完全免费,简化版Plotly推出,秒绘各类可视化图表
作者 | Peter
来源 | Python编程时光
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。
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
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
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 pdimport numpy as npimport 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"] / 100px.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()
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()
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
总结
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。
更多精彩推荐
AI化身监工,上班还能摸鱼吗?
再不参与就晚了!!2020年结束前最后一波内测福利!人人有份!
赠书 | 实现病人数据自动分析建模,Python能做的比你想象得更多
为什么苹果M1芯片这么快?
揭秘 AWS 基础架构底层运维和构建之道!
完全免费,简化版Plotly推出,秒绘各类可视化图表相关推荐
- 深度学习数据驱动_利用深度学习实现手绘数据可视化的生成
前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 Sketchify) 那么问题来了,很多的chart是以Canvas ...
- 比较两组数据的差异用什么图更直观_用好这11种可视化图表,数据可视化技能秒提升...
可视化不是单纯的数据展示,其真正价值是设计出可以被读者轻松理解的数据展示.数据与合适的图形结合,不仅能够让复杂的统计数字简单化.形象化,还能给读者一种视觉的享受. 今天,就让我们根据数据分析软件亿信A ...
- Plotly:最强Python可视化库,没有之一
之前一直使用 matplotlib,这也导致我花费了不知多少个深夜,在 StackOverflow 上搜索如何"格式化日期"或"增加第二个Y轴",使用 matp ...
- 利用深度学习实现手绘数据可视化的生成
个人博客导航页(点击右侧链接即可打开个人博客):大牛带你入门技术栈 前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 ...
- 实战技术:利用深度学习实现手绘数据可视化的生成
个人博客导航页(点击右侧链接即可打开个人博客):大牛带你入门技术栈 前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 ...
- excel中如何动态地创建控件以显示查询结果_年终汇报,Excel图表真难搞?80份可视化图表帮你10秒搞定...
最近分享了20个EXCEL图表的详细制作方法,这些图表是我在工作中经常用到的,因为工作中要处理大量的数据,常常要做PPT向领导汇报工作,有时接到通知就要汇报了,给我们的只有准备会场和通知参会人员的时间 ...
- R语言plotly可视化:plotly可视化基本散点图(指定图像类型、模式)、plotly可视化散点图(为不同分组数据配置不同的色彩)、ggplotly使用plotly包呈现ggplot2的可视化结果
R语言plotly可视化:plotly可视化基本散点图(指定图像类型.模式).plotly可视化散点图(为不同分组数据配置不同的色彩).ggplotly使用plotly包呈现ggplot2的可视化结果 ...
- 0基础小白都说简单!10秒做好酷炫图表,可视化工具帮了大忙
0基础小白,10秒做好酷炫图表,动态可视化工具帮了大忙. 优秀的数据可视化,选择正确的图表类型是第一步. 再酷炫,再黑科技的可视化大屏,不也是一个个图表组成的吗? 图表制作,其实要说难也不算太难,但是 ...
- 吐血整理:24种可视化图表优缺点对比,一图看懂!
来源:大数据DT 本文约3900字,建议阅读7分钟 史上最全图表类型术语&指南来了! 安德鲁·阿伯拉(Andrew Abela)制作的<这份指南>(This Guide)是思考图表 ...
最新文章
- 科技业务同比增长超20%,中国平安“金融+科技”成了吗?
- python seaborn_Python数据可视化,seaborn如何做出非常规图表
- 怎么调节电机启动值_开关式智能充电机-全自动充电机-铅酸电池充电机品牌-济南能华...
- java文件选择器_java中文件选择器JFileChooser的用法
- Go 编码建议——性能篇
- 点评一下阿提亚和黎曼猜想
- el table 固定表头和首行_el-table 固定表头
- MaxCompute SQL引用第三方Base64JAR实现编解码
- 耿建超英语语法---时态+疑问句
- 恭喜马斯克、纳德拉当选美国工程院院士,张宏江、方岱宁入选外籍院士
- java短信发送接口代码示例demo分享
- python读取包含层级关系的excel
- App设计的基本原则和规范
- HTML中常见的选择器 的优先级
- 有关计算机软件的心得1500,plc心得体会1500字
- python计算1的平方减2的平方加3的平方减4的平方怎么算_计算1的平方减2的平方加3的平方减4的平方 – 手机爱问...
- 四旋翼自主飞行器探测跟踪系统项目的随笔
- Freemarker静态页面使用方法详解+指令
- 许多大学仍不愿接受加密货币捐赠
- 《出版专业基础》2015年版(初级)思考与练习 第五章
热门文章
- MySQL:一个死锁分析 (未分析出来的死锁)
- js canvas游戏初级demo-上下左右移动
- [数位dp] spoj 10738 Ra-One Numbers
- 一些关于Hibernate延迟加载的误区
- Androidstudio下Generate signed apk提示Error: Expected resource of type id [ResourceType]解决办法...
- 本地连接受限制或无法连接怎么办?
- oracle netca 乱码,Oracle 11g 安装及netca,dbca乱码之解决
- maven的配置-2019-4-13
- Sql Server函数全解(四)日期和时间函数
- App调用safar