吹爆了这个可视化神器,上手后直接开大~

Irene181
• 阅读 1661

吹爆了这个可视化神器,上手后直接开大~

大家好,我是明哥。

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plotlyPlotly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,pxplotly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  

吹爆了这个可视化神器,上手后直接开大~

我们看看全部属性值:

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

3.3 散点图

散点图的制作调用scatter方法:

吹爆了这个可视化神器,上手后直接开大~

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  
)  

吹爆了这个可视化神器,上手后直接开大~

通过指定facet_colanimation_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")  
)  

吹爆了这个可视化神器,上手后直接开大~

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  
             )  

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

 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  
)

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

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:

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

通过color参数来显示不同的颜色:

吹爆了这个可视化神器,上手后直接开大~

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  
)  

吹爆了这个可视化神器,上手后直接开大~

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  
)  

吹爆了这个可视化神器,上手后直接开大~

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  

吹爆了这个可视化神器,上手后直接开大~

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)  

吹爆了这个可视化神器,上手后直接开大~

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  
          )  

吹爆了这个可视化神器,上手后直接开大~

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  
)  

吹爆了这个可视化神器,上手后直接开大~

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  
                  )  

吹爆了这个可视化神器,上手后直接开大~

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  
                  )  

吹爆了这个可视化神器,上手后直接开大~

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:

吹爆了这个可视化神器,上手后直接开大~

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

吹爆了这个可视化神器,上手后直接开大~

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

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  

吹爆了这个可视化神器,上手后直接开大~

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  
      )  

吹爆了这个可视化神器,上手后直接开大~

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  

吹爆了这个可视化神器,上手后直接开大~

3.17 极坐标图

在这里我们使用的是内置的wind数据:

吹爆了这个可视化神器,上手后直接开大~

散点极坐标图

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

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()  

吹爆了这个可视化神器,上手后直接开大~

px.colors.sequential.swatches()  

吹爆了这个可视化神器,上手后直接开大~

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  

吹爆了这个可视化神器,上手后直接开大~

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 

吹爆了这个可视化神器,上手后直接开大~

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 

吹爆了这个可视化神器,上手后直接开大~

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。

**-----**------**-----**---**** End **-----**--------**-----**-****

往期精彩文章推荐:

吹爆了这个可视化神器,上手后直接开大~ 欢迎各位大佬点击链接加入群聊【helloworld开发者社区】:https://jq.qq.com/?_wv=1027&k=mBlk6nzX进群交流IT技术热点。

本文转自 https://mp.weixin.qq.com/s/S6DuP-zp7YmF4Tt1hzz3TQ,如有侵权,请联系删除。

点赞
收藏
评论区
推荐文章
blmius blmius
2年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
Jacquelyn38 Jacquelyn38
3年前
2020年前端实用代码段,为你的工作保驾护航
有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为
Wesley13 Wesley13
2年前
4cast
4castpackageloadcsv.KumarAwanish发布:2020122117:43:04.501348作者:KumarAwanish作者邮箱:awanish00@gmail.com首页:
Stella981 Stella981
2年前
Python之time模块的时间戳、时间字符串格式化与转换
Python处理时间和时间戳的内置模块就有time,和datetime两个,本文先说time模块。关于时间戳的几个概念时间戳,根据1970年1月1日00:00:00开始按秒计算的偏移量。时间元组(struct_time),包含9个元素。 time.struct_time(tm_y
Wesley13 Wesley13
2年前
00:Java简单了解
浅谈Java之概述Java是SUN(StanfordUniversityNetwork),斯坦福大学网络公司)1995年推出的一门高级编程语言。Java是一种面向Internet的编程语言。随着Java技术在web方面的不断成熟,已经成为Web应用程序的首选开发语言。Java是简单易学,完全面向对象,安全可靠,与平台无关的编程语言。
Stella981 Stella981
2年前
Django中Admin中的一些参数配置
设置在列表中显示的字段,id为django模型默认的主键list_display('id','name','sex','profession','email','qq','phone','status','create_time')设置在列表可编辑字段list_editable
Wesley13 Wesley13
2年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_
为什么mysql不推荐使用雪花ID作为主键
作者:毛辰飞背景在mysql中设计表的时候,mysql官方推荐不要使用uuid或者不连续不重复的雪花id(long形且唯一),而是推荐连续自增的主键id,官方的推荐是auto_increment,那么为什么不建议采用uuid,使用uuid究
Python进阶者 Python进阶者
5个月前
Excel中这日期老是出来00:00:00,怎么用Pandas把这个去除
大家好,我是皮皮。一、前言前几天在Python白银交流群【上海新年人】问了一个Pandas数据筛选的问题。问题如下:这日期老是出来00:00:00,怎么把这个去除。二、实现过程后来【论草莓如何成为冻干莓】给了一个思路和代码如下:pd.toexcel之前把这