Python可视化工具Plotly的应用教程

一.简介

发展由来：

随着信息技术的发展和硬件设备成本的降低，当今的互联网存在海量的数据，要想快速从这些数据中获取更多有效的信息，数据可视化是重要的一环。对于Python语言来说，比较传统的数据可视化模块是Matplotlib，但它存在不够美观、静态性、不易分享等缺点，限制了Python在数据可视化方面的发展。

为了解决这个问题，新型的动态可视化开源模块Plotly应运而生。由于Plotly具有动态、美观、易用、种类丰富等特性，所以一经问世就受到开发人员的喜爱。

简要说明

Plotly是Python 库中一种互动，开源绘图库，也是基于javascript的绘图库，支持 40 多种独特的图表类型，效果美观，其中涵盖各种统计、财务、地理、科学和三维用例。

有在线和离线模式，易于保存与分享plotly的绘图结果，并且可以与Web无缝集成；

ploty默认的绘图结果，是一个HTML网页文件，通过浏览器可以直接查看；

二.各图运用

安装：

pip install plotly

下面均在Jupyter Notebook中运行

数据源：

import plotly
import plotly.express as px
import plotly.graph_objects as go
import plotly.io as pio
import pandas as pd
import numpy as np

# plotly内置了数据集，方便大家不受数据分析思路的背景下，练手用
df=px.data.gapminder()
df.head()

运行结果：

1.柱状图

# 绘制中国历年人口变化图
# df_country=df.query('country=="China"')
df_country=df[df['country']=='China'] 
# 柱状图展示
fig=px.bar(df_country,  # 数据源
           x='year',  # 横坐标：年份
           y='pop',  # 纵坐标：人口
           text='pop',  # 说明：人口
           color='lifeExp',  # 颜色取值：根据平均寿命的值来取
           hover_name='year', #控制点名称：年份
          )
fig

运行结果：

# 注释标题
fig.update_layout(title_text='中国人口变迁史',
                  title_x=.5,
                  font=dict(family='simsun',
                           size=14,
                           color='#1d39c4')
                 )
# 注释坐标轴
fig.update_layout(xaxis_title='年份',
                 yaxis_title='人口数量')

fig

运行结果：

#柱形图文字格式
fig.update_traces(
                 textposition='outside',
                 texttemplate='%{text:,.2s}')

fig

运行结果：

#利用customdata增加数据集
fig.update_traces(customdata=df[['lifeExp','gdpPercap']])
fig.update_traces(hovertemplate='Year: %{x}<br><br> Population: %{y}<br> Life Expectation: %{customdata[0]:,.2f}<br>GDP per capital: %{customdata[1]:,.2f}')
# 坐标轴tick设置
fig.update_xaxes(tickangle=-45,tickfont=dict(family='arial',size=12))
        
fig

运行结果：

# 设置间隙大小及文本大小
fig.update_layout(bargap=.4,
                 uniformtext_minsize=8,
                 uniformtext_mode='show')
# 设置注释
fig.add_annotation(x='1982',
                   y=1000281000,
                   text='突破10亿',
                  font=dict(color='red'))
fig.update_annotations(dict(xref='x',
                           yref='y',
                           showarrow=True),
                      arrowcolor='red',
                      arrowhead=4)
fig.show()

运行结果：

2.散点图

df_2007 = df[df["year"] == 2007]
df_2007

运行结果：

# 散点图
px.scatter(df_2007,   # 数据集
           x="gdpPercap",  # 横坐标:人均GDP
           y="lifeExp",  # 纵坐标:平均寿命
           color="continent"  # 颜色取值：根据洲的值来取
          )

运行结果：

选择一个区域，能将其放大

3.冒泡散点图

# 冒泡散点图
px.scatter(df_2007,   # 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
           hover_name="country"  # 控制点名称
          )

运行结果：

4.旭日图

# 旭日图
px.sunburst(df_2007,   # 绘图数据
            path=['continent', 'country'],  # 指定路径：从洲到国家
            values='pop', # 数据大小：人口数
            color='lifeExp',  # 颜色
            hover_data=['iso_alpha'] # 显示数据
           )

运行结果：

5.地图图形

# 设置地图的图形
px.choropleth(
  df,  # 数据
  locations="iso_alpha",  # 简称
  color="lifeExp",  # 颜色取值
  hover_name="country",  # 悬停数据
  animation_frame="year",  # 播放按钮设置
  color_continuous_scale=px.colors.sequential.Plasma,  # 颜色变化取值
  projection="natural earth"  # 使用的地图设置
)

运行结果：

三.实战案例

使用泰坦里克号生存为例

import plotly
import plotly.express as px
import plotly.graph_objects as go
import plotly.io as pio
import pandas as pd
import numpy as np

#数据读取
path1='./dataSet/test.csv'
path2='./dataSet/train.csv'
test=pd.read_csv(path1)
train=pd.read_csv(path2)
#数据合并
data=pd.concat([test,train])

运行结果：

# 展示数据中survived分布情况
df1=pd.DataFrame(data=data['Survived'].value_counts())
df1

运行结果：

fig1=px.bar(df1,y='Survived',text='Survived',color_discrete_sequence=[['#B4C7EC','#14A577']])
fig1.update_layout(title='Survival Status in Titanic',
                   title_x=.5,
                  xaxis_title='Passenger survival status',
                  yaxis_title='Numbers',
                  font=dict(family='arial',color='#000000',size=12),
                  bargap=.5)
fig1.update_xaxes(tick0=0,  #设置X轴起点，防止从负数开始
                  dtick=1,   #设置间隔，防止出现0.5间隔
                  tickvals=[0,1], #设置tick数值，为了重命名
                 ticktext=['Drowned','Suvived'],#重命名系列index
                 tickfont=dict(family='arial',color='#000000',size=14)) 
fig1.update_yaxes(range=[0,650]) #设置Y轴区间,使图形不至于视觉上压迫
fig1.update_traces(textposition='outside',
                   textfont_size=16,
                  textfont_color=['#8C1004','#007046'])
fig1.show()

运行结果：

# 以survived 与sex为例，展示各性别下，生存与死亡的相对关系。
df_sex=pd.DataFrame(data=data.groupby(['Survived','Sex'])['PassengerId'].count())
df_sex=df_sex.reset_index()
df_sex

运行结果：

fig_sex1=px.bar(df_sex,x='Survived',y='PassengerId',color='Sex',barmode='group',text='PassengerId',
                 color_discrete_map={'female':'#F17F0B','male':'#0072E5'})

fig_sex1.update_traces(textposition='outside',
                   textfont_size=14,
                      textfont_color=['#8C1004','#007046'])

fig_sex1.update_xaxes(
                  tickvals=[0,1], #设置tick数值，为了重命名
                 ticktext=['Drowned','Suvived'],#重命名系列index
                 tickfont=dict(family='arial',
                           color='#000000',
                           size=14)) 

fig_sex1.update_layout(title='Overall Suvival in terms of Sex',
                       title_x=.5,
                       bargap=.35,  
                       xaxis_title='',
                      yaxis_title='Numbers of Passengers',
                      font=dict(family='arial',
                           color='#000000',
                           size=13))

fig_sex1.update_yaxes(range=[0,500],
                     dtick=100)

fig_sex1.show()

运行结果：

fig_sex2=px.bar(df_sex,x='Sex',y='PassengerId',facet_col='Survived',text='PassengerId',
               color_discrete_sequence=[['#F17F0B','#0072E5']])

fig_sex2.update_traces(textposition='outside',
                      textfont_size=14,)

fig_sex2.update_layout(title='Overall Suvival in terms of Sex',
                       title_x=.5,
                       bargap=.35,  
                      yaxis_title='Numbers of Passengers',
                      font=dict(family='arial',
                           color='#000000',
                           size=13),
                      )
#取消自带sex标题
fig_sex2.update_layout(xaxis=dict(title=''),
                      xaxis2=dict(title=''))
fig_sex2.update_yaxes(range=[0,500],
                     dtick=100)

fig_sex2.for_each_annotation(lambda a:a.update(text=a.text.replace('Survived=0.0','Drowned')))
fig_sex2.for_each_annotation(lambda a:a.update(text=a.text.replace('Survived=1.0','Suvived')))

fig_sex2.update_layout(annotations=[dict(font=dict(size=16,
                                                  color='#002CB2'))])
fig_sex2.show()

运行结果：

# 以survived 与pclass为例，展示各舱位等级下，生存与死亡的相对关系。
df_pclass=pd.DataFrame(data=data.groupby(['Survived','Pclass'])['PassengerId'].count())
df_pclass=df_pclass.reset_index()
df_pclass

运行结果：

fig_sex1=px.bar(df_pclass,x='Survived',y='PassengerId',color='Pclass',barmode='group',text='PassengerId',
                 color_discrete_map={'1':'#F17F0B','2':'#0072E5','3':'#8C1004'})

fig_sex1.update_traces(textposition='outside',
                   textfont_size=14,
                      textfont_color=['#8C1004','#007046'])

fig_sex1.update_xaxes(
                  tickvals=[0,1], #设置tick数值，为了重命名
                 ticktext=['Drowned','Suvived'],#重命名系列index
                 tickfont=dict(family='arial',
                           color='#000000',
                           size=14)) 

fig_sex1.update_layout(title='Overall Suvival in terms of Pclass',
                       title_x=.5,
                       bargap=.35,  
                       xaxis_title='',
                      yaxis_title='Numbers of Passengers',
                      font=dict(family='arial',
                           color='#000000',
                           size=13))

fig_sex1.update_yaxes(range=[0,500],
                     dtick=100)

fig_sex1.show()

运行结果：

以上就是Python可视化工具Plotly的应用教程的详细内容，更多关于Python Plotly的资料请关注猪先飞其它相关文章！