吹爆！这个可视化神器
大家好，我是宝器。
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。
注：源代码（ .ipypnb 文件）的获取方式，我放在文末了。记得下载
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 pd
import numpy as np
import 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'] / 100
px.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
希望通过本文的讲解能够帮助堵住快速入门plotly_express可视化神器
赞 (0)