点击关注了解更多精彩内容！！

大家好，基于Python的数据科学实践课程又到来了，大家尽情学习吧。本期内容主要由智亿同学与政委联合推出。

本次将继续学习如何用Plotly绘制更加美观的统计图。具体的，我们讲学会如何使用Plotly绘制主流图形。

绘制箱线图

还记得在Matplotlib小节，绘制箱线图的步骤吗？接下来，我们一起学习如何绘制箱线图。这里只展示与上一小节略有区别的参数，未展示的参数可以认为是一致的。

表1 箱线图go.Box()

例1 箱线图

 1def group_buyer(x): 2    if x 500: 3        return 0 4    if x 1000: 5        return 1 6    if x 1500: 7        return 2 8    if x 2000: 9        return 310    else:11        return None1213# 分组14merge_data['购买人数等级'] = merge_data['购买人数'].apply(group_buyer)1516# 1、设置图的layout17layout = go.Layout(18    title = '购买人数等级评价数关系图',19    xaxis = {20        'title': '购买人数等级',21    },22     yaxis = {23         'title': '评价数',24         'range': [0, 1500]25     },26     showlegend = True27)2829# 2、画图30trace1 = go.Box(31    x = merge_data['购买人数等级'],32    y = merge_data['评价数'],3334    marker = {35        'color': 'blue',36    },37    name = '购买人数等级',38)394041fig = go.Figure(data=[trace1], layout=layout)42iplot(fig)

运行结果如图1。

图1 箱线图

每个箱体颜色都一样，看起来一点都不高端大气上档次，让我们来点美化！

例2 箱线图美化

 1d1 = merge_data['评价数'][merge_data['购买人数'] 500] 2d2 = merge_data['评价数'][merge_data['购买人数'] >= 500][merge_data['购买人数'] 1000] 3d3 = merge_data['评价数'][merge_data['购买人数'] >= 1000][merge_data['购买人数'] 1500] 4d4 = merge_data['评价数'][merge_data['购买人数'] >= 1500][merge_data['购买人数'] 2000] 5ys = [d1, d2, d3, d4] 6xs = [1, 2, 3, 4] 7 8import numpy as np  9colors = ['hsl('+str(h)+',50%'+',50%)' for h in linspace(0, 360, 4)]1011# 1、设置图的layout12layout = go.Layout(13    title = '购买人数等级评价数关系图',14    xaxis = {15        'title': '购买人数等级',16    },17     yaxis = {18         'title': '评价数',19         'range': [0, 1500]20     },21     showlegend = True22)2324# 2、画图25traces = []26for x, y, c in zip(xs, ys, colors):27    trace = go.Box(28        y = y, 29        marker = {30            'color': c,31        },32        name = x,33        boxpoints = 'all'34    )35    traces.append(trace)3637fig = go.Figure(data=traces, layout=layout)38iplot(fig)

运行结果如图2。

图2 箱线图美化

是不是瞬间又提升了逼格呢 :-)。构建不同颜色的箱线图，首先得把每组数据分好，再通过for循环的方式插入Trace，这样就调用4次go.Box()函数，最终画在一幅图上。因为每次调用Box函数时，只画一组数据点，所以x就不用设置了(没有分组数据了)。

绘制柱状图(多子图)

在Matplotlib小节，柱状图使用了两个子图。到目前为止，我们并没有使用Plotly进行子图绘制，接下来，我们一起学习如何用Plotly绘制多子图柱状图。再次强调，共同的参数在此不再罗列。

表2 柱状图的Layout参数

表3 多子图

例3 柱状图

 1from plotly import tools 2 3width = 0.25 4labels = ['人均', '团购价', '评价数', '购买人数'] 5ticks = [0.25, 1.25, 2.25] 6ticklabels = ['低评分', '中评分', '高评分'] 7 8trace1 = go.Bar( 9    x = ticklabels,10    y = data_for_bar[labels[0]],11    width = width,12    name = labels[0]13)14trace2 = go.Bar(15    x = ticklabels,16    y = data_for_bar[labels[1]],17    name = labels[1]18)19trace3 = go.Bar(20    x=ticklabels,21    y=data_for_bar[labels[2]],22    width = width,23    name = labels[2]24)25trace4 = go.Bar(26    x=ticklabels,27    y=data_for_bar[labels[3]],28    width = width,29    name = labels[3]30)3132data = [trace1, trace2, trace3, trace4]33fig = tools.make_subplots(rows=1, cols=2, subplot_titles=('团购价商家等级', '购买人数商家等级'))34fig.append_trace(trace1, 1, 1)35fig.append_trace(trace2, 1, 1)36fig.append_trace(trace3, 1, 2)37fig.append_trace(trace4, 1, 2)3839# 注意多子图情况下，layout中的xy轴一定要带1,2,3，比如xaxis1代表第一幅图的x轴。40fig['layout'].update(41    title = '多子图绘制',42    xaxis1 = {43        'title': '商家等级',44    },45    yaxis1 = {46        'title': '团购价',47        'range': [0, 160]48    },49    xaxis2 = {50        'title': '商家等级',51    },52    yaxis2 = {53        'title': '购买人数',54        'range': [0, 350]55    },56    showlegend = True,57    barmode = 'group',58    bargap = 0.5,59)6061iplot(fig)

运行结果如图3所示。

图3 柱状图

注意，这里由于每个Trace要指定到相应的子图上，所以Figure对象要提前于Layout创建，Layout的修改要使用update的方法进行修改。

在上一节，我们利用了Matplolib进行循环的方式绘制多子图柱状图，这里如何使用Plotly进行循环呢？赶紧动手试一试！

绘制饼图、直方图

饼图、直方图的参数设置比较简单。

表4 饼图

例4 饼图

 1# 1、设置图的layout 2layout = go.Layout( 3    title = '商家评分等级', 4    showlegend = True 5) 6 7trace1 = go.Pie( 8    labels = ['中低评分', '高评分'], 9    values = [9, 151],10    hoverinfo = 'label+percent', textinfo = 'value', 11    textfont = dict(size=20),12    marker = {13        'colors': ['#FEBFB3', '#E1396C'],14        'line': {15            'width': 2,16            'color': '#fff'17        }18    },19)2021fig = go.Figure(data=[trace1], layout=layout)22iplot(fig)

运行结果如图4所示。

图4 饼图

再来看看直方图。

表5 直方图

例5 直方图

 1# 1、设置图的layout 2layout = go.Layout( 3    title = '商家评分等级', 4    showlegend = True, 5    width = 600, 6    height = 400, 7    yaxis = { 8        'range': [0, 160], 9    }10)1112trace1 = go.Histogram(13    x = merge_data2['评分'],14    name = '商家评分',15    nbinsx = 30,16    cumulative = {17        'enabled': True,18        'direction': 'increasing',19    },20    xbins = {21        'start': 0,22        'end': 5,23        'size': 0.1,24    },25    marker = {26        'color': 'red',27        'line': {28            'color': 'yellow',29            'width': 0.530        }31    }32)3334fig = go.Figure(data=[trace1], layout=layout)35iplot(fig)

运行结果如图5。

图5 直方图

总结

整体来说，只要理解了Plotly的基于Json的实现方法，学习起来几乎没有什么难度。可能有小伙伴会觉得：Plotly参数这么多，记起来真难且慢。在你想说完这句话前，请把之前小节的参数说明再过一遍，Layout参数其实只有8个常用的，Scatter()、Box()、Bar()、Pie()、Histogram()这五个图形至少有一半参数是共通的(比如marker、text)，不一样的只是图形的输入和排列方式，稍加运用即可熟练掌握。

此外，Plotly还近百种图形，地图、3D图、网状图、蜡烛图，甚至动态图也不在画下。无论是什么专业，一定有你满意的图形！

好了，今天就讲到这里。

—END—

作业：打开Plotly官网，并找到其中的绘图例子。找到你喜欢的一个例子(例如如下社交网络图)，学习绘制这样的图形。

▼往期精彩回顾▼初步搭建数据科学工作环境

Conda的使用

Spyder入门

Jupyter入门

Markdown

简单读写数据

数据类型

数据结构

控制流

函数与模块

Numpy

pandas1

pandas2

pandas3

pandas4

绘图模块1

绘图模块2

绘图模块3