作者丨Liana Mehrabyan

来源丨TowardsDataScience

编译丨机器之心   参与丨Panda

数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果，但如果只有单调乏味的文本和数字，我们却往往能难抓住观众的眼球。而很多时候，一张漂亮的可视化图表就足以胜过千言万语。本文将介绍 5 种基于 Plotly 的可视化方法，你会发现，原来可视化不仅可用直方图和箱形图，还能做得如此动态好看甚至可交互。

对数据科学家来说，讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人，我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍 5 种非传统的可视化技术，可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库（也可通过 R 使用），让你可以毫不费力地生成动画图表和交互式图表。

那么，Plotly 有哪些好处？Plotly 的整合能力很强：可与 Jupyter Notebook 一起使用，可嵌入网站，并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。

安装库

如果你还没安装 Plotly，只需在你的终端运行以下命令即可完成安装：

pip install plotly

安装完成后，就开始使用吧！

动画

在研究这个或那个指标的演变时，我们常涉及到时间数据。Plotly 动画工具仅需一行代码就能让人观看数据随时间的变化情况，如下图所示：

代码如下：

import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,y="Entity",x="Deaths",animation_frame="Year",orientation='h',range_x=[0, df.Deaths.max()],color="Entity")
# improve aesthetics (size, grids etc.)
fig.update_layout(width=1000,height=800,xaxis_showgrid=False,yaxis_showgrid=False,paper_bgcolor='rgba(0,0,0,0)',plot_bgcolor='rgba(0,0,0,0)',title_text='Evolution of Natural Disasters',showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()

只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子：

import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(df,x="gdpPercap",y="lifeExp",animation_frame="year",size="pop",color="continent",hover_name="country",log_x=True,size_max=55,range_x=[100, 100000],range_y=[25, 90],#   color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,height=800,xaxis_showgrid=False,yaxis_showgrid=False,paper_bgcolor='rgba(0,0,0,0)',plot_bgcolor='rgba(0,0,0,0)')

太阳图

太阳图（sunburst chart）是一种可视化 group by 语句的好方法。如果你想通过一个或多个类别变量来分解一个给定的量，那就用太阳图吧。

假设我们想根据性别和每天的时间分解平均小费数据，那么相较于表格，这种双重 group by 语句可以通过可视化来更有效地展示。

这个图表是交互式的，让你可以自己点击并探索各个类别。你只需要定义你的所有类别，并声明它们之间的层次结构（见以下代码中的 parents 参数）并分配对应的值即可，这在我们案例中即为 group by 语句的输出。

import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],parents=["", "", "Female", "Female", 'Male', 'Male'],values=np.append(df.groupby('sex').tip.mean().values,df.groupby(['sex', 'time']).tip.mean().values),marker=dict(colors=px.colors.sequential.Emrld)),layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',plot_bgcolor='rgba(0,0,0,0)'))fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()

现在我们向这个层次结构再添加一层：

为此，我们再添加另一个涉及三个类别变量的 group by 语句的值。

import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat','Sun', 'Thu', 'Fri ', 'Thu ', 'Fri  ', 'Sat  ', 'Sun  ', 'Fri   ', 'Thu   '
],parents=["", "", "Female", "Female", 'Male', 'Male','Dinner', 'Dinner', 'Dinner', 'Dinner','Lunch', 'Lunch', 'Dinner ', 'Dinner ','Dinner ', 'Lunch ', 'Lunch '],values=np.append(np.append(df.groupby('sex').tip.mean().values,df.groupby(['sex','time']).tip.mean().values,),df.groupby(['sex', 'time','day']).tip.mean().values),marker=dict(colors=px.colors.sequential.Emrld)),layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),title_text='Tipping Habbits Per Gender, Time and Day')fig.show()

平行类别

另一种探索类别变量之间关系的方法是以下这种流程图。你可以随时拖放、高亮和浏览值，非常适合演示时使用。

代码如下：

import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_categories(df,dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],color="Genre_id",color_continuous_scale=px.colors.sequential.Emrld,
)
fig.show()

平行坐标图

平行坐标图是上面的图表的连续版本。这里，每一根弦都代表单个观察。这是一种可用于识别离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比如如果两个变量在每个观察上的值都相近，那么它们将位于同一水平线上，表示存在冗余）的好用工具。

代码如下：

 import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_coordinates(df,dimensions=['IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min','US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'],color='IMDB_Rating',color_continuous_scale=px.colors.sequential.Emrld)
fig.show()

量表图和指示器

量表图仅仅是为了好看。在报告 KPI 等成功指标并展示其与你的目标的距离时，可以使用这种图表。

指示器在业务和咨询中非常有用。它们可以通过文字记号来补充视觉效果，吸引观众的注意力并展现你的增长指标。

 import plotly.graph_objects as go
fig = go.Figure(go.Indicator(domain = {'x': [0, 1], 'y': [0, 1]},value = 4.3,mode = "gauge+number+delta",title = {'text': "Success Metric"},delta = {'reference': 3.9},gauge = {'bar': {'color': "lightgreen"},'axis': {'range': [None, 5]},'steps' : [{'range': [0, 2.5], 'color': "lightgray"},{'range': [2.5, 4], 'color': "gray"}],}))
fig.show()

原文链接：https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41

代码已经奉献，有兴趣同学可以尝试这几种不同的可视化图哦！

END
最后说个题外话，相信大家都知道视频号了，随着灰度范围扩大，越来越多的小伙伴都开通了视频号。小詹也开通了一个视频号，会分享互联网那些事、读书心得与副业经验，欢迎扫码关注，和小詹一起向上生长！「没有开通发布权限的尽量多互动，提升活跃度可以更快开通哦」（听我一分钟，生活更轻松）（扫码回复 1024 即可领取IT资料包）