Python可视化,十分钟入门简单而强大的可视化库 Plotly
蚂蚁学Python
共 5971字,需浏览 12分钟
· 2022-02-14
在python的世界里,用于可视化分析的库有很多,有最原始的matplotlib,还有更加简单好用的serborn(对matplotlib进行封装),而pyecharts则是以动态、可交互的特点吸引着众人。
今天为大家介绍一个兼具pyecharts的动态性和serborn的简便性与一体的可视化库——plotly express
让我们对比一下pyecharts与plotly express完成桑基图的步骤
首先看pyecharts,由于其需要苛刻的数据结构,所以需要花费大量的精力用于数据处理。
![](https://filescdn.proginn.com/a862c2700ff32183432a8f776925caee/892d7d04bc64b59a450a47181b1ae6a6.webp)
然后我们看plotly express,简简单单几行代码就实现了类似的效果,可以节省大量的时间精力,提升工作效率!
接下来我们就来学习plotly express的使用方法吧!
首先导入我们的可视化库,加载数据集,并且查看数据集的结构
import pandas as pd
import numpy as np
import plotly.express as px
# 数据集
gapminder = px.data.gapminder()
gapminder.head(10)
![](https://filescdn.proginn.com/a93ad341eb2873ab2d76d88d9fe6ffec/8210dea2ee7919a6aa07c2892d5af941.webp)
线图:用year列作为x轴,lifeExp为y轴,以continent列的不同值作颜色区分,线条的数量就是country数量。
# 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()
![](https://filescdn.proginn.com/048b7f52da6b20574c216413f0d02f73/b335b162144a09dd32f1b6daf59d870e.webp)
因为国家的数量太多了,所以线条很多,有点乱,可以点击图例隐藏一些数据以更好展现图表
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()
![](https://filescdn.proginn.com/8b2ab3e571afc4b6ee819fe907edf1f3/821e6299a1353757a090b0316e2f2e8d.webp)
散点图
# 散点图
px.scatter(
gapminder # 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
)
![](https://filescdn.proginn.com/76ece012b7e3654c2ab49438851d91a2/fcf760a71d3f9b211a67bdc31a76d2f3.webp)
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")
)
![](https://filescdn.proginn.com/55c53bcddded9eca8b2609a77d8ecfa7/8bd6a23ee5d13b261a63bd86feca70d1.webp)
地理图
# 地理图
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
)
![](https://filescdn.proginn.com/d135c9d2f1ba411b5660aa8ec4b48f10/03f648a4740f57c917dbdaad33bd87db.webp)
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()
![](https://filescdn.proginn.com/c250d79ada254b72ddb71b9bb40ab473/330d9798750a0e85a72ac03b197e1c1e.webp)
fig = px.line_geo(
gapminder, # 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()
![](https://filescdn.proginn.com/3f3a959f5d63bce1450f0444a89dfdf3/01d0529587cc81b0f37496fa8180f574.webp)
接下来换上大名鼎鼎内置的鸢尾花数据集
# iris数据集
iris = px.data.iris()
iris.head(10)
![](https://filescdn.proginn.com/de9f0c9818c5b26d8ef9aefe7afb7adb/1be954c5218915eb8044439d4d13b29d.webp)
继续探索散点图
# 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
color="species"
)
fig.show()
![](https://filescdn.proginn.com/41155db4124d2d27077723e0fe178b26/e7e0dd2800524b68daf82235f084c54c.webp)
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
)
![](https://filescdn.proginn.com/11ad0d626abf023987405b3af4d879ce/7ec79d9ff8c22968178d47c5ac2e8518.webp)
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
)
![](https://filescdn.proginn.com/142c0a5ec6c0c43cba48f1f2a67f8e2b/77a341197bf625a55f8293f138fd1db3.webp)
px.scatter_matrix(
iris, # 数据
dimensions=["sepal_width","sepal_length","petal_width","petal_length"], # 维度选择
color="species") # 颜色
![](https://filescdn.proginn.com/ad33da01e0756814b28dcf9760e7f85e/271d449e989655285a6e001bbaa2180a.webp)
平行对比图 :通过这张图,可以直观发现数据之间的相关性
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)
![](https://filescdn.proginn.com/5b92d5f91f96b6da205f412b77e65c33/a5e020a4e4fe206fd17712c12f9f6df2.webp)
等高密度图
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
marginal_x="histogram",
marginal_y="histogram"
)
![](https://filescdn.proginn.com/8f8aaab772cf7e6b2411757e4666ce75/1f3bba9d877e8e0661cb4a8e6ed19633.webp)
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
)
![](https://filescdn.proginn.com/b3e73d12373835f98dcc0c349bf4c1a5/5bef99ede426d549c5c16be4867322d3.webp)
热图
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
)
![](https://filescdn.proginn.com/06058aaaa27e0c5bddb9c555c9f0093f/9cdd222b5fc7dd9b43f318676f9972fb.webp)
再换个数据集看看
# 小票数据集
tips = px.data.tips()
tips.head()
![](https://filescdn.proginn.com/c290ac05d0dcb5e776222513ef453a48/36e2c09f72a96adf6cd94b1bb406f4cd.webp)
平行种类图 前面一开始提到的桑基图就是基于此制作的
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()
![](https://filescdn.proginn.com/b3f1b00678033286dd2bb69574d5bb46/4a0397ba85aeaa557d5faaf6717eb914.webp)
柱状图
bar = px.bar(
tips,
x="sex",
y="total_bill",
color="smoker",
barmode="group")
bar.show()
![](https://filescdn.proginn.com/fc81523c4c93b9a16670050551f3e51b/38453659808efe3fb1abd4dd9378c29d.webp)
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()
![](https://filescdn.proginn.com/263c5741893bd94034cd4eecf0eeb889/efa515bd03d58c2c49b8d2b36c1d3dad.webp)
盒须图
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
![](https://filescdn.proginn.com/5d4cd1dc6888b3c76275e8f20917cc9f/e0f621b28718d2ba14f8ba563dfc0bd8.webp)
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
![](https://filescdn.proginn.com/bf80b385788358537b72b97b8bb88bcf/811cad4aba353d3378f9845d53e3cb24.webp)
最后再来看一个内置数据集吧
# 风数据集
wind = px.data.wind()
wind.head(10)
![](https://filescdn.proginn.com/dbec219b49b773b127c4322725d5eeba/afa22d33b8600d42aeaf55d22966b742.webp)
极坐标图
fig = px.scatter_polar(
wind,
r = "frequency" , # 半径
theta = "direction", # 角度
color = "strength", # 颜色
symbol = "strength", # 图标
color_continuous_scale=px.colors.sequential.Inferno # 颜色变化取值
)
fig.show()
与散点图结合
![](https://filescdn.proginn.com/7a41aa4c959646fce74f8516b3097c0a/2c6570ac5fb7e73793ec8e9d916ae57e.webp)
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()
与线图结合
![](https://filescdn.proginn.com/6778d92d2a284f815d1a24e96ab38948/1005b2ceab884c30f50ca76edbcb41ea.webp)
与柱状图结合
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()
![](https://filescdn.proginn.com/484d1c49988c8e32e12b79b32d9cfaeb/cf4c9f4acd6d1e7b17d6ed28cdf20fdf.webp)
看完了这些是不是很想学习这个库呢?那就快去找官方文档看吧!
最后,推荐蚂蚁老师的《Python Pandas 编程100题》,限时69元!
评论