可视化工具Plotly

可视化⼯具Plotly
以下⽂章来源于Python编程时光，作者Peter
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。

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
2. ⼯具概述
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:///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
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
我们看看全部属性值：
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()
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()
3.3 散点图
散点图的制作调⽤scatter⽅法：
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
)
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")
)
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
)
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()
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
)
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()
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：
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()
通过color参数来显⽰不同的颜⾊：
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
)
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
)
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
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)
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
)
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
)
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
)
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
)
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：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()
3.14 柱状图
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()
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()
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
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 )
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
3.17 极坐标图
在这⾥我们使⽤的是内置的wind数据：
散点极坐标图
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()
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()
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()
px.colors.sequential.swatches()
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
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
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
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。