吹爆了这个可视化神器,上手后直接开大~
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
本文源代码:
链接: https://pan.baidu.com/s/1tEi1vRLEem-Ti1wYmoGoBg
密码: 1wpm
往期推荐:
收藏 | 49 个 Python 学习资源我都逛哪些技术网站?(程序员必备58个网站汇总)肝!精心整理了 50 个数据源网站!
吹爆了这个可视化神器,上手后直接开大~相关推荐
- python烟花视频_版本控制可视化神器Gource:简单易上手,效果恰似烟花秀
原标题:版本控制可视化神器Gource:简单易上手,效果恰似烟花秀 视频加载中,请稍候... 自动播放
- git 可视化工具_版本控制可视化神器Gource:简单易上手,效果恰似烟花秀
鱼羊 发自 凹非寺 量子位 报道 | 公众号 QbitAI 如此华丽的绽放,莫非是一场动画烟火秀? 非也,这其实是GitLab社区版的进化史,7年间82000次commit,尽皆在2.5分钟的视频内展 ...
- Python绘制地图神器,上手直接开大!
来源:凹凸数据 之前给大家介绍过多种Python可视化模块,但使用他们进行地理可视化都很简陋. 所以想要绘制更精美的可视化地图?想在地图上自由的设置各种参数?想获得灵活的交互体验? 今天它就来了,Py ...
- 为什么plotly被称为“有史以来最牛逼”可视化神器?
Plotly,一个用于做分析和可视化的在线平台,曾被网友称为"有史以来最牛逼"可视化神器(具体无从考据,只是在搜索资料时看到的),为何有如此称号?因为它功能强大,功能强大,功能强大 ...
- 2021-04-29 Python绘制柱状图之可视化神器Pyecharts
Python绘制柱状图之可视化神器Pyecharts 昨晚写了关于Matplotlib的可视化,今天推荐一个可视化的利器-pyecharts. 前文链接:Python可视化图表生成-Matplotli ...
- 可视化神器Plotly玩转桑基图
公众号:尤而小屋 作者:Peter 编辑:Peter 大家好,我是Peter呀~ 本文介绍的是利用Plotly绘制一种相对少见的可视化图形:桑基图,这个图形可以说是展现数据流动的利器. 虽然桑基图使用 ...
- Python 数据可视化神器分享:pyecharts
Python 数据可视化神器分享:pyecharts Python 数据可视化神器分享:pyecharts 我们都知道python上的一款可视化工具matplotlib,而前些阵子做一个Spark项目 ...
- Python 可视化神器--Plotly
文 | 潮汐 来源:Python 技术「ID: pythonall」 学习Python是做数分析的最基础的一步,数据分析离不开数据可视化.Python第三方库中我们最常用的可视化库是 pandas,m ...
- 可视化神器Plotly美化表格
公众号:尤而小屋 作者:Peter 编辑:Peter 可视化神器Plotly美化表格 有时候看到一份表格,没有任何的颜色修饰,总觉得缺点美观效果.在Excel中我们可以直接对字体的颜色.大小等进行设置 ...
最新文章
- linux下vsftp
- python子进程通信_python执行子进程实现进程间通信的方法
- JAVA大数_棋盘覆盖
- 电话聊天狂人 (25 分)【简便解法】
- Docker小白到实战之常用命令演示,通俗易懂
- 温故而知新!这篇文章可以满足你80%日常工作!面试真题解析
- pipline 简单是使用
- 【web组件库系列】封装自己的字体图标库
- Android 使用handler实现线程间发送消息 (主线程 与 子线程之间)、(子线程 与 子线程之间)
- bios还原默认设置
- MySQL数据库管理命令和远程管理问题
- 第1章 初始JAVA
- 1、4G杂项:Air72XUX平台secure boot使用说明
- rgb转hsv (Verilog)
- exsi rh2288hv5 驱动_华为RH2288H服务器引导ServiceCD安装Windows Server操作系统
- 【GNN】循序渐进认识SSL
- FTP、FTPS frp(传送协议与内网穿透)
- html5 健身房模板,健身房瘦身HTML模板
- 分析三大移动应用的发展趋势
- 沪江快速手机打字破解版
热门文章
- springboot接口入参下划线转驼峰以及返回参数驼峰转下划线实现
- IDEA加载mysql 报:java.sql.SQLException: Unknown system variable ‘query_cache_size‘
- linux php7 安装redis扩展(php7可以使用自测)
- 《大型网站技术架构》读书笔记二:大型网站架构模式
- PHP实现内部函数explode
- php连接mysql的区别吗_php连接mysql之mysql_connect()与mysqli_connect()的区别
- 虾皮如何注册店铺_虾皮跨境电商怎样注册店铺?做(shopee)虾皮电商靠谱吗
- 江西财经计算机应用杨教授,江西财经大学信息管理学院研究生导师介绍:刘德喜...
- Web文件上传方法总结大全
- mysql8.0 linux 安装教程_linux下mysql8.0安装详细教程