可视化工具Plotly_express

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://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

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

posted @ 2021-01-21 15:49 Mangnolia 阅读(2365) 评论(0) 编辑收藏举报

刷新页面返回顶部

可视化工具Plotly_express

1. 环境准备

2. 工具概述

3. 开始绘图

3.1 数据集

3.2 线型图

3.3 散点图

3.4 地理数据绘图

3.5 使用内置iris数据

选择两个属性制图

3.6 联合分布图

3.7 小提琴图

3.8 散点矩阵图

3.9 平行坐标图

3.10 箱体误差图

3.11 等高线图

3.12 密度热力图

3.13 并行类别图

3.14 柱状图

3.15 直方图

3.16 箱型图

3.17 极坐标图

散点极坐标图

线性极坐标图

柱状极坐标图

4. 颜色面板

5. 主题

6. 总结一下

公告

线性极坐标图　　