可视化工具Plotly

以下文章来源于Python编程时光 ，作者Peter

今天给大家推荐一个可视化神器 - Plotly_express ，上手非常的简单，基本所有的图都只要一行代码就能绘出一张非常酷炫的可视化图。
以下是这个神器的详细使用方法，文中附含大量的 GIF 动图示例图。

1. 环境准备

本文的是在如下环境下测试完成的。

  • Python3.7
  • Jupyter notebook
  • Pandas1.1.3
  • Plotly_express0.4.1

其中 Plotly_express0.4.1 是本文的主角，安装它非常简单，只需要使用 pip install 就可以

$ python3 -m pip install plotly_express

2. 工具概述

在说 plotly_express之前，我们先了解下plotly。Plotly是新一代的可视化神器，由TopQ量化团队开源。虽然Ploltly功能非常之强大，但是一直没有得到重视，主要原因还是其设置过于繁琐。因此，Plotly推出了其简化接口：Plotly_express，下文中统一简称为px。px是对Plotly.py的一种高级封装，其内置了很多实用且现代的绘图模板，用户只需要调用简单的API函数即可实用，从而快速绘制出漂亮且动态的可视化图表。px是完全免费的，用户可以任意使用它。最重要的是，px和plotly生态系统的其他部分是完全兼容的。用户不仅可以在Dash中使用，还能通过Orca将数据导出为几乎任意文件格式。官网的学习资料：https://plotly.com/px的安装是非常简单的，只需要通过pip install plotly_express来安装即可。安装之后的使用：

import plotly_express as px

3. 开始绘图

接下来我们通过px中自带的数据集来绘制各种精美的图形。

  • gapminder
  • tips
  • wind

3.1 数据集

首先我们看下px中自带的数据集：

import pandas as pdimport numpy as npimport plotly_express as px  # 现在这种方式也可行：import plotly.express as px# 数据集gapminder = px.data.gapminder()gapminder.head()  # 取出前5条数据

我们看看全部属性值：

3.2 线型图

线型图line在可视化制图中是很常见的。利用px能够快速地制作线型图：

# line 图fig = px.line(  gapminder,  # 数据集  x="year",  # 横坐标  y="lifeExp",  # 纵坐标  color="continent",  # 颜色的数据  line_group="continent",  # 线性分组  hover_name="country",   # 悬停hover的数据  line_shape="spline",  # 线的形状  render_mode="svg"  # 生成的图片模式)fig.show()

再来制作面积图：

# area 图fig = px.area(  gapminder,  # 数据集  x="year",  # 横坐标  y="pop",  # 纵坐标  color="continent",   # 颜色  line_group="country"  # 线性组别)fig.show()

3.3 散点图

散点图的制作调用scatter方法：

指定size参数还能改变每个点的大小：

px.scatter(  gapminder2007   # 绘图DataFrame数据集  ,x="gdpPercap"  # 横坐标  ,y="lifeExp"  # 纵坐标  ,color="continent"  # 区分颜色  ,size="pop"   # 区分圆的大小  ,size_max=60  # 散点大小)

通过指定facet_col、animation_frame参数还能将散点进行分块显示：

px.scatter(  gapminder   # 绘图使用的数据  ,x="gdpPercap" # 横纵坐标使用的数据  ,y="lifeExp"  # 纵坐标数据  ,color="continent"  # 区分颜色的属性  ,size="pop"   # 区分圆的大小  ,size_max=60  # 圆的最大值  ,hover_name="country"  # 图中可视化最上面的名字  ,animation_frame="year"  # 横轴滚动栏的属性year  ,animation_group="country"  # 标注的分组  ,facet_col="continent"   # 按照国家country属性进行分格显示  ,log_x=True  # 横坐标表取对数  ,range_x=[100,100000]  # 横轴取值范围  ,range_y=[25,90]  # 纵轴范围  ,labels=dict(pop="Populations",  # 属性名字的变化，更直观               gdpPercap="GDP per Capital",               lifeExp="Life Expectancy"))

3.4 地理数据绘图

在实际的工作中，我们可能会接触到中国地图甚至是全球地图，使用px也能制作：

px.choropleth(  gapminder,  # 数据集  locations="iso_alpha",  # 配合颜色color显示  color="lifeExp", # 颜色的字段选择  hover_name="country",  # 悬停字段名字  animation_frame="year",  # 注释  color_continuous_scale=px.colors.sequential.Plasma,  # 颜色变化  projection="natural earth"  # 全球地图             )
fig = px.scatter_geo(  gapminder,   # 数据  locations="iso_alpha",  # 配合颜色color显示  color="continent", # 颜色  hover_name="country", # 悬停数据  size="pop",  # 大小  animation_frame="year",  # 数据帧的选择  projection="natural earth"  # 全球地图                    )fig.show()
px.scatter_geo(gapminder, # 数据集  locations="iso_alpha",  # 配和color显示颜色  color="continent",  # 颜色的字段显示  hover_name="country",  # 悬停数据  size="pop",  # 大小  animation_frame="year"  # 数据联动变化的选择  #,projection="natural earth"   # 去掉projection参数)

使用line_geo来制图：

fig = px.line_geo(  gapminder2007,  # 数据集  locations="iso_alpha",  # 配合和color显示数据  color="continent",  # 颜色  projection="orthographic")   # 球形的地图fig.show()

3.5 使用内置iris数据

我们先看看怎么使用px来查看内置数据的文档：

选择两个属性制图

选择两个属性作为横纵坐标来绘制散点图

fig = px.scatter(  iris,  # 数据集  x="sepal_width",  # 横坐标  y="sepal_length"  # 纵坐标                )fig.show()

通过color参数来显示不同的颜色：

3.6 联合分布图

我们一个图形中能够将散点图和直方图组合在一起显示：

px.scatter(  iris,  # 数据集  x="sepal_width", # 横坐标  y="sepal_length",  # 纵坐标  color="species",  # 颜色  marginal_x="histogram",  # 横坐标直方图  marginal_y="rug"   # 细条图)

3.7 小提琴图

小提琴图能够很好的显示数据的分布和误差情况，一行代码利用也能显示小提琴图：

px.scatter(  iris,  # 数据集  x="sepal_width",  # 横坐标  y="sepal_length",  # 纵坐标  color="species",  # 颜色  marginal_y="violin",  # 纵坐标小提琴图  marginal_x="box",  # 横坐标箱型图  trendline="ols"  # 趋势线)

3.8 散点矩阵图

px.scatter_matrix(  iris,  # 数据  dimensions=["sepal_width","sepal_length","petal_width","petal_length"],  # 维度选择  color="species")  # 颜色

3.9 平行坐标图

px.parallel_coordinates(  iris,   # 数据集  color="species_id",  # 颜色  labels={"species_id":"Species",  # 各种标签值          "sepal_width":"Sepal Width",          "sepal_length":"Sepal Length",          "petal_length":"Petal Length",          "petal_width":"Petal Width"},  color_continuous_scale=px.colors.diverging.Tealrose,  color_continuous_midpoint=2)

3.10 箱体误差图

# 对当前值加上下两个误差值iris["e"] = iris["sepal_width"] / 100px.scatter(  iris,  # 绘图数据集  x="sepal_width",  # 横坐标  y="sepal_length",  # 纵坐标  color="species",  # 颜色值  error_x="e",  # 横轴误差  error_y="e"  # 纵轴误差          )

3.11 等高线图

等高线图反映数据的密度情况：

px.density_contour(  iris,  # 绘图数据集  x="sepal_width",  # 横坐标  y="sepal_length",  # 纵坐标值  color="species"  # 颜色)

等高线图和直方图的俩和使用：

px.density_contour(  iris, # 数据集  x="sepal_width",  # 横坐标值  y="sepal_length",  # 纵坐标值  color="species",  # 颜色  marginal_x="rug",  # 横轴为线条图  marginal_y="histogram"   # 纵轴为直方图                  )

3.12 密度热力图

px.density_heatmap(  iris,  # 数据集  x="sepal_width",   # 横坐标值  y="sepal_length",  # 纵坐标值  marginal_y="rug",  # 纵坐标值为线型图  marginal_x="histogram"  # 直方图                  )

3.13 并行类别图

在接下来的图形中我们使用的小费tips实例，首先是导入数据：

fig = px.parallel_categories(  tips,  # 数据集   color="size",  # 颜色  color_continuous_scale=px.colors.sequential.Inferno)  # 颜色变化取值fig.show()

3.14 柱状图

fig = px.bar(  tips,  # 数据集  x="sex",  # 横轴  y="total_bill",  # 纵轴  color="smoker",  # 颜色参数取值  barmode="group",  # 柱状图模式取值  facet_row="time",  # 行取值  facet_col="day",  # 列元素取值  category_orders={    "day": ["Thur","Fri","Sat","Sun"],  # 分类顺序    "time":["Lunch", "Dinner"]})fig.show()

3.15 直方图

fig = px.histogram(  tips,  # 绘图数据集  x="sex",  # 横轴为性别  y="tip",  # 纵轴为费用  histfunc="avg",  # 直方图显示的函数  color="smoker",  # 颜色  barmode="group",  # 柱状图模式  facet_row="time",  # 行取值  facet_col="day",   # 列取值  category_orders={  # 分类顺序    "day":["Thur","Fri","Sat","Sun"],    "time":["Lunch","Dinner"]})fig.show()

3.16 箱型图

箱型图也是现实数据的误差和分布情况：

# notched=True显示连接处的锥形部分px.box(tips,  # 数据集       x="day",  # 横轴数据       y="total_bill",  # 纵轴数据       color="smoker",  # 颜色       notched=True)  # 连接处的锥形部分显示出来
px.box(  tips,  # 数据集  x="day",  # 横轴 y="total_bill",  # 纵轴  color="smoker",  # 颜色#         notched=True   # 隐藏参数      )

再来画一次小提琴图：

px.violin(    tips,   # 数据集    x="smoker",  # 横轴坐标    y="tip",  # 纵轴坐标      color="sex",   # 颜色参数取值    box=True,   # box是显示内部的箱体    points="all",  # 同时显示数值点    hover_data=tips.columns)  # 结果中显示全部数据

3.17 极坐标图

在这里我们使用的是内置的wind数据：

散点极坐标图

线性极坐标图　　

fig = px.line_polar(    wind,  # 数据集    r="frequency",  # 半径    theta="direction",  # 角度    color="strength",  # 颜色    line_close=True,  # 线性闭合    color_discrete_sequence=px.colors.sequential.Plasma_r)  # 颜色变化fig.show()

柱状极坐标图

fig = px.bar_polar(    wind,   # 数据集    r="frequency",   # 半径    theta="direction",  # 角度    color="strength",  # 颜色    template="plotly_dark",  # 主题    color_discrete_sequence=px.colors.sequential.Plasma_r)  # 颜色变化fig.show()

4. 颜色面板

在px中有很多的颜色可以供选择，提供了一个颜色面板：

px.colors.qualitative.swatches()
px.colors.sequential.swatches()

5. 主题

px中存在3种主题：

  • plotly
  • plotly_white
  • plotly_dark
px.scatter(    iris,  # 数据集    x="sepal_width",  # 横坐标值    y="sepal_length",  # 纵坐标取值    color="species",  # 颜色    marginal_x="box",  # 横坐标为箱型图    marginal_y="histogram",  # 纵坐标为直方图    height=600,  # 高度    trendline="ols",  # 显示趋势线    template="plotly")  # 主题
px.scatter(    iris,  # 数据集    x="sepal_width",  # 横坐标值    y="sepal_length",  # 纵坐标取值    color="species",  # 颜色    marginal_x="box",  # 横坐标为箱型图    marginal_y="histogram",  # 纵坐标为直方图    height=600,  # 高度    trendline="ols",  # 显示趋势线    template="plotly_white")  # 主题
px.scatter(    iris,  # 数据集    x="sepal_width",  # 横坐标值    y="sepal_length",  # 纵坐标取值    color="species",  # 颜色    marginal_x="box",  # 横坐标为箱型图    marginal_y="histogram",  # 纵坐标为直方图    height=600,  # 高度    trendline="ols",  # 显示趋势线    template="plotly_dark")  # 主题

6. 总结一下

本文中利用大量的篇幅讲解了如何通过plotly_express来绘制：柱状图、线型图、散点图、小提琴图、极坐标图等各种常见的图形。通过观察上面Plotly_express绘制图形过程，我们不难发现它有三个主要的优点：

  • 快速出图，少量的代码就能满足多数的制图要求。基本上都是几个参数的设置我们就能快速出图
  • 图形漂亮，绘制出来的可视化图形颜色亮丽，也有很多的颜色供选择。
  • 图形是动态可视化的。文章中图形都是截图，如果是在Jupyter notebook中都是动态图形
赞 (0)

相关推荐