls-1', 'props': 'color:white;background-color:darkblue;'},
    {'selector': '.cls-2', 'props': 'color:white;background-color:pink;'},
    {'selector': '.cls-3', 'props': 'color:white;background-color:purple;'}
]).set_td_classes(cls1 + cls2 + cls3)

[43]:

4. Не используйте всплывающие подсказки

Для работы всплывающих подсказок требуется cell_ids, и они генерируют дополнительные HTML-элементы для каждой ячейки данных.

5. Если каждый байт имеет значение, используйте замену строк

Вы можете удалить ненужный HTML или сократить имена классов по умолчанию, заменив словарь css по умолчанию. Вы можете узнать больше о CSS ниже.

[44]:

my_css = {
    "row_heading": "",
    "col_heading": "",
    "index_name": "",
    "col": "c",
    "row": "r",
    "col_trim": "",
    "row_trim": "",
    "level": "l",
    "data": "",
    "blank": "",
}
html = Styler(df4, uuid_len=0, cell_ids=False)
html.set_table_styles([{'selector': 'td', 'props': props},
                       {'selector': '.c1', 'props': 'color:green;'},
                       {'selector': '.l0', 'props': 'color:blue;'}],
                      css_class_names=my_css)
print(html.to_html())

<style type="text/css">
#T_ td {
  font-family: "Times New Roman", Times, serif;
  color: #e83e8c;
  font-size: 1.3em;
}
#T_ .c1 {
  color: green;
}
#T_ .l0 {
  color: blue;
}
</style>
<table id="T_">
  <thead>
    <tr>
      <th class=" l0" >&nbsp;</th>
      <th class=" l0 c0" >0</th>
      <th class=" l0 c1" >1</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th class=" l0 r0" >0</th>
      <td class=" r0 c0" >1</td>
      <td class=" r0 c1" >2</td>
    </tr>
    <tr>
      <th class=" l0 r1" >1</th>
      <td class=" r1 c0" >3</td>
      <td class=" r1 c1" >4</td>
    </tr>
  </tbody>
</table>

[45]:

html

[45]:

Выделение пустых значений

[46]:

df2.iloc[0,2] = np.nan
df2.iloc[4,3] = np.nan
df2.loc[:4].style.highlight_null(color='yellow')

[46]:

Выделение минимального или максимального значения

[47]:

df2.loc[:4].style.highlight_max(axis=1, props='color:white; font-weight:bold; background-color:darkblue;')

[47]:

Выделение диапазона

Этот метод принимает диапазоны в виде чисел с плавающей точкой или NumPy-массивов или -серий, при условии, что индексы совпадают.

[48]:

left = pd.Series([1.0, 0.0, 1.0], index=["A", "B", "D"])
df2.loc[:4].style.highlight_between(left=left, right=1.5, axis=1, props='color:white; background-color:purple;')

[48]:

Выделение Квантиля

Полезно для обнаружения наибольших или наименьших значений процентиля

[49]:

df2.loc[:4].style.highlight_quantile(q_left=0.85, axis=None, color='yellow')

[49]:

Градиент фона и градиент текста

Вы можете создать «карты теплоты» с помощью методов background_gradient и text_gradient. Для этого требуется matplotlib, и мы будем использовать Seaborn для получения красивой цветовой карты.

[50]:

import seaborn as sns
cm = sns.light_palette("green", as_cmap=True)

df2.style.background_gradient(cmap=cm)

[50]:

[51]:

df2.style.text_gradient(cmap=cm)

[51]:

.background_gradient и .text_gradient имеют ряд ключевых аргументов для настройки градиентов и цветов. См. документацию.

Свойства набора

Используйте Styler.set_properties , когда стиль фактически не зависит от значений. Это просто простой обертка для .applymap , где функция возвращает одни и те же свойства для всех ячеек.

[52]:

df2.loc[:4].style.set_properties(**{'background-color': 'black',
                           'color': 'lawngreen',
                           'border-color': 'white'})

[52]:

Диаграммы столбцами

Вы можете включать «диаграммы столбцами» в свой DataFrame.

[53]:

df2.style.bar(subset=['A', 'B'], color='#d65f5f')

[53]:

Дополнительные ключевые аргументы предоставляют больший контроль над центрированием и позиционированием, и вы можете передать список [color_negative, color_positive] для выделения меньших и больших значений или карту цветов matplotlib.

Чтобы продемонстрировать пример, вот как вы можете изменить вышесказанное с новым align параметром, в сочетании с настройкой vmin и vmax ограничений, width фигуры, и базового css props ячеек, оставляя место для отображения текста и столбцов. Мы также используем text_gradient для окрашивания текста так же, как столбцы, используя карту цветов matplotlib (хотя в этом случае визуализация, вероятно, лучше без этого дополнительного эффекта).

[54]:

df2.style.format('{:.3f}', na_rep="")\
         .bar(align=0, vmin=-2.5, vmax=2.5, cmap="bwr", height=50,
              width=60, props="width: 120px; border-right: 1px solid black;")\
         .text_gradient(cmap="bwr", vmin=-2.5, vmax=2.5)

[54]:

Следующий пример призван продемонстрировать поведение новых параметров выравнивания:

[56]:

HTML(head)

Виджеты

Styler хорошо взаимодействует с виджетами. Если вы просматриваете это онлайн, а не запускаете ноутбук самостоятельно, вы упускаете возможность интерактивно настраивать цветовую палитру.

[59]:

from ipywidgets import widgets
@widgets.interact
def f(h_neg=(0, 359, 1), h_pos=(0, 359), s=(0., 99.9), l=(0., 99.9)):
    return df2.style.background_gradient(
        cmap=sns.palettes.diverging_palette(h_neg=h_neg, h_pos=h_pos, s=s, l=l,
                                            as_cmap=True)
    )

Увеличение

[60]:

def magnify():
    return [dict(selector="th",
                 props=[("font-size", "4pt")]),
            dict(selector="td",
                 props=[('padding', "0em 0em")]),
            dict(selector="th:hover",
                 props=[("font-size", "12pt")]),
            dict(selector="tr:hover td:hover",
                 props=[('max-width', '200px'),
                        ('font-size', '12pt')])
]

[61]:

np.random.seed(25)
cmap = cmap=sns.diverging_palette(5, 250, as_cmap=True)
bigdf = pd.DataFrame(np.random.randn(20, 25)).cumsum()

bigdf.style.background_gradient(cmap, axis=1)\
    .set_properties(**{'max-width': '80px', 'font-size': '1pt'})\
    .set_caption("Hover to magnify")\
    .format(precision=2)\
    .set_table_styles(magnify())

[61]:

Фиксированные заголовки

Если вы отображаете большую матрицу или DataFrame в блокноте, но хотите всегда видеть заголовки столбцов и строк, вы можете использовать метод .set_sticky, который управляет стилями таблицы CSS.

[62]:

bigdf = pd.DataFrame(np.random.randn(16, 100))
bigdf.style.set_sticky(axis="index")

[62]:

Также можно прикрепить MultiIndexes и даже только определенные уровни.

[63]:

bigdf.index = pd.MultiIndex.from_product([["A","B"],[0,1],[0,1,2,3]])
bigdf.style.set_sticky(axis="index", pixel_size=18, levels=[1,2])

Обработка HTML-сущностей

Предположим, вам нужно отобразить HTML внутри HTML, что может быть немного проблематично, когда рендерер не может различить их. Вы можете использовать опцию форматирования escape, чтобы справиться с этим, а также использовать её внутри форматировщика, содержащего сам HTML.

[64]:

df4 = pd.DataFrame([['<div></div>', '"&other"', '<span></span>']])
df4.style

[64]:

[65]:

df4.style.format(escape="html")

[65]:

[66]:

df4.style.format('<a href="https://pandas.pydata.org" target="_blank">{}</a>', escape="html")

[66]:

Классы и идентификаторы CSS

Точная структура CSS class прикреплённая к каждой ячейке, выглядит следующим образом.

• Ячейки с именами индексов и столбцов включают index_name и level<k>, где k — его уровень в MultiIndex

• Ячейки меток индексов включают

  • row_heading

  • level<k>, где k — уровень в MultiIndex

  • row<m>, где m — числовая позиция строки

• Ячейки меток столбцов включают

  • col_heading

  • level<k>, где k — уровень в MultiIndex

  • col<n>, где n — числовая позиция столбца

• Ячейки данных включают

  • data

  • row<m>, где m — числовая позиция ячейки.

  • col<n>, где n — числовая позиция ячейки.

• Пустые ячейки включают blank

• Обрезанные ячейки включают col_trim или row_trim

Структура id — T_uuid_level<k>_row<m>_col<n>, где level<k> используется только в заголовках, а заголовки будут иметь только row<m> или col<n>, в зависимости от необходимости. По умолчанию мы также добавляем идентификатор каждой строки/столбца с UUID, уникальным для каждого DataFrame, чтобы стили одного не конфликтовали со стилями другого в одном ноутбуке или странице. Подробнее об использовании UUID вы можете прочитать в Оптимизации.

Пример HTML можно получить, вызвав метод .to_html().

[68]:

print(pd.DataFrame([[1,2],[3,4]], index=['i1', 'i2'], columns=['c1', 'c2']).style.to_html())

<style type="text/css">
</style>
<table id="T_dd925">
  <thead>
    <tr>
      <th class="blank level0" >&nbsp;</th>
      <th id="T_dd925_level0_col0" class="col_heading level0 col0" >c1</th>
      <th id="T_dd925_level0_col1" class="col_heading level0 col1" >c2</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th id="T_dd925_level0_row0" class="row_heading level0 row0" >i1</th>
      <td id="T_dd925_row0_col0" class="data row0 col0" >1</td>
      <td id="T_dd925_row0_col1" class="data row0 col1" >2</td>
    </tr>
    <tr>
      <th id="T_dd925_level0_row1" class="row_heading level0 row1" >i2</th>
      <td id="T_dd925_row1_col0" class="data row1 col0" >3</td>
      <td id="T_dd925_row1_col1" class="data row1 col1" >4</td>
    </tr>
  </tbody>
</table>

Иерархии CSS

Примеры показали, что когда стили CSS перекрываются, тот, который последним появляется в отображении HTML, имеет приоритет. Поэтому следующее даёт разные результаты:

[69]:

df4 = pd.DataFrame([['text']])
df4.style.applymap(lambda x: 'color:green;')\
         .applymap(lambda x: 'color:red;')

[69]:

[70]:

df4.style.applymap(lambda x: 'color:red;')\
         .applymap(lambda x: 'color:green;')

[70]:

Это справедливо только для правил CSS, которые эквивалентны по иерархии или важности. Подробнее об этом вы можете прочитать здесь, но для наших целей достаточно резюмировать основные моменты:

Для каждого HTML-элемента рассчитывается значение важности CSS, начиная с нуля и добавляя:

• 1000 для атрибута встроенного стиля

• 100 для каждого идентификатора

• 10 для каждого атрибута, класса или псевдокласса

• 1 для каждого имени элемента или псевдоэлемента

Давайте используем это для описания действия следующих конфигураций

[71]:

df4.style.set_uuid('a_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'}])\
         .applymap(lambda x: 'color:green;')

[71]:

Этот текст красный, потому что сгенерированный селектор #T_a_ td имеет значение 101 (идентификатор плюс элемент), в то время как #T_a_row0_col0 имеет значение только 100 (идентификатор), поэтому считается менее важным, даже если в HTML он идёт после предыдущего.

[72]:

df4.style.set_uuid('b_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'}])\
         .applymap(lambda x: 'color:green;')\
         .set_td_classes(pd.DataFrame([['cls-1']]))

[72]:

В этом случае текст синий, потому что селектор #T_b_ .cls-1 имеет значение 110 (идентификатор плюс класс), что имеет приоритет.

[73]:

df4.style.set_uuid('c_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'},
                            {'selector': 'td.data', 'props': 'color:yellow;'}])\
         .applymap(lambda x: 'color:green;')\
         .set_td_classes(pd.DataFrame([['cls-1']]))

[73]:

Теперь мы создали ещё одну таблицу стилей, и на этот раз селектор T_c_ td.data (идентификатор плюс элемент плюс класс) поднимается до 111.

Если стиль не применяется, и это действительно раздражает, попробуйте использовать !important.

[74]:

df4.style.set_uuid('d_')\
         .set_table_styles([{'selector': 'td', 'props': 'color:red;'},
                            {'selector': '.cls-1', 'props': 'color:blue;'},
                            {'selector': 'td.data', 'props': 'color:yellow;'}])\
         .applymap(lambda x: 'color:green !important;')\
         .set_td_classes(pd.DataFrame([['cls-1']]))

[74]:

И наконец, зелёный текст после всех этих попыток!

Наследование

Если стандартная шаблонная структура не удовлетворяет вашим потребностям, вы можете создать подкласс Styler и расширить или переопределить шаблон. Мы покажем пример расширения стандартного шаблона для вставки пользовательского заголовка перед каждой таблицей.

[75]:

from jinja2 import Environment, ChoiceLoader, FileSystemLoader
from IPython.display import HTML
from pandas.io.formats.style import Styler

Мы будем использовать следующий шаблон:

[76]:

with open("templates/myhtml.tpl") as f:
    print(f.read())

{% extends "html_table.tpl" %}
{% block table %}
<h1>{{ table_title|default("My Table") }}</h1>
{{ super() }}
{% endblock table %}

Теперь, когда мы создали шаблон, нам нужно настроить подкласс Styler, который знает о нём.

[77]:

class MyStyler(Styler):
    env = Environment(
        loader=ChoiceLoader([
            FileSystemLoader("templates"),  # contains ours
            Styler.loader,  # the default
        ])
    )
    template_html_table = env.get_template("myhtml.tpl")

Обратите внимание, что мы включаем исходный загрузчик в загрузчик нашей среды. Это потому, что мы расширяем исходный шаблон, поэтому среда Jinja должна иметь возможность его найти.

Теперь мы можем использовать этот пользовательский styler. Он __init__ принимает DataFrame.

[78]:

MyStyler(df3)

[78]:

Наш пользовательский шаблон принимает ключевое слово table_title. Мы можем предоставить значение в методе .to_html.

[79]:

HTML(MyStyler(df3).to_html(table_title="Extending Example"))

[79]:

Для удобства мы предоставляем метод Styler.from_custom_template, который делает то же самое, что и пользовательский подкласс.