Chinaunix首页 | 论坛 | 博客
  • 博客访问: 7674
  • 博文数量: 51
  • 博客积分: 0
  • 博客等级: 民兵
  • 技术积分: 255
  • 用 户 组: 普通用户
  • 注册时间: 2020-12-30 16:49
文章分类
文章存档

2021年(48)

2020年(3)

我的朋友

分类: Python/Ruby

2021-01-09 15:09:18



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。


>本期小编推送2021初学者一定会用到的Python资料,含有小编自己呕心沥血整理的免费书籍/视频/在线文档和编辑器/源代码,关于`Python`的安装qun:850973621




本文中介绍的一个可视化神器:`plotly_express`,将会从以下几个方面进行讲解:


*   `plotly_express`简介
*   `plotly_express`安装
*   基于`plotly_express`绘制多种图形


## 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
复制代码
```


## 2\. 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  
复制代码
```


## 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
复制代码
```


[图片上传中...(image-29b5fe-1610175950383-38)]


我们看看全部属性值:


[图片上传中...(image-a5777a-1610175950383-37)]


### 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()
复制代码
```


[图片上传中...(image-9e6fc4-1610175950382-36)]


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()
复制代码
```


[图片上传中...(image-2658c1-1610175950382-35)]


### 3.3 散点图


散点图的制作调用`scatter`方法:


[图片上传中...(image-d08e3c-1610175950382-34)]


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
)
复制代码
```


[图片上传中...(image-52070c-1610175950382-33)]


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")
)
复制代码
```


[图片上传中...(image-f91538-1610175950382-32)]


### 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
             )
复制代码
```


[图片上传中...(image-d470d6-1610175950382-31)]


```
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()
复制代码
```


[图片上传中...(image-d1aa0d-1610175950382-30)]


```
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
)
复制代码
```


[图片上传中...(image-ddb7e8-1610175950382-29)]


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()
复制代码
```


[图片上传中...(image-8522da-1610175950382-28)]


### 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:


[图片上传中...(image-48da28-1610175950382-27)]


**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()
复制代码
```


[图片上传中...(image-f5d7b5-1610175950382-26)]


通过color参数来显示不同的颜色:


[图片上传中...(image-ff252c-1610175950382-25)]


### 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
)
复制代码
```


[图片上传中...(image-87b40f-1610175950382-24)]


### 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
)
复制代码
```


[图片上传中...(image-2abb63-1610175950382-23)]


### 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
复制代码
```


[图片上传中...(image-29082-1610175950382-22)]


### 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)
复制代码
```


[图片上传中...(image-ff5a67-1610175950382-21)]


### 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
          )
复制代码
```


[图片上传中...(image-f7cd26-1610175950382-20)]


### 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
)
复制代码
```


[图片上传中...(image-a3dc2d-1610175950382-19)]


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
                  )
复制代码
```


[图片上传中...(image-3b0d35-1610175950381-18)]


### 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
                  )
复制代码
```


[图片上传中...(image-79ca63-1610175950381-17)]


### 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:


[图片上传中...(image-c95146-1610175950381-16)]


```
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()
复制代码
```


### 3.14 柱状图


[图片上传中...(image-36ba73-1610175950381-15)]


[图片上传中...(image-d0da6b-1610175950381-14)]


```
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()
复制代码
```


[图片上传中...(image-6e4c89-1610175950381-13)]


### 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()
复制代码
```


[图片上传中...(image-43a4ac-1610175950381-12)]


### 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
复制代码
```


[图片上传中...(image-bdd8e8-1610175950381-11)]


```
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
      )
复制代码
```


[图片上传中...(image-bf0d2d-1610175950381-10)]


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
复制代码
```


[图片上传中...(image-57d73f-1610175950381-9)]


### 3.17 极坐标图


在这里我们使用的是内置的wind数据:


[图片上传中...(image-25cc0d-1610175950381-8)]


**散点极坐标图**


[图片上传中...(image-a9a3a2-1610175950381-7)]


**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()
复制代码
```


[图片上传中...(image-3288c1-1610175950381-6)]


**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()
复制代码
```


[图片上传中...(image-8b83d3-1610175950381-5)]


## 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()
复制代码
```


[图片上传中...(image-24f0d7-1610175950381-4)]


```
px.colors.sequential.swatches()
复制代码
```






## 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
复制代码
```


![image.png](https://upload-images.jianshu.io/upload_images/25205170-f65dbf39c94f6d6a.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)




```
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    
复制代码
```


![image.png](https://upload-images.jianshu.io/upload_images/25205170-26992ba52f9b52bc.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)




```
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   
复制代码
```


![image.png](https://upload-images.jianshu.io/upload_images/25205170-ff613d6a019123b4.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)




## 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.


原文链接:https://juejin.cn/post/6906832296147025933

阅读(86) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~