• Plotly(一) —— 配置项&图表类型

    Python数据可视化

    Plotly(一) —— 配置项&图表类型

    大家可以关注知乎或微信公众号的share16，我们也会同步更新此文章。

       Plotly官网

       关于Plotly的内容 1

    一、Plotly简介

       对数据的分析离不开数据的可视化，相对于Python在数据分析、人工智能、量化投资等领域中的发展，在数据可视化方面的发展有些滞后。最经典的Python可视化绘图库莫过于 Matplotlib了；为了绘出更漂亮的图像，Python开源社区开发出了Seaborn绘图模块，它本质上是对 Matplotlib的封装，绘图效果更符合现代人的审美观。

    • 就使用的经验而言，Matplotlib主要存在两大缺陷：
      • Matplotlib是一个静态的绘图模块，即我们绘出的图像是静态的，就像用看图软件打开图片一样，没有网页绘图的交互式效果；
      • Matplotlib绘图结果的分享很不方便，在绘图结果分享给别人时只能以图片的方式分享，别人看到的绘图结果完全是静态的，分享体验很不好；
    • Matplotlib一直以来都是Python可视化的主力军，但是确实存在无法克服的缺陷，并且其他的Python绘图模块如Ggplot、Bokeh、Pygal等都比较小众，绘图功能比较单一，完成不了对Matplotlib的替代。

       为了解决 Python在可视化中存在的问题， Plotly 应运而生，它是一个基于JavaScript的动态绘图模块。Plotly的绘图效果与我们在网页上看到的动态交互式绘图效果是一样的，其默认的绘图结果是一个HTML网页文件，通过浏览器就可以查看。我们可以把这个HTML文件分享给其他人，对方看到的效果与我们在本机上看到的效果完全一样。Plotly在绘图模块上是Matplotlib强有力的竞争对手，Plotly绘图的种类丰富、效果美观、易于保存与分享，因而越来越受数据分析人士的喜爱。

       Plotly绘图底层使用的是plotly.js，plotly.js基于D3.js、stack.gl和SVG，用JavaScript在网页上实现类似MATLAB和Matplotlib的图形展示功能，支持数十种图形，包括2D和3D图形，交互流畅，可以满足一般科学计算的需要。目前已经有Python、MATLAB、R语言、Jupyter等多种版本的API接口。

       Plotly绘图模块库可直接生成PNG等图像文件，与Bokeh绘图模块库和各种基于Web的JavaScript图表模块库类似，生成的是一个内置JavaScript脚本的HTML网页文件，虽然文件比Bokeh绘图模块库生成的文件略大，但在互动性方面，Plotly绘图模块库强大得多。

    • Plotly的内置信息

      • 内置数据集，如px.data.gapminder()；
      • 内置颜色面板，如px.colors.carto.swatches() 、px.colors.sequential.swatches()；

    • Plotly的基本绘图流程

      • 添加图轨数据(add_trace)，使用的是Scatter等函数命令；
      • 设置画面布局，使用layout命令；
      • 集成图形、布局数据，命令有Data、Figure；
      • 绘制图形的输出；

    • Plotly的离线绘图功能 允许在没有网络的情况下绘图，并把图像保存到本地。

      • init_notebook_mode(connected=False) ：默认False，plotly.js库将从本地plotly加载；若为True，plotly.js库将从在线CDN加载；
      • plotly.offline.plot() ：在本地新建一个HTML文件，并可以选择是否在浏览器中打开这个文件；
      • plotly.offline.iplot() ：在Jupyter中直接绘图，而不需要新建一个HTML文件；
      • 参数解读
        • show_link：是否显示右下角的链接，默认为False；
        • link_text：右下角文字，默认为Export to plot.ly；
        • validate：默认为True，确保所有关键字是有效的；
        • filename：设置绘图结果的存储路径；
        • image：默认为None，表示不下载图片；还可取值为png/jpeg/svg/webp，表示下载图片的格式；

    二、Plotly基础图形

    2.1 散点图

    • 参数解读
      • mode：默认None，取值范围有markers、lines、lines+markers、text等；
      • opacity：透明度参数，范围时是0～1；
    import pandas as pd
import plotly.graph_objs as go
import plotly.express as px
from plotly.subplots import make_subplots #子图
from plotly.offline import init_notebook_mode,iplot,plot #初始化、绘图

init_notebook_mode(connected=False)
df = pd.DataFrame({'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]})
trace1 = go.Scatter(x=df.x,y=df.y1,mode='markers',name='y1',marker={'symbol':'square'})
trace2 = go.Scatter(x=df.x,y=df.y2,mode='markers',name='y2',marker={'symbol':'circle'})
trace = [trace1,trace2]


layout = {'title':{'text':'散点图','x':0.5,'font':{'color':'red','size':26}},
          'showlegend':False}

fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_scatter'])

fig.add_trace(px.scatter(data_frame=df,x='x',y='y1',symbol_sequence=['square']).data[0],row=1,col=1)
fig.add_trace(px.scatter(data_frame=df,x='x',y='y2',symbol_sequence=['circle']).data[0],row=1,col=1)

fig.add_trace(trace1,row=1,col=2)
fig.add_trace(trace2,row=1,col=2)

fig.add_scatter(x=df.x,y=df.y1,mode='markers',name='y1',row=1,col=3)
fig.add_scatter(x=df.x,y=df.y2,mode='markers',name='y2',row=1,col=3)

fig.update_layout(layout)

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31

    在这里插入图片描述

    2.2 线形图

    init_notebook_mode(connected=False)
df = pd.DataFrame({'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]})
trace1 = go.Scatter(x=df.x,y=df.y1,mode='lines+markers',name='y1',
                    marker={'symbol':'square'},line={'dash':'solid','shape':'linear'})
trace2 = go.Scatter(x=df.x,y=df.y2,mode='lines+markers',name='y2',
                    marker={'symbol':'circle'},line={'dash':'dashdot','shape':'spline'})
trace = [trace1,trace2]


layout = {'title':{'text':'线形图','x':0.5,'font':{'color':'red','size':26}},
          'showlegend':False}

fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_scatter'])


fig.add_trace(px.line(data_frame=df,x='x',y='y1',line_dash_sequence=['solid'],line_shape='linear',\
                      markers=True,symbol_sequence=['square']).data[0],row=1,col=1)
fig.add_trace(px.line(data_frame=df,x='x',y='y2',line_dash_sequence=['dot'],line_shape='spline',\
                      markers=True,symbol_sequence=['circle']).data[0],row=1,col=1)

fig.add_trace(trace1,row=1,col=2)
fig.add_trace(trace2,row=1,col=2)

fig.add_scatter(x=df.x,y=df.y1,mode='lines+markers',name='y1',row=1,col=3)
fig.add_scatter(x=df.x,y=df.y2,mode='lines+markers',name='y2',row=1,col=3)

fig.update_layout(layout)

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30

    在这里插入图片描述

    2.3 柱状图/条形图

       条形图 是由柱状图修改参数(即orientation=‘h’)而来的。

    • 参数解读
      • base：柱状图的起始参数；
      • orientation：图形显示方向，包括v(垂直)和h(水平)；
      • barmode：取值stack、relative、group、overlay；使用go.Bar时，只能在go.Layout中定义这个参数；而使用px.bar时，此函数中就有这个参数；
    init_notebook_mode(connected=False)
df = pd.DataFrame({'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]})
trace1 = go.Bar(x=df.x,y=df.y1,name='y1')
trace2 = go.Bar(x=df.x,y=df.y2,name='y2')
trace = [trace1,trace2]

layout = {'title':{'text':'柱状图','x':0.5,'font':{'color':'red','size':26}},
          'showlegend':False,
          'barmode':'stack'}

fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_bar'])

fig.add_trace(px.bar(data_frame=df,x='x',y='y1',color_discrete_sequence=['orange']).data[0],row=1,col=1)
fig.add_trace(px.bar(data_frame=df,x='x',y='y2',color_discrete_sequence=['lightskyblue']).data[0],row=1,col=1)

fig.add_trace(trace1,row=1,col=2)
fig.add_trace(trace2,row=1,col=2)

fig.add_bar(x=df.x,y=df.y1,name='y1',row=1,col=3)
fig.add_bar(x=df.x,y=df.y2,name='y2',row=1,col=3)

fig.update_layout(layout)

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25

    在这里插入图片描述

    2.4 饼图/环形饼图

       Pie函数中最常用的两个属性一个是values，用于赋给其需要可视化的数据；另一个是labels，表示不同数据对应的标签；绘制环形饼图，只需在Pie函数中设置控制环形中心空白大小的hole属性即可实现。
       在子图中，绘制饼图时，要对子图进行设置(即参数specs)，子图默认的type是xy，要修正为pie，代码如下。

    • 参数解读
      • rotation：扇区旋转角度，默认0(12点位置)，取值范围是0～360；
      • direction：饼图方向，默认counterclockwise(逆时针)，还可取值为clockwise(顺时针)；
      • hole：环形饼图内径孔的半径，默认0，取值范围是0～1；
      • pull：组成饼图的各个扇形的突出程度，默认0(即不突出)，取值范围是0～1；
      • textinfo：在扇形上显示的内容样式，取值范围有label、value、percent等；使用px.pie时，只能在fig.update_traces中定义这个参数；而使用go.Pie时，此函数中就有这个参数；
    init_notebook_mode(connected=False)
df = pd.DataFrame({'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]})
trace1 = go.Pie(labels=df.x,values=df.y1)
trace = [trace1]


layout = {'title':{'text':'饼图','x':0.5,'font':{'color':'red','size':26}},
          'showlegend':False}

fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_pie'],
                    specs=[[{'type':'pie'},{'type':'pie'},{'type':'pie'}]])

fig.add_trace(px.pie(data_frame=df,labels='x',values='y1').data[0],row=1,col=1)

fig.add_trace(trace1,row=1,col=2)

fig.add_pie(labels=df.x,values=df.y1,textinfo='label+percent',row=1,col=3)

fig.update_traces(textinfo='label+percent',textposition='inside')
fig.update_layout(layout)

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23

    在这里插入图片描述

    2.5 热力图

       构建热力图的方法有：go.Heatmap、px.imshow、px.density_heatmap、plotly.figure_factory.create_annotated_heatmap。

    • 参数解读
      • 显示数据：Heatmap使用参数texttemplate，imshow、density_heatmap使用参数text_auto；
      • 设置颜色：Heatmap使用参数colorscale，imshow、density_heatmap使用Layout中的参数colorscale-sequential；
      • 不显示颜色条：Heatmap使用参数showscale，imshow、density_heatmap使用Layout中的参数coloraxis-showscale；
    init_notebook_mode(connected=False)
df = pd.DataFrame({'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]})
df1 = df.corr()
trace1 = go.Heatmap(x=df1.index,y=df1.columns,z=df1,texttemplate='%{z:.2f}',
                    colorscale='greens',showscale=False)



layout = {'title':{'text':'热力图','x':0.5,'font':{'color':'red','size':26}}}

fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_heatmap'])

fig.add_trace(px.imshow(df1,text_auto='.2f').data[0],row=1,col=1)
fig.update_layout(colorscale={'sequential':'sunset'},coloraxis={'showscale':False})

fig.add_trace(trace1,row=1,col=2)

fig.add_heatmap(x=df1.index,y=df1.columns,z=df1,texttemplate='%{z:.2f}',
                colorscale='rainbow',showscale=False,row=1,col=3)

fig.update_layout(layout)

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24

    在这里插入图片描述

    init_notebook_mode(connected=False)
df = pd.DataFrame({'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]})
df1 = df.corr().stack().reset_index()
df1.columns = ['left','right','value']


layout = {'title':{'text':'热力图：px.density_heatmap','x':0.5,'font':{'color':'red','size':26}},
          'colorscale':{'sequential':'sunset'}, 
          # density_heatmap函数 可设置参数color_continuous_scale
          'coloraxis':{'showscale':False}}

px.density_heatmap(data_frame=df1,x='left',y='right',z='value',text_auto='.2f',
                   template={'layout':layout})

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    在这里插入图片描述

    2.6 点地图

       构建点地图的方法有：go.Scattergeo、px.scatter_geo；此外，地图函数还有go.Scattermapbox、go.Choropleth、px.scatter_mapbox、px.choropleth等等。

    • 参数解读
      • 根据 fig.data 中 geo键对应的值，设置projection(rotation旋转)；
    init_notebook_mode(connected=False)
df = pd.read_csv('XXX/directory.csv',encoding='gbk')
trace = go.Scattergeo(lat=df.Latitude,lon=df.Longitude,text=df[['Store Name','Ownership Type']])

layout = {'title':{'text':'点地图','x':0.5,'font':{'color':'red','size':26}},
          
          #根据fig.data中geo键对应的值，设置projection(rotation旋转)
          'geo2':{'projection':{'rotation':{'lat':30,'lon':110}}},
          
          'geo3':{'projection':{'type':'orthographic',
                                'rotation':{'lat':30,'lon':110}}},
          'showlegend':False}

fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_scattergeo'],
                    specs=[[{'type':'scattergeo'},{'type':'scattergeo'},{'type':'scattergeo'}]])

fig.add_trace(px.scatter_geo(data_frame=df,lat='Latitude',lon='Longitude',
                             hover_name='City',hover_data=['Store Name','Ownership Type']).data[0],
              row=1,col=1)

fig.add_trace(trace,row=1,col=2)

fig.add_scattergeo(lat=df.Latitude,lon=df.Longitude,row=1,col=3)

fig.update_layout(layout)

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28

    在这里插入图片描述

    三、Plotly高级图形

       在Plotly中，animation_frame和animation_group用于控制动画的效果。这两个参数通常一起使用，可以创建更加丰富的动画效果。例如，在时间序列数据的折线图中，可以使用animation_frame参数来控制每一帧所显示的时间点，而使用animation_group参数来控制不同数据序列的动画效果。
       此外，px.scatter、px.line、px.bar等函数中有这两个参数。

    3.1 时间序列-时间线轮播图

    • 参数解读
      • animation_frame：表示动画帧的数量，它通常用于时间序列数据或者三维图形的动画中，表示动画中每一帧的索引或者名称。通过设置此参数，你可以控制动画中每一帧所显示的内容；
      • animation_group：表示动画的分组方式，它通常用于多个数据序列的动画中，可以将数据序列按照不同的分组方式进行动画展示。通过设置此参数，你可以控制同一组动画中不同数据序列的动画效果；
    init_notebook_mode(connected=False)
df = px.data.gapminder()

layout = {'title':{'text':'时间线轮播图','x':0.5,'font':{'color':'red','size':26}}}

fig = px.scatter(data_frame=df,x='gdpPercap',y='lifeExp',size='pop',size_max=55,
                 color='continent',hover_name='country',log_x=True,range_x=[100,100000],
                 range_y=[25,90],animation_frame='year',animation_group='country')

fig.update_layout(layout)
fig['layout'].pop('updatemenus') #删除 animation buttons

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14

    在这里插入图片描述

    3.2 时间序列-滑块和选择器

    • 参数解读
      • rangeslider：滑块；rangeselector：选择器；
      • step：rangeselector参数，取值范围month、year、day、hour、minute、second、all；例如“count=1,step=‘month’”时，这个选择器覆盖的时间长度是(1*month)，即一个月；
      • stepmode：rangeselector参数，取值范围backward、todate；例如①当取值backward时，表示从后往前推进(count*step)时间，即当“count=1,step=‘year’”时，表示时间范围将近一年；②当取值todate时，就是计算今年以来的时间，即从最后日期到最后日期所在的年初，而不是近一年；
    init_notebook_mode(connected=False)
df = pd.read_csv('XXX/s.csv',encoding='gbk',parse_dates=['开奖日期'])
df = df.iloc[:,1:10]


'''滑块 : rangeslider , 选择器 : rangeselector'''

layout = {'title':{'text':'时间序列',
                   'x':0.5,
                   'font':{'color':'red','size':26}},
          'xaxis':{'tickformat':'%Y-%m-%d',
                   'range':[df.开奖日期.min().replace(day=1),
                            df.开奖日期.max().replace(day=df.开奖日期.max().daysinmonth)],
                   'rangeselector':{'x':0.2,
                                    'buttons':[{'label':'近一年','count':1,'step':'year','stepmode':'backward'},
                                               {'label':'今年','count':1,'step':'year','stepmode':'todate'},
                                               {'label':'近一月','count':1,'step':'month','stepmode':'backward'},
                                               {'label':'all','step':'all'}]},
                   'rangeslider':{'visible':False}}}

fig = px.line(data_frame=df,x='开奖日期',y='蓝球',line_dash_sequence=['solid'],
              markers=False,symbol_sequence=['circle'])

fig.update_layout(layout)

#plot(fig,image=None,filename='temp-plot.html')
iplot(fig,image=None,filename='plot_image')

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27

    在这里插入图片描述

    3.3 其他图形

    import plotly.figure_factory as ff

    • 1
      • 等高线图：px.density_contour；
      • 散点矩阵图：px.scatter_matrix；
      • 并行分类图：px.parallel_categories；
      • 联合分布图：px.scatter，涉及的参数有：marginal_x、marginal_y；
      • 热力图：ff.create_annotated_heatmap；
      • 甘特图：ff.create_gantt；
      • 表格：ff.create_table；

    谢谢大家 🌹


    1. 关于Plotly的内容，来源于《Python数据分析:基于Plotly的动态可视化绘图》

      ↩︎

  • 相关阅读:
    Chrome浏览器关闭左上角搜索标签页的解决办法
    领域驱动设计(DDD):三层架构到DDD架构演化
    达梦数据守护搭建测试遇到create link to dmwatcher() error问题
    程序员的浪漫
    logstash安装zabbix插件报错解决
    【CSDN线上竞赛9】小结
    java面试题-集合类面试题
    MySQL之索引
    架构师的 36 项修炼第10讲：架构实战案例分析
    设计模式之观察者模式学习笔记
  • 原文地址：https://blog.csdn.net/weixin_42330887/article/details/133417983