手把手教你用plotly绘制excel中常见的16种图表(下)

大家好，我是才哥。

上一期咱们介绍《手把手教你用plotly绘制excel中常见的16种图表(上)》演示了8种常见图表，今天我们继续演示另外8种常见图表的绘制。

文章目录

1. 树状图
2. 旭日图
3. 直方图
4. 箱线图
5. 瀑布图
6. 漏斗图
7. 股价图
8. 地图

1. 树状图

树状图提供数据的分层视图，并便于识别模式，例如哪些商品是商店的畅销商品。树分支表示为矩形，每个子分支显示为更小的矩形。树状图适合比较层次结构内的比例，但是不适合显示最大类别与各数据点之间的层次结构级别，后面的旭日图可更加直观地显示这些内容。

# 自带数据集 tips
import plotly.express as pxdf = px.data.tips()
df.sample(5)

基础的树状图

import plotly.express as pxdf = px.data.tips()
df["all"] = "all" # in order to have a single root node
fig = px.treemap(df, path=['all', 'sex', 'day', 'time'], # 层级顺序 values='total_bill', # 面积大小用total_bill字段决定)
fig.show()

树状热力图

# 自带数据集 gapminder
df = px.data.gapminder()
df.sample(5)

# 绘制2007年各大洲各国家人口和人均寿命树状热力图
# 色块面积由人口决定，色块颜色由人均寿命决定
import plotly.express as px
import numpy as npdf= px.data.gapminder().query("year == 2007")
df["world"] = "world" # in order to have a single root node
fig = px.treemap(df, path=['world', 'continent', 'country'], values='pop',color='lifeExp', hover_data=['iso_alpha'],color_continuous_scale='RdBu',color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()

2. 旭日图

旭日图非常适合显示分层数据，层次结构的每个级别均通过一个环或圆形表示，最内层的圆表示层次结构的顶级。不含任何分层数据（类别的一个级别）的旭日图与圆环图类似，但具有多个级别的类别的旭日图显示外环与内环的关系。旭日图在显示一个环如何被划分为作用片段时最有效，而另一种类型的分层图表树状图适合比较相对大小。

列表字典数据绘制旭日图

# 列表字典数据绘制旭日图
import plotly.express as pxdata = dict(character=["Eve", "Cain", "Seth", "Enos", "Noam", "Abel", "Awan", "Enoch", "Azura"],parent=["", "Eve", "Eve", "Seth", "Seth", "Eve", "Eve", "Awan", "Eve" ],value=[10, 14, 12, 10, 2, 6, 6, 4, 4])fig =px.sunburst(data,names='character',parents='parent',values='value',
)
fig.show()

pd.Dataframe类型数据下绘制旭日图

# pd.Dataframe类型数据下绘制 旭日图
import plotly.express as pxdf = px.data.tips()
fig = px.sunburst(df, path=['day', 'time', 'sex'], values='total_bill')
fig.show()

旭日热力图

# 绘制2007年各大洲各国家人口和人均寿命旭日热力图
# 色块面积由人口决定，色块颜色由人均寿命决定
import plotly.express as px
import numpy as npdf = px.data.gapminder().query("year == 2007")
fig = px.sunburst(df, path=['continent', 'country'], values='pop',color='lifeExp', hover_data=['iso_alpha'],color_continuous_scale='RdBu',color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()

3. 直方图

直方图是显示频率数据的柱状图。

# 绘制total_bill直方图
import plotly.express as pxdf = px.data.tips()
fig = px.histogram(df, x="total_bill")
fig.show()

自定义分组nbins

# 分组，参数nbins
import plotly.express as pxdf = px.data.tips()
fig = px.histogram(df, x="total_bill", nbins=20, # 分成20组)
fig.show()

离散分类直方图

# 如果对离散或分类特征数据进行直方图绘制，和柱状图差不多
import plotly.express as pxdf = px.data.tips()
fig = px.histogram(df, x="day", # day 是星期，是 分类 数据)
fig.show()

4. 箱线图

箱型图又称盒须图，用于显示数据到四分位点的分布，突出显示平均值和离群值。箱形可能具有可垂直延长的名为“须线”的线条。这些线条指示超出四分位点上限和下限的变化程度，处于这些线条或须线之外的任何点都被视为离群值。

# 箱型图，以total_bill字段绘制
import plotly.express as pxdf = px.data.tips()
fig = px.box(df, y="total_bill")
fig.show()

# 以time字段拆分，并用颜色区分
import plotly.express as pxdf = px.data.tips()
fig = px.box(df, x="time",  # 以 time字段拆分y="total_bill", color = 'time', # time字段区分颜色)
fig.show()

5. 瀑布图

瀑布图显示加上或减去值时的累计汇总，在理解一系列正值和负值对初始值（例如，净收入）的影响时，这种图表非常有用。

列采用彩色编码，可以快速将正数与负数区分开来。初始值和最终值列通常从水平轴开始，而中间值则为浮动列。由于拥有这样的“外观”，瀑布图也称为桥梁图。

在plotly.express中暂时没有瀑布图，我们需要用到plotly.graph_objects。

import plotly.graph_objects as gofig = go.Figure(go.Waterfall(name = "20", orientation = "v",measure = ["relative", "relative", "total", "relative", "relative", "total"],x = ["Sales", "Consulting", "Net revenue", "Purchases", "Other expenses", "Profit before tax"],textposition = "outside",text = ["+60", "+80", "", "-40", "-20", "Total"],y = [60, 80, 0, -40, -20, 0],connector = {"line":{"color":"rgb(63, 63, 63)"}},
))fig.update_layout(title = "Profit and loss statement 2018",showlegend = True
)fig.show()

6. 漏斗图

漏斗图显示流程中多个阶段的值。

例如，可以使用漏斗图来显示游戏注册付费流程中每个阶段的潜在玩数。通常情况下，值逐渐减小，从而使条形图呈现出漏斗形状。

基础漏斗图

# 基础漏斗图
import plotly.express as pxdata = dict(number=[39, 27.4, 20.6, 11, 2],stage=["Website visit", "Downloads", "Potential customers", "Requested price", "invoice sent"])
fig = px.funnel(data, x='number', # 值y='stage', # 阶段)
fig.show()

多漏斗图对比

这里我们演示直接从pd.Dataframe类型数据操作绘制的情况

# 构建测试数据 pd.Dataframe类型
import pandas as pdstages = ["点击", "下载", "安装", "注册", "付费"]
df_mtl = pd.DataFrame(dict(number=[39, 27.4, 20.6, 11, 3], stage=stages))
df_mtl['office'] = '快手'
df_toronto = pd.DataFrame(dict(number=[52, 36, 18, 14, 5], stage=stages))
df_toronto['office'] = '抖音'
df = pd.concat([df_mtl, df_toronto], axis=0)df.sample(5)

import plotly.express as pxfig = px.funnel(df, x='number', y='stage', color='office')
fig.show()

7. 股价图

以特定顺序排列在工作表的列或行中的数据可以绘制为股价图。

顾名思义，股价图可以显示股价的波动。不过这种图表也可以显示其他数据（如日降雨量和每年温度）的波动，必须按正确的顺序组织数据才能创建股价图。

在plotly.express中暂时没有瀑布图，我们需要用到plotly.graph_objects。

import plotly.graph_objects as goimport pandas as pd
from datetime import datetime# 获取案例数据
df = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/master/finance-charts-apple.csv')
df.head()

# 绘制简单的 股价图
import plotly.graph_objects as gofig = go.Figure(data=[go.Candlestick(x=df['Date'],open=df['AAPL.Open'],high=df['AAPL.High'],low=df['AAPL.Low'],close=df['AAPL.Close'])])
fig.show()

取消滑块控件

# 去掉滑块控件
import plotly.graph_objects as gofig = go.Figure(data=[go.Candlestick(x=df['Date'],open=df['AAPL.Open'], high=df['AAPL.High'],low=df['AAPL.Low'], close=df['AAPL.Close'])])
fig.update_layout(xaxis_rangeslider_visible=False)
fig.show()

8. 地图

可使用地图图表比较值并跨地理区域显示类别。

数据中含有地理区域（如国家/地区、省/自治区/直辖市、县或邮政编码）时使用地图图表。

plotly的地图绘制形式有很多种，这里不做更详细的介绍，我们后续再找个时间详细讲解。

这里用此前《北京8万二手房售价分析》里出现过的上海二手房经纬度数据来进行地图点的绘制，这份数据大家也可以回复0306获取。

import plotly.express as pxdf = pd.read_excel(r'F:\PythonCool\可视化\上海二手房经纬度.xlsx')
df.head()

# 绘制地图散点图
import plotly.express as pxfig = px.scatter_mapbox(df, lat="纬度", lon="经度",color='均价',color_discrete_sequence=["均价"], color_continuous_scale='Reds',range_color = [30000, 150000],zoom=8, height=800)
fig.update_layout(mapbox_style="open-street-map") # 开启街道网格
fig.show()

以上就是本期的全部内容，如果大家想更加深入了解plotly可视化操作，建议直接前往官网查看案例做演示，真的很全哦。

最后，顺手点个赞吧~