以下文章來源於Python編程時光 ,作者Peter
今天給大家推薦一個可視化神器 - Plotly_express ,上手非常的簡單,基本所有的圖都只要一行代碼就能繪出一張非常酷炫的可視化圖。
以下是這個神器的詳細使用方法,文中附含大量的 GIF 動圖示例圖。
以下是這個神器的詳細使用方法,文中附含大量的 GIF 動圖示例圖。
1. 環境准備
本文的是在如下環境下測試完成的。- Python3.7
- Jupyter notebook
- Pandas1.1.3
- Plotly_express0.4.1
$ python3 -m pip install plotly_express
2. 工具概述
在說plotly_express
之前,我們先了解下
plotly
。
Plotly
是新一代的可視化神器,由
TopQ
量化團隊開源。雖然
Ploltly
功能非常之強大,但是一直沒有得到重視,主要原因還是其設置過於繁瑣。因此,
Plotly
推出了其簡化接口:
Plotly_express
,下文中統一簡稱為
px
。
px
是對
Plotly.py
的一種高級封裝,其內置了很多實用且現代的繪圖模板,用戶只需要調用簡單的API函數即可實用,從而快速繪制出漂亮且動態的可視化圖表。
px
是完全免費的,用戶可以任意使用它。最重要的是,
px
和
plotly
生態系統的其他部分是完全兼容的。用戶不僅可以在
Dash
中使用,還能通過
Orca
將數據導出為幾乎任意文件格式。官網的學習資料:https://plotly.com/px的安裝是非常簡單的,只需要通過
pip install plotly_express
來安裝即可。安裝之后的使用:
import plotly_express as px
3. 開始繪圖
接下來我們通過px中自帶的數據集來繪制各種精美的圖形。- gapminder
- tips
- wind
3.1 數據集
首先我們看下px
中自帶的數據集:
import pandas as pd import numpy as np import plotly_express as px # 現在這種方式也可行:import plotly.express as px # 數據集 gapminder = px.data.gapminder() gapminder.head() # 取出前5條數據
我們看看全部屬性值:

3.2 線型圖
線型圖line在可視化制圖中是很常見的。利用px能夠快速地制作線型圖:# line 圖 fig = px.line( gapminder, # 數據集 x="year", # 橫坐標 y="lifeExp", # 縱坐標 color="continent", # 顏色的數據 line_group="continent", # 線性分組 hover_name="country", # 懸停hover的數據 line_shape="spline", # 線的形狀 render_mode="svg" # 生成的圖片模式 ) fig.show()

再來制作面積圖:
# area 圖 fig = px.area( gapminder, # 數據集 x="year", # 橫坐標 y="pop", # 縱坐標 color="continent", # 顏色 line_group="country" # 線性組別 ) fig.show()

3.3 散點圖
散點圖的制作調用scatter
方法:


指定size參數還能改變每個點的大小:
px.scatter( gapminder2007 # 繪圖DataFrame數據集 ,x="gdpPercap" # 橫坐標 ,y="lifeExp" # 縱坐標 ,color="continent" # 區分顏色 ,size="pop" # 區分圓的大小 ,size_max=60 # 散點大小 )


facet_col
、
animation_frame
參數還能將散點進行分塊顯示:
px.scatter( gapminder # 繪圖使用的數據 ,x="gdpPercap" # 橫縱坐標使用的數據 ,y="lifeExp" # 縱坐標數據 ,color="continent" # 區分顏色的屬性 ,size="pop" # 區分圓的大小 ,size_max=60 # 圓的最大值 ,hover_name="country" # 圖中可視化最上面的名字 ,animation_frame="year" # 橫軸滾動欄的屬性year ,animation_group="country" # 標注的分組 ,facet_col="continent" # 按照國家country屬性進行分格顯示 ,log_x=True # 橫坐標表取對數 ,range_x=[100,100000] # 橫軸取值范圍 ,range_y=[25,90] # 縱軸范圍 ,labels=dict(pop="Populations", # 屬性名字的變化,更直觀 gdpPercap="GDP per Capital", lifeExp="Life Expectancy") )


3.4 地理數據繪圖
在實際的工作中,我們可能會接觸到中國地圖甚至是全球地圖,使用px也能制作:px.choropleth( gapminder, # 數據集 locations="iso_alpha", # 配合顏色color顯示 color="lifeExp", # 顏色的字段選擇 hover_name="country", # 懸停字段名字 animation_frame="year", # 注釋 color_continuous_scale=px.colors.sequential.Plasma, # 顏色變化 projection="natural earth" # 全球地圖 )


fig = px.scatter_geo( gapminder, # 數據 locations="iso_alpha", # 配合顏色color顯示 color="continent", # 顏色 hover_name="country", # 懸停數據 size="pop", # 大小 animation_frame="year", # 數據幀的選擇 projection="natural earth" # 全球地圖 ) fig.show()


px.scatter_geo(gapminder, # 數據集 locations="iso_alpha", # 配和color顯示顏色 color="continent", # 顏色的字段顯示 hover_name="country", # 懸停數據 size="pop", # 大小 animation_frame="year" # 數據聯動變化的選擇 #,projection="natural earth" # 去掉projection參數 )


fig = px.line_geo( gapminder2007, # 數據集 locations="iso_alpha", # 配合和color顯示數據 color="continent", # 顏色 projection="orthographic") # 球形的地圖 fig.show()


3.5 使用內置iris數據
我們先看看怎么使用px來查看內置數據的文檔:

選擇兩個屬性制圖
選擇兩個屬性作為橫縱坐標來繪制散點圖fig = px.scatter( iris, # 數據集 x="sepal_width", # 橫坐標 y="sepal_length" # 縱坐標 ) fig.show()



3.6 聯合分布圖
我們一個圖形中能夠將散點圖和直方圖組合在一起顯示:px.scatter( iris, # 數據集 x="sepal_width", # 橫坐標 y="sepal_length", # 縱坐標 color="species", # 顏色 marginal_x="histogram", # 橫坐標直方圖 marginal_y="rug" # 細條圖 )


3.7 小提琴圖
小提琴圖能夠很好的顯示數據的分布和誤差情況,一行代碼利用也能顯示小提琴圖:px.scatter( iris, # 數據集 x="sepal_width", # 橫坐標 y="sepal_length", # 縱坐標 color="species", # 顏色 marginal_y="violin", # 縱坐標小提琴圖 marginal_x="box", # 橫坐標箱型圖 trendline="ols" # 趨勢線 )


3.8 散點矩陣圖
px.scatter_matrix( iris, # 數據 dimensions=["sepal_width","sepal_length","petal_width","petal_length"], # 維度選擇 color="species") # 顏色


3.9 平行坐標圖
px.parallel_coordinates( iris, # 數據集 color="species_id", # 顏色 labels={"species_id":"Species", # 各種標簽值 "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 箱體誤差圖
# 對當前值加上下兩個誤差值 iris["e"] = iris["sepal_width"] / 100 px.scatter( iris, # 繪圖數據集 x="sepal_width", # 橫坐標 y="sepal_length", # 縱坐標 color="species", # 顏色值 error_x="e", # 橫軸誤差 error_y="e" # 縱軸誤差 )


3.11 等高線圖
等高線圖反映數據的密度情況:px.density_contour( iris, # 繪圖數據集 x="sepal_width", # 橫坐標 y="sepal_length", # 縱坐標值 color="species" # 顏色 )


px.density_contour( iris, # 數據集 x="sepal_width", # 橫坐標值 y="sepal_length", # 縱坐標值 color="species", # 顏色 marginal_x="rug", # 橫軸為線條圖 marginal_y="histogram" # 縱軸為直方圖 )

3.12 密度熱力圖
px.density_heatmap( iris, # 數據集 x="sepal_width", # 橫坐標值 y="sepal_length", # 縱坐標值 marginal_y="rug", # 縱坐標值為線型圖 marginal_x="histogram" # 直方圖 )


3.13 並行類別圖
在接下來的圖形中我們使用的小費tips實例,首先是導入數據:

fig = px.parallel_categories( tips, # 數據集 color="size", # 顏色 color_continuous_scale=px.colors.sequential.Inferno) # 顏色變化取值 fig.show()
3.14 柱狀圖



fig = px.bar( tips, # 數據集 x="sex", # 橫軸 y="total_bill", # 縱軸 color="smoker", # 顏色參數取值 barmode="group", # 柱狀圖模式取值 facet_row="time", # 行取值 facet_col="day", # 列元素取值 category_orders={ "day": ["Thur","Fri","Sat","Sun"], # 分類順序 "time":["Lunch", "Dinner"]}) fig.show()

3.15 直方圖
fig = px.histogram( tips, # 繪圖數據集 x="sex", # 橫軸為性別 y="tip", # 縱軸為費用 histfunc="avg", # 直方圖顯示的函數 color="smoker", # 顏色 barmode="group", # 柱狀圖模式 facet_row="time", # 行取值 facet_col="day", # 列取值 category_orders={ # 分類順序 "day":["Thur","Fri","Sat","Sun"], "time":["Lunch","Dinner"]} ) fig.show()


3.16 箱型圖
箱型圖也是現實數據的誤差和分布情況:# notched=True顯示連接處的錐形部分 px.box(tips, # 數據集 x="day", # 橫軸數據 y="total_bill", # 縱軸數據 color="smoker", # 顏色 notched=True) # 連接處的錐形部分顯示出來

px.box( tips, # 數據集 x="day", # 橫軸 y="total_bill", # 縱軸 color="smoker", # 顏色 # notched=True # 隱藏參數 )


px.violin( tips, # 數據集 x="smoker", # 橫軸坐標 y="tip", # 縱軸坐標 color="sex", # 顏色參數取值 box=True, # box是顯示內部的箱體 points="all", # 同時顯示數值點 hover_data=tips.columns) # 結果中顯示全部數據


3.17 極坐標圖
在這里我們使用的是內置的wind數據:
散點極坐標圖


線性極坐標圖
fig = px.line_polar( wind, # 數據集 r="frequency", # 半徑 theta="direction", # 角度 color="strength", # 顏色 line_close=True, # 線性閉合 color_discrete_sequence=px.colors.sequential.Plasma_r) # 顏色變化 fig.show()


柱狀極坐標圖
fig = px.bar_polar( wind, # 數據集 r="frequency", # 半徑 theta="direction", # 角度 color="strength", # 顏色 template="plotly_dark", # 主題 color_discrete_sequence=px.colors.sequential.Plasma_r) # 顏色變化 fig.show()


4. 顏色面板
在px中有很多的顏色可以供選擇,提供了一個顏色面板:px.colors.qualitative.swatches()


px.colors.sequential.swatches()


5. 主題
px中存在3種主題:- plotly
- plotly_white
- plotly_dark
px.scatter( iris, # 數據集 x="sepal_width", # 橫坐標值 y="sepal_length", # 縱坐標取值 color="species", # 顏色 marginal_x="box", # 橫坐標為箱型圖 marginal_y="histogram", # 縱坐標為直方圖 height=600, # 高度 trendline="ols", # 顯示趨勢線 template="plotly") # 主題


px.scatter( iris, # 數據集 x="sepal_width", # 橫坐標值 y="sepal_length", # 縱坐標取值 color="species", # 顏色 marginal_x="box", # 橫坐標為箱型圖 marginal_y="histogram", # 縱坐標為直方圖 height=600, # 高度 trendline="ols", # 顯示趨勢線 template="plotly_white") # 主題


px.scatter( iris, # 數據集 x="sepal_width", # 橫坐標值 y="sepal_length", # 縱坐標取值 color="species", # 顏色 marginal_x="box", # 橫坐標為箱型圖 marginal_y="histogram", # 縱坐標為直方圖 height=600, # 高度 trendline="ols", # 顯示趨勢線 template="plotly_dark") # 主題


6. 總結一下
本文中利用大量的篇幅講解了如何通過plotly_express來繪制: 柱狀圖、線型圖、散點圖、小提琴圖、極坐標圖等各種常見的圖形。通過觀察上面Plotly_express
繪制圖形過程,我們不難發現它有三個主要的優點:
- 快速出圖,少量的代碼就能滿足多數的制圖要求。基本上都是幾個參數的設置我們就能快速出圖
- 圖形漂亮,繪制出來的可視化圖形顏色亮麗,也有很多的顏色供選擇。
- 圖形是動態可視化的。文章中圖形都是截圖,如果是在
Jupyter notebook
中都是動態圖形