【Plotly快速入门】用Plotly绘制了几张精湛的图表,美翻了!!-轻识

说到Python当中的可视化模块，相信大家用的比较多的还是matplotlib、seaborn等模块，今天小编来尝试用Plotly模块为大家绘制可视化图表，和前两者相比，用Plotly模块会指出来的可视化图表有着很强的交互性。

柱状图

我们先导入后面需要用到的模块并且生成一批假数据，

import numpy as np
import plotly.graph_objects as go

# create dummy data
vals = np.ceil(100 * np.random.rand(5)).astype(int)
keys = ["A", "B", "C", "D", "E"]

我们基于所生成的假数据来绘制柱状图，代码如下

fig = go.Figure()
fig.add_trace(
go.Bar(x=keys, y=vals)
)
fig.update_layout(height=600, width=600)
fig.show()

output

可能读者会感觉到绘制出来的图表略显简单，我们再来完善一下，添加上标题和注解，代码如下

# create figure
fig = go.Figure()
# 绘制图表
fig.add_trace(
 go.Bar(x=keys, y=vals, hovertemplate="Key: %{x} Value: %{y}<extra></extra>")
)
# 更新完善图表
fig.update_layout(
 font_family="Averta",
 hoverlabel_font_family="Averta",
 title_text="直方图",
 xaxis_title_text="X轴-键",
 xaxis_title_font_size=18,
 xaxis_tickfont_size=16,
 yaxis_title_text="Y轴-值",
 yaxis_title_font_size=18,
 yaxis_tickfont_size=16,
 hoverlabel_font_size=16,
 height=600,
 width=600
)
fig.show()

output

分组条形图和堆积条形图

例如我们有多组数据想要绘制成柱状图的话，我们先来创建好数据集

vals_2 = np.ceil(100 * np.random.rand(5)).astype(int)
vals_3 = np.ceil(100 * np.random.rand(5)).astype(int)

vals_array = [vals, vals_2, vals_3]

然后我们遍历获取列表中的数值并且绘制成条形图，代码如下

# 生成画布
fig = go.Figure()
# 绘制图表
for i, vals in enumerate(vals_array):
 fig.add_trace(
 go.Bar(x=keys, y=vals, name=f"Group {i+1}", hovertemplate=f"Group {i+1} Key: %{{x}} Value: %{{y}}<extra></extra>")
 )
# 完善图表
fig.update_layout(
 barmode="group",
 ......
)
fig.show()

output

而我们想要变成堆积状的条形图，只需要修改代码中的一处即可，将fig.update_layout(barmode="group")修改成fig.update_layout(barmode="group")即可，我们来看一下出来的样子

箱型图

箱型图在数据统计分析当中也是应用相当广泛的，我们先来创建两个假数据

# create dummy data for boxplots
y1 = np.random.normal(size=1000)
y2 = np.random.normal(size=1000)

我们将上面生成的数据绘制成箱型图，代码如下

# 生成画布
fig = go.Figure()
# 绘制图表
fig.add_trace(
    go.Box(y=y1, name="Dataset 1"),
)
fig.add_trace(
    go.Box(y=y2, name="Dataset 2"),
)
fig.update_layout(
    ......
)
fig.show()

output

散点图和气泡图

接下来我们尝试来绘制一张散点图，也是一样的步骤，我们想尝试生成一些假数据，代码如下

x = [i for i in range(1, 10)]
y = np.ceil(1000 * np.random.rand(10)).astype(int)

然后我们来绘制散点图，调用的是Scatter()方法，代码如下

# create figure
fig = go.Figure()

fig.add_trace(
go.Scatter(x=x, y=y, mode="markers", hovertemplate="x: %{x} y: %{y}<extra></extra>")
)

fig.update_layout(
.......
)
fig.show()

output

那么气泡图的话就是在散点图的基础上，根据数值的大小来设定散点的大小，我们再来创建一些假数据用来设定散点的大小，代码如下

      
      s = np.ceil(30 * np.random.rand(5)).astype(int)

我们将上面用作绘制散点图的代码稍作修改，通过marker_size参数来设定散点的大小，如下所示

fig = go.Figure()

fig.add_trace(
go.Scatter(x=x, y=y, mode="markers", marker_size=s, text=s, hovertemplate="x: %{x} y: %{y} Size: %{text}<extra></extra>")
)
fig.update_layout(
......
)
fig.show()

output

直方图

直方图相比较于上面提到的几种图表，总体上来说会稍微有点丑，但是通过直方图，读者可以更加直观地感受到数据的分布，我们先来创建一组假数据，代码如下

## 创建假数据
data = np.random.normal(size=1000)

然后我们来绘制直方图，调用的是Histogram()方法，代码如下

# 创建画布
fig = go.Figure()
# 绘制图表
fig.add_trace(
 go.Histogram(x=data, hovertemplate="Bin Edges: %{x} Count: %{y}<extra></extra>")
)
fig.update_layout(
 height=600,
 width=600
)
fig.show()

output

我们再在上述图表的基础之上再进行进一步的格式优化，代码如下

# 生成画布
fig = go.Figure()
# 绘制图表
fig.add_trace(
go.Histogram(x=data, histnorm="probability", hovertemplate="Bin Edges: %{x} Count: %{y}<extra></extra>")
)
fig.update_layout(
......
)
fig.show()

output

多个子图拼凑到一块儿

相信大家都知道在matplotlib模块当中的subplots()方法可以将多个子图拼凑到一块儿，那么同样地在plotly当中也可以同样地将多个子图拼凑到一块儿，调用的是plotly模块当中make_subplots函数

from plotly.subplots import make_subplots
## 2行2列的图表
fig = make_subplots(rows=2, cols=2)
## 生成一批假数据用于图表的绘制
x = [i for i in range(1, 11)]
y = np.ceil(100 * np.random.rand(10)).astype(int)
s = np.ceil(30 * np.random.rand(10)).astype(int)
y1 = np.random.normal(size=5000)
y2 = np.random.normal(size=5000)

接下来我们将所要绘制的图表添加到add_trace()方法当中，代码如下

# 绘制图表
fig.add_trace(
 go.Bar(x=x, y=y, hovertemplate="x: %{x} y: %{y}<extra></extra>"),
 row=1, col=1
)
fig.add_trace(
 go.Histogram(x=y1, hovertemplate="Bin Edges: %{x} Count: %{y}<extra></extra>"),
 row=1, col=2
)
fig.add_trace(
 go.Scatter(x=x, y=y, mode="markers", marker_size=s, text=s, hovertemplate="x: %{x} y: %{y} Size: %{text}<extra></extra>"),
 row=2, col=1
)
fig.add_trace(
 go.Box(y=y1, name="Dataset 1"),
 row=2, col=2
)
fig.add_trace(
 go.Box(y=y2, name="Dataset 2"),
 row=2, col=2
)
fig.update_xaxes(title_font_size=18, tickfont_size=16)
fig.update_yaxes(title_font_size=18, tickfont_size=16)
fig.update_layout(
 ......
)
fig.show()

output

END

推荐阅读

牛逼！Python常用数据类型的基本操作（长文系列第①篇）

牛逼！Python的判断、循环和各种表达式（长文系列第②篇）

牛逼！Python函数和文件操作（长文系列第③篇）

牛逼！Python错误、异常和模块（长文系列第④篇）

吴恩达deeplearining.ai的经典总结资料

Ps：从小程序直接获取下载