Python使用Plotly繪制常見5種動態(tài)交互式圖表

更新時間：2022年03月09日 09:38:23 作者：Python學習與數(shù)據(jù)挖掘

Plotly是一個非常強大的開源數(shù)據(jù)可視化框架，它通過構建基于 HTML 的交互式圖表來顯示信息，可創(chuàng)建各種形式的精美圖表。本文將用Plotly庫繪制常見的五種動態(tài)交互式圖表，感興趣的可以學習一下

數(shù)據(jù)可以幫助我們描述這個世界、闡釋自己的想法和展示自己的成果，但如果只有單調乏味的文本和數(shù)字，我們卻往往能難抓住觀眾的眼球。而很多時候，一張漂亮的可視化圖表就足以勝過千言萬語。本文將介紹 5 種基于 Plotly 的可視化方法，你會發(fā)現(xiàn)，原來可視化不僅可用直方圖和箱形圖，還能做得如此動態(tài)好看甚至可交互。

對數(shù)據(jù)科學家來說，講故事是一個至關重要的技能。為了表達我們的思想并且說服別人，我們需要有效的溝通。而漂漂亮亮的可視化是完成這一任務的絕佳工具。

本文將介紹 5 種非傳統(tǒng)的可視化技術，可讓你的數(shù)據(jù)故事更漂亮和更有效。這里將使用 Python 的 Plotly 圖形庫（也可通過 R 使用），讓你可以毫不費力地生成動畫圖表和交互式圖表。

那么，Plotly 有哪些好處？Plotly 的整合能力很強：可與 Jupyter Notebook 一起使用，可嵌入網(wǎng)站，并且完整集成了 Dash——一種用于構建儀表盤和分析應用的出色工具。

啟動

如果你還沒安裝 Plotly，只需在你的終端運行以下命令即可完成安裝：

pip install plotly

安裝完成后，就開始使用吧！

動畫

在研究這個或那個指標的演變時，我們常涉及到時間數(shù)據(jù)。Plotly 動畫工具僅需一行代碼就能讓人觀看數(shù)據(jù)隨時間的變化情況，如下圖所示：

代碼如下：

import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,
             y="Entity",
             x="Deaths",
             animation_frame="Year",
             orientation='h',
             range_x=[0, df.Deaths.max()],
             color="Entity")
# improve aesthetics (size, grids etc.)
fig.update_layout(width=1000,
                  height=800,
                  xaxis_showgrid=False,
                  yaxis_showgrid=False,
                  paper_bgcolor='rgba(0,0,0,0)',
                  plot_bgcolor='rgba(0,0,0,0)',
                  title_text='Evolution of Natural Disasters',
                  showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()

只要你有一個時間變量來過濾，那么幾乎任何圖表都可以做成動畫。下面是一個制作散點圖動畫的例子：

import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(
    df,
    x="gdpPercap",
    y="lifeExp",
    animation_frame="year",
    size="pop",
    color="continent",
    hover_name="country",
    log_x=True,
    size_max=55,
    range_x=[100, 100000],
    range_y=[25, 90],

    #   color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,
                  height=800,
                  xaxis_showgrid=False,
                  yaxis_showgrid=False,
                  paper_bgcolor='rgba(0,0,0,0)',
                  plot_bgcolor='rgba(0,0,0,0)')

太陽圖

太陽圖（sunburst chart）是一種可視化 group by 語句的好方法。如果你想通過一個或多個類別變量來分解一個給定的量，那就用太陽圖吧。

假設我們想根據(jù)性別和每天的時間分解平均小費數(shù)據(jù)，那么相較于表格，這種雙重 group by 語句可以通過可視化來更有效地展示。

這個圖表是交互式的，讓你可以自己點擊并探索各個類別。你只需要定義你的所有類別，并聲明它們之間的層次結構（見以下代碼中的 parents 參數(shù)）并分配對應的值即可，這在我們案例中即為 group by 語句的輸出。

import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd
df = px.data.tips()
fig = go.Figure(go.Sunburst(
    labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],
    parents=["", "", "Female", "Female", 'Male', 'Male'],
    values=np.append(
        df.groupby('sex').tip.mean().values,
        df.groupby(['sex', 'time']).tip.mean().values),
    marker=dict(colors=px.colors.sequential.Emrld)),
                layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
                                 plot_bgcolor='rgba(0,0,0,0)'))

fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
                  title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()

現(xiàn)在我們向這個層次結構再添加一層：

為此，我們再添加另一個涉及三個類別變量的 group by 語句的值。

import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=[
? ? "Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',
? ? 'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri ?', 'Sat ?', 'Sun ?', 'Fri ? ', 'Thu ? '
],
? ? ? ? ? ? ? ? ? ? ? ? ? ? parents=[
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? "", "", "Female", "Female", 'Male', 'Male',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 'Dinner', 'Dinner', 'Dinner', 'Dinner',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 'Lunch', 'Lunch', 'Dinner ', 'Dinner ',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 'Dinner ', 'Lunch ', 'Lunch '
? ? ? ? ? ? ? ? ? ? ? ? ? ? ],
? ? ? ? ? ? ? ? ? ? ? ? ? ? values=np.append(
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? np.append(
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? df.groupby('sex').tip.mean().values,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? df.groupby(['sex',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 'time']).tip.mean().values,
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ),
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? df.groupby(['sex', 'time',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 'day']).tip.mean().values),
? ? ? ? ? ? ? ? ? ? ? ? ? ? marker=dict(colors=px.colors.sequential.Emrld)),
? ? ? ? ? ? ? ? layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
? ? ? ? ? ? ? ? ? title_text='Tipping Habbits Per Gender, Time and Day')

fig.show()

平行類別

另一種探索類別變量之間關系的方法是以下這種流程圖。你可以隨時拖放、高亮和瀏覽值，非常適合演示時使用。

代碼如下：

import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_categories(
    df,
    dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],
    color="Genre_id",
    color_continuous_scale=px.colors.sequential.Emrld,
)
fig.show()

平行坐標圖

平行坐標圖是上面的圖表的連續(xù)版本。這里，每一根弦都代表單個觀察。這是一種可用于識別離群值（遠離其它數(shù)據(jù)的單條線）、聚類、趨勢和冗余變量（比如如果兩個變量在每個觀察上的值都相近，那么它們將位于同一水平線上，表示存在冗余）的好用工具。

代碼如下：

 import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_coordinates(
    df,
    dimensions=[
        'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',
        'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'
    ],
    color='IMDB_Rating',
    color_continuous_scale=px.colors.sequential.Emrld)
fig.show()

量表圖和指示器

量表圖僅僅是為了好看。在報告 KPI 等成功指標并展示其與你的目標的距離時，可以使用這種圖表。

指示器在業(yè)務和咨詢中非常有用。它們可以通過文字記號來補充視覺效果，吸引觀眾的注意力并展現(xiàn)你的增長指標。

 import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
    domain = {'x': [0, 1], 'y': [0, 1]},
    value = 4.3,
    mode = "gauge+number+delta",
    title = {'text': "Success Metric"},
    delta = {'reference': 3.9},
    gauge = {'bar': {'color': "lightgreen"},
        'axis': {'range': [None, 5]},
             'steps' : [
                 {'range': [0, 2.5], 'color': "lightgray"},
                 {'range': [2.5, 4], 'color': "gray"}],
          }))
fig.show()

到此這篇關于Python使用Plotly繪制常見5種動態(tài)交互式圖表的文章就介紹到這了,更多相關Python Plotly圖表內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

Python通過UDP傳輸超過64k的信息
在UDP中,單個數(shù)據(jù)包的最大尺寸通常受到網(wǎng)絡層的限制,這通常被稱為最大傳輸單元（MTU）,在以太網(wǎng)環(huán)境中,標準的MTU大小通常為1500字節(jié),下面是一個Python示例,展示了如何通過UDP發(fā)送和接收超過64KB的數(shù)據(jù),需要的朋友可以參考下
2024-08-08
DRF之請求與響應的實現(xiàn)
本文主要介紹了DRF請求與響應的實現(xiàn)，文中通過示例代碼介紹的非常詳細，需要的朋友們下面隨著小編來一起學習學習吧
2021-07-07
Python實現(xiàn)批量將word轉換成pdf
這篇文章主要為大家詳細介紹了如何利用Python實現(xiàn)批量將word文檔轉換成pdf文件,文中的示例代碼簡潔易懂,感興趣的小伙伴可以跟隨小編一起學習一下
2023-08-08
Python內置異常類型全面匯總
這篇文章主要介紹了Python內置異常類型全面匯總,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
2020-05-05
python實現(xiàn)獲取文件中的類方式
本文介紹了兩種獲取Python文件中類的方法：一種是通過導入文件,另一種是通過不導入文件獲取類名,不導入文件的方法通過解析抽象語法樹（AST）并使用正則表達式來過濾出特定類名,從而避免了全量導入帶來的問題
2025-12-12
Python中的fileinput模塊的簡單實用示例
這篇文章主要介紹了Python中的fileinput模塊實用示例,文中的示例是使用其來便利硬盤分區(qū)下的文本文件并打印其中行的長度,需要的朋友可以參考下
2015-07-07
python版DDOS攻擊腳本
這篇文章主要為大家詳細介紹了python版DDOS攻擊腳本，具有一定的參考價值，感興趣的小伙伴們可以參考一下
2019-06-06
利用Python自動生成PPT的示例詳解
在日常工作中，PPT制作是常見的工作。這篇文章主要為大家詳細介紹了如何利用Python自動生成PPT，文中的示例代碼講解詳細，感興趣的可以了解一下
2022-07-07
Python 判斷有向圖是否有環(huán)的實例講解
下面小編就為大家分享一篇Python 判斷有向圖是否有環(huán)的實例講解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧
2018-02-02
Django使用原生SQL查詢數(shù)據(jù)庫詳解
本文介紹了Django ORM的優(yōu)缺點，然后介紹了使用原生SQL進行查詢的優(yōu)點，包括更靈活、更高效等。接著介紹了如何在Django中使用原生SQL進行查詢，包括利用Django的connection對象進行查詢以及使用Django的CursorWrapper類進行封裝。最后提醒了使用原生SQL查詢的注意事項。
2023-04-04