通過Plotly實現交互式數據可視化的流程步驟

更新時間：2024年05月10日 10:21:48 作者：一鍵難忘

在數據科學和數據分析領域,數據可視化是一種非常重要的技術,Plotly 是一個功能強大的 Python 可視化庫,它可以幫助我們創(chuàng)建交互式的數據可視化圖表,本文將介紹如何使用 Plotly 實現交互式數據可視化,需要的朋友可以參考下

通過Plotly實現交互式數據可視化的步驟

在數據科學和數據分析領域，數據可視化是一種非常重要的技術。Plotly 是一個功能強大的 Python 可視化庫，它可以幫助我們創(chuàng)建交互式的數據可視化圖表。本文將介紹如何使用 Plotly 實現交互式數據可視化，包括數據準備、圖表創(chuàng)建和交互功能的添加。

步驟

1. 安裝 Plotly

首先，確保已經安裝了 Plotly。如果沒有安裝，可以使用 pip 進行安裝：

pip install plotly

2. 準備數據

在進行數據可視化之前，需要準備好要可視化的數據。在本示例中，我們將使用一個簡單的數據集。

import pandas as pd

# 創(chuàng)建示例數據
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

3. 創(chuàng)建交互式圖表

使用 Plotly 來創(chuàng)建交互式圖表非常簡單。下面是一個簡單的例子，創(chuàng)建一個折線圖：

import plotly.graph_objs as go

# 創(chuàng)建折線圖
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales')

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 顯示圖表
fig.show()

4. 添加交互功能

Plotly 提供了豐富的交互功能，可以讓用戶與圖表進行互動。例如，我們可以添加鼠標懸停提示信息：

# 添加鼠標懸停提示信息
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 顯示圖表
fig.show()

5. 更多交互功能

除了鼠標懸停提示信息之外，Plotly 還支持許多其他交互功能，如縮放、平移、選擇和標記等。你可以根據需要添加這些功能來提升用戶體驗。

import pandas as pd
import plotly.graph_objs as go

# 創(chuàng)建示例數據
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

# 創(chuàng)建折線圖
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 顯示圖表
fig.show()

6. 導出圖表

一旦你創(chuàng)建了交互式的圖表，你可能想要將它導出到文件中以供分享或嵌入到網頁中。Plotly 提供了多種導出圖表的方法，包括靜態(tài)圖片和交互式 HTML 文件。

導出靜態(tài)圖片

# 導出為靜態(tài)圖片
fig.write_image("sales_plot.png")

導出為 HTML 文件

# 導出為 HTML 文件
fig.write_html("sales_plot.html")

這樣，你就可以輕松地將交互式圖表分享給其他人或者嵌入到網頁中。

import pandas as pd
import plotly.graph_objs as go

# 創(chuàng)建示例數據
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

# 創(chuàng)建折線圖
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 添加交互功能
fig.update_layout(
    xaxis=dict(
        rangeselector=dict(
            buttons=list([
                dict(count=1, label="1年", step="year", stepmode="backward"),
                dict(count=2, label="2年", step="year", stepmode="backward"),
                dict(count=3, label="3年", step="year", stepmode="backward"),
                dict(count=4, label="4年", step="year", stepmode="backward"),
                dict(step="all")
            ])
        ),
        rangeslider=dict(visible=True),
        type="date"
    )
)

# 導出為靜態(tài)圖片
fig.write_image("sales_plot.png")

# 導出為 HTML 文件
fig.write_html("sales_plot.html")

# 顯示圖表
fig.show()

通過以上步驟，你可以輕松地創(chuàng)建、定制并分享交互式的數據可視化圖表，為數據分析工作增添更多的樂趣和效率！

7. 自定義圖表樣式

Plotly 允許你對圖表樣式進行高度定制，以滿足特定需求或者提升可視化效果。

修改線條樣式

# 修改線條樣式
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines+markers', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue', width=2), marker=dict(size=8, color='red'))

調整布局

# 調整布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year', showgrid=False), yaxis=dict(title='Sales', showgrid=False))

添加標題和標簽

# 添加標題和標簽
fig.update_layout(title_text="Yearly Sales", xaxis_title="Year", yaxis_title="Sales")

通過以上調整，你可以根據需要自定義圖表的外觀和布局。

import pandas as pd
import plotly.graph_objs as go

# 創(chuàng)建示例數據
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

# 創(chuàng)建折線圖
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines+markers', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue', width=2), marker=dict(size=8, color='red'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year', showgrid=False), yaxis=dict(title='Sales', showgrid=False))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 添加交互功能
fig.update_layout(
    xaxis=dict(
        rangeselector=dict(
            buttons=list([
                dict(count=1, label="1年", step="year", stepmode="backward"),
                dict(count=2, label="2年", step="year", stepmode="backward"),
                dict(count=3, label="3年", step="year", stepmode="backward"),
                dict(count=4, label="4年", step="year", stepmode="backward"),
                dict(step="all")
            ])
        ),
        rangeslider=dict(visible=True),
        type="date"
    )
)

# 添加標題和標簽
fig.update_layout(title_text="Yearly Sales", xaxis_title="Year", yaxis_title="Sales")

# 導出為靜態(tài)圖片
fig.write_image("sales_plot.png")

# 導出為 HTML 文件
fig.write_html("sales_plot.html")

# 顯示圖表
fig.show()

通過以上步驟，你可以更加靈活地定制和分享交互式的數據可視化圖表！

總結

在這篇文章中，我們學習了如何使用 Plotly 實現交互式數據可視化的步驟。以下是我們探討的主要內容：

安裝 Plotly：首先，我們確保安裝了 Plotly 庫，它是一個功能強大的 Python 可視化庫。
準備數據：在進行數據可視化之前，我們需要準備好要可視化的數據。我們使用了一個簡單的示例數據集作為演示。
創(chuàng)建交互式圖表：我們使用 Plotly 創(chuàng)建了一個交互式折線圖，并學習了如何調整布局和添加交互功能，例如鼠標懸停提示信息和范圍選擇器。
導出圖表：我們還學習了如何將交互式圖表導出為靜態(tài)圖片或 HTML 文件，以便分享或嵌入到網頁中。
自定義圖表樣式：最后，我們探討了如何自定義圖表樣式，包括修改線條樣式、調整布局以及添加標題和標簽，以滿足特定需求或提升可視化效果。

通過以上步驟，你可以輕松地創(chuàng)建、定制并分享交互式的數據可視化圖表，為數據分析工作增添更多的樂趣和效率！

拓展：Plotly實現數據可視化的五種動圖形式

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據。Plotly 動畫工具僅需一行代碼就能讓人觀看數據隨時間的變化情況，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。

假設我們想根據性別和每天的時間分解平均小費數據，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）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（遠離其它數據的單條線）、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()

到此這篇關于通過Plotly實現交互式數據可視化的流程步驟的文章就介紹到這了,更多相關Plotly交互式數據可視化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圖像處理之gif動態(tài)圖的解析與合成操作詳解
這篇文章主要介紹了Python圖像處理之gif動態(tài)圖的解析與合成操作,結合實例形式分析了Python基于PIL模塊解析gif文件,以及基于imageio庫合成gif文件的相關操作技巧,需要的朋友可以參考下
2018-12-12
Python 文件操作之讀取文件(read)，文件指針與寫入文件(write)，文件打開方式示例
這篇文章主要介紹了Python 文件操作之讀取文件(read)，文件指針與寫入文件(write)，文件打開方式,結合實例形式分析了Python文件讀寫相關的指針、打開方式等相關操作技巧,需要的朋友可以參考下
2019-09-09
python簡單實例訓練(21~30)
上篇文章給大家介紹了python簡單實例訓練的1-10，這里繼續(xù)為大家介紹python的一些用法，希望大家每個例子都打出來測試一下
2017-11-11
python 合并列表的八種方法
這篇文章主要介紹了python 連接列表的八種方法，幫助大家更好的理解和學習使用python，感興趣的朋友可以了解下
2021-03-03
Python讀入mnist二進制圖像文件并顯示實例
這篇文章主要介紹了Python讀入mnist二進制圖像文件并顯示實例，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
2020-04-04
python解析xml文件實例分享
這篇文章主要介紹了python解析XML文件的方法，大家參考使用吧
2013-12-12
在jupyter notebook中使用pytorch的方法
這篇文章主要介紹了在jupyter notebook中使用pytorch的方法,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下
2022-09-09
python numpy函數中的linspace創(chuàng)建等差數列詳解
numpy.linspace是用于創(chuàng)建一個一維數組，并且是等差數列構成的一維數組,下面這篇文章主要給大家介紹了關于python numpy函數中的linspace創(chuàng)建等差數列的相關資料，文中通過示例代碼介紹的非常詳細，需要的朋友可以參考下。
2017-10-10
Python新手在作用域方面經常容易碰到的問題
這篇文章主要介紹了Python新手在作用域方面經常容易碰到的問題,全局變量和局部變量方面的知識在Python學習當中是基礎中的基礎,需要的朋友可以參考下
2015-04-04
把項目從Python2.x移植到Python3.x的經驗總結
這篇文章主要介紹了把項目從Python2.x移植到Python3.x的經驗總結,包括作者所使用的Jinja2框架中一些需要注意的地方,需要的朋友可以參考下
2015-04-04