合集-数据可视化
摘要：Matplotlib 库是一个用于数据可视化和绘图的 Python 库。它提供了大量的函数和类，可以帮助用户轻松地创建各种类型的图表，包括直方图、箱形图、散点图、饼图、条形图和密度图等。 使用 Matplotlib 的过程中，遇到的难点并不在于绘制各类的图形，因为每种图形都有其对应的API。难点在于
阅读全文
摘要：使用Matplotlib对分析结果可视化时，比较各类分析结果是常见的场景。在这类场景之下，将多个分析结果绘制在一张图上，可以帮助用户方便地组合和分析多个数据集，提高数据可视化的效率和准确性。 本篇介绍Matplotlib绘制子图的常用方式和技巧。 1. 添加子图的方式 添加子图主要有两种方式，一种是
阅读全文
摘要：Matplotlib的坐标轴是用于在绘图中表示数据的位置的工具。 坐标轴是图像中的水平和垂直线，它们通常表示为 x 轴和 y 轴。坐标轴的作用是帮助观察者了解图像中数据的位置和大小，通常标有数字或标签，以指示特定的值在图像中的位置。 1. 坐标轴范围 Matplotlib绘制图形时，会自动根据X，Y
阅读全文
摘要：Matplotlib中刻度是用于在绘图中表示数据大小的工具。 刻度是坐标轴上的数字或标签，用于指示数据的大小或值，通常以整数或小数表示，具体取决于坐标轴的类型和限制。 1. 主次刻度 默认的绘制时，坐标轴只有默认的主要刻度，如下所示： from matplotlib.ticker import Mu
阅读全文
摘要：Matplotlib 中的图例是帮助观察者理解图像数据的重要工具。图例通常包含在图像中，用于解释不同的颜色、形状、标签和其他元素。 1. 主要参数 当不设置图例的参数时，默认的图例是这样的。 import numpy as np import matplotlib.pyplot as plt x =
阅读全文
摘要：Matplotlib 文本和标注可以为数据和图形之间提供额外的信息，帮助观察者更好地理解数据和图形的含义。 文本用于在图形中添加注释或提供更详细的信息，以帮助观察者理解图形的含义。标注则是一种更加细粒度的文本信息，可以被用来为特定的数据点或区域提供更详细的信息。 本篇通过示例依次介绍文本和标注的常用
阅读全文
摘要：Matplotlib 提供了大量配置参数，这些参数可以但不限于让我们从整体上调整通过 Matplotlib 绘制的图形样式，这里面的参数还有很多是功能性的，和其他工具结合时需要用的配置。 通过plt.rcParams，可以查看所有的配置信息： import matplotlib.pyplot as
阅读全文
摘要：Matplotlib库 由于诞生的比较早，所以其默认的显示样式很难符合现在的审美，这也是它经常为人诟病的地方。 不过，经过版本更迭之后，现在 Matplotlib 已经内置了很多样式表，通过使用不同的样式表，可以整体改变绘制图形的风格，不用再调整一个个显示参数。 1. 样式表的使用 1.1. 所有内
阅读全文
摘要：Matplotlib 中有一个很有趣的手绘风格。如果不是特别严肃的分析报告，使用这个风格能给枯燥的数据分析图表带来一些活泼的感觉。 使用手绘风格非常简单，本篇主要手绘风格的效果以及如何配置中文的支持。 1. 中文支持 Matplotlib 的手绘风格默认是不支持中文的，中文在图形中会显示成方格子。如
阅读全文
摘要：除了绘制各类分析图形（比如柱状图，折线图，饼图等等）以外，matplotlib 也可以在画布上任意绘制各类几何图形。这对于计算机图形学、几何算法和计算机辅助设计等领域非常重要。 matplitlib 中的 patches 类提供了丰富的几何对象，本篇抛砖引玉，介绍其中几种常用的几何图形绘制方法。 其
阅读全文
摘要：matplotlib的动画一直是一个强大但使用频率不高的功能，究其原因，一方面展示动画需要一定的媒介，没有图形和文字展示方便；二来大家更关心的是分析结果的最终图表，图表的动态展示则没有那么重要。 不过，随着短视频的兴起，在短视频平台上展示动画变得非常容易，所以，我们发现有越来越多的数据分析动画（比如
阅读全文
摘要：matplotlib 在1.0版本之前其实是不支持3D图形绘制的。 后来的版本中，matplotlib加入了3D图形的支持，不仅仅是为了使数据的展示更加生动和有趣。更重要的是，由于多了一个维度，扩展了其展示数据分布和关系的能力，可以一次从三个维度来比较数据。 下面介绍在matplotlib中绘制各类
阅读全文
摘要：如果分析的数据与地域相关，那么，把分析结果结合地图一起展示的话，会让可视化的效果得到极大的提升。 比如，分析各省GDP数据，人口数据，用柱状图，饼图之类的虽然都可以展示分析结果，不过，如果能在全国的地图上展示各省的分析结果的话，会让人留下更加深刻的印象。 将数据的分析结果展示在地图上，难点在于： 如
阅读全文
摘要：面积图，或称区域图，是一种随有序变量的变化，反映数值变化的统计图表。 面积图也可用于多个系列数据的比较。这时，面积图的外观看上去类似层叠的山脉，在错落有致的外形下表达数据的总量和趋势。面积图不仅可以清晰地反映出数据的趋势变化，也能够强调不同类别的数据间的差距对比。 面积图的特点在于，折线与自变量坐标
阅读全文
摘要：折线图是一种用于可视化数据变化趋势的图表，它可以用于表示任何数值随着时间或类别的变化。 折线图由折线段和折线交点组成，折线段表示数值随时间或类别的变化趋势，折线交点表示数据的转折点。 折线图的方向表示数据的变化方向，即正变化还是负变化，折线的斜率表示数据的变化程度。 1. 主要元素 折线图主要由以下
阅读全文
摘要：堆叠面积图和面积图都是用于展示数据随时间变化趋势的统计图表，但它们的特点有所不同。面积图的特点在于它能够直观地展示数量之间的关系，而且不需要标注数据点，可以轻松地观察数据的变化趋势。而堆叠面积图则更适合展示多个数据系列之间的变化趋势，它们一层层的堆叠起来，每个数据系列的起始点是上一个数据系列的结束点
阅读全文
摘要：堆叠柱状图，是一种用来分解整体、比较各部分的图。与柱状图类似，堆叠柱状图常被用于比较不同类别的数值。而且，它的每一类数值内部，又被划分为多个子类别，这些子类别一般用不同的颜色来指代。 柱状图帮助我们观察“总量”，堆叠柱状图则可以同时反映“总量”与“结构”。也就是说，堆叠柱状图不仅可以反映总量是多少？
阅读全文
摘要：直方图，又称质量分布图，用于表示数据的分布情况，是一种常见的统计图表。 一般用横轴表示数据区间，纵轴表示分布情况，柱子越高，则落在该区间的数量越大。构建直方图时，首先首先就是对数据划分区间，通俗的说即是划定有几根柱子（比如，1980年~2020年的数据，每5年划分一个区间的话，共8个区间）。接着，对
阅读全文
摘要：柱状图，是一种使用矩形条，对不同类别进行数值比较的统计图表。在柱状图上，分类变量的每个实体都被表示为一个矩形（通俗讲即为“柱子”），而数值则决定了柱子的高度。 1. 主要元素 柱状图是一种用长方形柱子表示数据的图表。它包含三个主要元素： 横轴（x轴）：表示数据的类别或时间。 纵轴（y轴）：表示数据的
阅读全文
摘要：平行坐标系是一种统计图表，它包含多个垂直平行的坐标轴，每个轴表示一个字段，并用刻度标明范围。通过在每个轴上找到数据点的落点，并将它们连接起来形成折线，可以很容易地展示多维数据。随着数据增多，折线会堆叠，分析者可以从中发现数据的特性和规律，比如发现数据之间的聚类关系。 尽管平行坐标系与折线图表面上看起
阅读全文
摘要：雷达图（Radar Chart），也被称为蛛网图或星型图，是一种用于可视化多个变量之间关系的图表形式。雷达图是一种显示多变量数据的图形方法。通常从同一中心点开始等角度间隔地射出三个以上的轴，每个轴代表一个定量变量，各轴上的点依次连接成线或几何图形。 雷达图可以用来在变量间进行对比，或者查看变量中有没
阅读全文
摘要：热力图，是一种通过对色块着色来显示数据的统计图表。它通过使用颜色编码来表示数据的值，并在二维平面上呈现出来。热力图通常用于显示大量数据点的密度、热点区域和趋势。 绘图时，一般较大的值由较深的颜色表示，较小的值由较浅的颜色表示；较大的值由偏暖的颜色表示，较小的值由较冷的颜色表示，等等。 热力图适合用于
阅读全文
摘要：漏斗图，形如“漏斗”，用于展示数据的逐渐减少或过滤过程。它的起始总是最大，并在各个环节依次减少，每个环节用一个梯形来表示，整体形如漏斗。一般来说，所有梯形的高度应是一致的，这会有助人们辨别数值间的差异。 需要注意的是，漏斗图的各个环节，有逻辑上的顺序关系。同时，漏斗图的所有环节的流量都应该使用同一个
阅读全文
摘要：气泡图是一种多变量的统计图表，可以看作是散点图的变形。与散点图不同的是，每一个气泡都表示三个维度的数据，除了像散点图一样有X，Y轴，气泡的大小可以表示另一个维度的数据。例如，x轴表示产品销量，y轴表示产品利润，气泡大小代表产品市场份额百分比。 它可以帮助我们发现变量之间的模式、趋势和异常值。通过气泡
阅读全文
摘要：散点图，又名点图、散布图、X-Y图，是将所有的数据以点的形式展现在平面直角坐标系上的统计图表。 散点图常被用于分析变量之间的相关性。如果两个变量的散点看上去都在一条直线附近波动，则称变量之间是线性相关的；如果所有点看上去都在某条曲线（非直线）附近波动，则称此相关为非线形相关的；如果所有点在图中没有显
阅读全文
摘要：南丁格尔玫瑰图是一种用极坐标下的柱状图或堆叠柱状图来展示数据的图表。 虽然南丁格尔玫瑰图外观类似饼图，但是表示数据的方式不同，它是以半径来表示数值的，而饼图是以扇形的弧度来表达数据的。 所以，南丁格尔玫瑰图在视觉上会夸大数据的比例，因为半径和面积之间是平方关系。因此，当需要对比非常相近的数值时，适当
阅读全文
摘要：饼图，或称饼状图，是一个划分为几个扇形的圆形统计图表。在饼图中，每个扇形的弧长（以及圆心角和面积）大小，表示该种类占总体的比例，且这些扇形合在一起刚好是一个完全的圆形。 饼图最显著的功能在于表现“占比”。习惯上，人们通过比较饼图扇形的大小来获得对数据的认知。 使用饼图时，须确认各个扇形的数据加起来等
阅读全文
摘要：百分比堆叠式柱状图是一种特殊的柱状图，它的每根柱子是等长的，总额为100%。柱子内部被分割为多个部分，高度由该部分占总体的百分比决定。 百分比堆叠式柱状图不显示数据的“绝对数值”，而是显示“相对比例”。但同时，它也仍然具有柱状图的固有功能，即“比较”——我们可以通过比较多个柱子的构成，分析数值之间的
阅读全文
摘要：箱型图（Box Plot），也称为盒须图或盒式图，1977年由美国著名统计学家约翰·图基（John Tukey）发明。是一种用作显示一组数据分布情况的统计图，因型状如箱子而得名。 它能显示出一组数据的最大值、最小值、中位数及上下四分位数。箱子的顶端和底端，分别代表上下四分位数。箱子中间的是中位数线，
阅读全文
摘要：在数据科学和数据分析领域，数据可视化是理解数据和传达信息的关键环节。 Python 作为最受欢迎的编程语言之一，拥有众多强大的可视化库，而 Plotly 无疑是其中的佼佼者。 本文将深入介绍 Plotly 的架构与设计理念，并详细介绍如何在不同操作系统上安装 Plotly，以及安装过程中可能遇到的问
阅读全文
摘要：今天，打算通过绘制一个简单的散点图，来开启我们 Plotly 绘图的初次尝试。 本文目的不是介绍如何绘制散点图，而是通过散点图来介绍Plotly 绘图的基础步骤。 1. 绘制散点图：初探 Plotly 散点图是展示变量关系的基础图表，在Plotly中，绘制散点图非常简单。 以下是一个示例代码： im
阅读全文
摘要：在数据分析的世界中，折线图是一种不可或缺的可视化工具。 它能够清晰地展示数据随时间或其他变量的变化趋势，帮助我们快速发现数据中的模式、趋势和异常。 无论是金融市场分析、气象数据监测，还是业务增长趋势预测，折线图都能以直观的方式呈现关键信息。 本文将从基础开始，介绍如何使用Plotly库来绘制折线图，
阅读全文
摘要：上一篇介绍了Plotly绘制折线图的基础知识和数据预处理的技巧， 本文将重点探讨如何利用Plotly实现多线折线图的布局设计以及动态折线图的实现， 让我们一起掌握进阶的折线图绘制技巧。 1. 多折线图布局 在实际的数据分析场景中，常常需要同时展示多组数据，例如对比不同产品的销售趋势、不同地区的温度变
阅读全文
摘要：柱状图作为最基础的数据可视化形式之一，能直观展示不同类别数据的对比关系，适用于一下的场景： 比较不同类别之间的数据大小，如不同产品的销售额对比。 展示数据的分布情况，如各年龄段的人口数量分布。 分析时间序列数据的变化趋势，如某公司近几年的利润变化。 今天，我们就来深入探索Plotly柱状图的绘制基础
阅读全文
摘要：在数据可视化的世界里，柱状图是一种直观且强大的工具，用于展示数据的分布、比较和趋势。 从基础的柱状图出发，我们可以进一步探索更复杂的图表类型，如分组柱状图和堆积柱状图，它们在处理多维数据和复杂关系时具有独特的优势。 本文将深入探讨如何使用Plotly库绘制这些高级柱状图，掌握这些技巧将使你在数据可视
阅读全文
摘要：在数据可视化的世界里，饼图是一种直观且广泛使用的图表类型。 它能够将数据各个部分占整体的比例关系清晰地展现出来，适用于诸如市场占有率分析、调查结果分布、预算分配等多个领域。 饼图以扇形面积比例直观展示数据分布，适合用于： 分类数据的占比分析（如市场份额、用户画像） 少量数据的对比呈现（≤6 个分类最
阅读全文
摘要：在数据可视化的世界里，饼图是最直观的展示比例关系的工具之一。 然而，传统的静态饼图已经无法满足现代数据分析的需求。Plotly作为一款强大的可视化库，不仅提供了饼图丰富的基础功能，还支持交互效果和动态更新等高级特性。 本文我们将深入探讨Plotly在饼图绘制上的高级功能，包括交互效果和动态更新等技巧
阅读全文
摘要：在数据分析的世界里，散点图是一种极为重要的可视化工具。 它能够直观地展示两个或多个变量之间的关系，帮助我们快速发现数据中的模式、趋势和异常点。 无论是探索变量之间的相关性，还是寻找数据中的潜在规律，散点图都扮演着不可或缺的角色。 与传统的静态图表不同，Plotly 绘制的散点图可以通过鼠标悬停、缩放
阅读全文
摘要：在数据可视化领域，箱线图（Box Plot）是一种强大的工具，用于展示数据的分布特征、集中趋势以及异常值。 它不仅能够快速揭示数据的偏态、离散程度，还能帮助我们识别潜在的数据问题。 本文将从基础绘制到业务实战，系统讲解如何用 Plotly 构建交互式箱线图，并掌握其在异常值检测、多组对比分析中的核心
阅读全文
摘要：在数据科学的世界里，直方图是一种不可或缺的可视化工具，它以其简洁而直观的方式，揭示了数据的内在规律，为数据分析和决策提供了有力支持。 它能够帮助我们快速识别异常值，并为统计推断提供有力支撑。 无论是对称的钟型分布，还是偏态的长尾分布，直方图都能清晰地呈现出来。 通过观察直方图的形状，我们可以了解数据
阅读全文
摘要：在数据可视化领域，面积图是一种强大而直观的工具，它通过填充线条与坐标轴之间的区域来量化数据大小， 从而帮助我们清晰地展示数据的总量、趋势变化以及不同类别之间的对比。 无论是分析随时间变化的累积量，还是对比多类别的数据占比，面积图都能以简洁而直观的方式呈现复杂的数据关系。 本文主要介绍Plotly面积
阅读全文
摘要：在数据分析和可视化领域，雷达图是一种适用于多维数据的可视化、综合评估和决策支持的工具。 雷达图通过将数据点沿多个轴分布，并通过多边形面积或线条连接来展示数据的多维度特征，能够直观地呈现数据在各个维度上的表现，帮助我们快速识别优势和劣势，从而做出更明智的决策。 本文主要介绍Plotly雷达图的奥秘，从
阅读全文
摘要：在数据分析与可视化领域，一张优秀的图表不仅需要准确呈现数据，更应通过合理的布局提升信息传达效率，增强专业性和可读性。 Plotly作为一款强大的Python可视化库，提供了丰富的布局定制功能，帮助我们实现这一目标。 本文将从基础元素设置到坐标轴深度定制，结合代码与场景案例，来介绍标签与坐标轴的核心布
阅读全文
摘要：在数据可视化领域，Plotly的子图布局是打造专业级仪表盘的核心武器。 当面对多维数据集时，合理的子图布局能显著提升多数据关联分析效率，让数据的呈现更加直观和美观。 本文将深入探讨Plotly中子图布局技巧，并结合代码实现与实际场景案例，介绍多子图组织方法的技巧。 多子图布局 网格布局 网格布局是P
阅读全文
摘要：在数据可视化的世界中，一个精心设计的图表不仅能准确传达信息，还能提升整体的专业性和吸引力。 而Plotly作为Python中强大的可视化库，提供了丰富的样式定制功能，帮助我们轻松实现这一目标。 本文从快速换肤到精细调整，深入探索Plotly的样式定制基础，让你的图表在视觉上脱颖而出。 1. 内置模板
阅读全文
摘要：在数据可视化领域，Plotly不仅是高效的绘图工具，更是设计师的创意画布。 当基础图表已无法满足品牌化需求时，样式定制能力将成为数据叙事的关键武器。 深入的样式定制能够帮助我们打造品牌化图表、实现精准的视觉表达，并显著提升交互体验。 本文将深入探讨Plotly的样式定制高级技巧，从自定义模板的创建到
阅读全文
摘要：在数据可视化领域，静态图表早已无法满足用户对深度分析与探索的需求。 Plotly作为新一代交互式可视化工具，通过其强大的交互功能重新定义了"数据叙事"的边界。 通过精心设计的交互功能，我们可以显著提升数据探索的效率，增强用户的参与感，并实现动态叙事。 本文我们将介绍如何用Plotly库来添加一些基本
阅读全文
摘要：在数据可视化的世界中，交互性是提升用户体验和数据探索效率的关键。从简单的悬停提示到复杂的动态数据更新，交互功能让静态图表变得生动起来。 本文将介绍Plotly的高级交互功能，包括点击事件处理、动态数据更新以及与用户输入的实时交互。 通过掌握这些技能，将能够构建真正"活"起来的可视化应用。 1. 点击
阅读全文
摘要：在当今复杂多变的金融市场中，金融数据分析的重要性不言而喻。 无论是投资者、金融机构还是研究人员，都需要通过对海量金融数据的分析来洞察市场趋势、评估风险并做出明智的决策。 据彭博社统计，专业投资者平均需要处理超过200组不同维度的市场数据。 传统静态图表已难以满足现代金融分析的深度需求，而交互式可视化
阅读全文
摘要：在金融市场的复杂博弈中，可视化技术如同精密的导航仪。 传统静态图表正在被交互式可视化取代——据Gartner研究，采用动态可视化的投资机构决策效率提升达47%。 本文的目标是探讨如何利用 Plotly 实现投资组合分析与金融时间序列的动态可视化。 文中将通过具体的案例和代码示例，展示 Plotly
阅读全文
摘要：在科学研究中，数据可视化是连接实验与理论的关键桥梁。 它不仅能够清晰地呈现实验规律，还能验证假设并支持科研决策。 Plotly作为一款强大的可视化工具，凭借其交互性、动态图表支持和灵活的可定制性，在科学领域中展现出巨大的优势。 本文将探讨如何利用 Plotly 高效展示实验数据与误差分析，从而提升科
阅读全文
摘要：科学数据往往涉及多个维度，例如分子结构中的空间坐标、物理实验中的时间序列以及化学反应中的温度变化等。 传统的二维可视化方法已经难以满足这些复杂数据的展示需求。 而Plotly，作为一种强大的可视化库，凭借其支持 3D 可视化、动态交互以及跨学科兼容性的核心优势，成为了科学数据可视化的理想选择。 本文
阅读全文
摘要：在数据分析的世界中，数据处理与可视化是密不可分的两个环节。 Pandas作为Python数据处理的核心工具，以其强大的数据清洗、转换和分析能力，成为数据科学家和分析师的必备利器； 而Plotly则是交互式可视化的佼佼者，能够将复杂的数据以直观、动态的方式呈现出来。 当我们将Pandas与Plotly
阅读全文
摘要：关于Streamlit的介绍，可参考《玩转Streamlit》系列 在当今数据驱动的时代，快速构建交互式工具并直观地将数据分析结果交付给用户，已成为数据应用开发的核心需求。 无论是企业内部的决策支持系统，还是面向公众的数据可视化平台，都需要一种高效且灵活的开发方式。 Plotly和Streamlit
阅读全文
浙公网安备 33010602011771号