如何用Python绘制动态可视化图表

如何用Python绘制动态可视化图表

本篇内容主要讲解“如何用Python绘制动态可视化图表”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“如何用Python绘制动态可视化图表”吧!

安装模块

如果你还没安装 Plotly，只需在你的终端运行以下命令即可完成安装：

pip install plotly

可视化动态图

在研究这个或那个指标的演变时，我们常涉及到时间数据。Plotly动画工具仅需一行代码就能让人观看数据随时间的变化情况，如下图所示：

代码如下：

import plotly.express as px  from vega_datasets import data  df = data.disasters()  df = df[df.Year > 1990]  fig = px.bar(df,               y="Entity",               x="Deaths",               animation_frame="Year",               orientation='h',               range_x=[0, df.Deaths.max()],               color="Entity")  # improve aesthetics (size, grids etc.)  fig.update_layout(width=1000,                    height=800,                    xaxis_showgrid=False,                    yaxis_showgrid=False,                    paper_bgcolor='rgba(0,0,0,0)',                    plot_bgcolor='rgba(0,0,0,0)',                    title_text='Evolution of Natural Disasters',                    showlegend=False)  fig.update_xaxes(title_text='Number of Deaths')  fig.update_yaxes(title_text='')  fig.show()

只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子：

import plotly.express as px  df = px.data.gapminder()  fig = px.scatter(      df,      x="gdpPercap",      y="lifeExp",      animation_frame="year",      size="pop",      color="continent",      hover_name="country",      log_x=True,      size_max=55,      range_x=[100, 100000],      range_y=[25, 90],      #   color_continuous_scale=px.colors.sequential.Emrld  )  fig.update_layout(width=1000,                    height=800,                    xaxis_showgrid=False,                    yaxis_showgrid=False,                    paper_bgcolor='rgba(0,0,0,0)',                    plot_bgcolor='rgba(0,0,0,0)')

太阳图

太阳图（sunburst chart）是一种可视化group by语句的好方法。如果你想通过一个或多个类别变量来分解一个给定的量，那就用太阳图吧。

假设我们想根据性别和每天的时间分解平均小费数据，那么相较于表格，这种双重group by语句可以通过可视化来更有效地展示。

这个图表是交互式的，让你可以自己点击并探索各个类别。你只需要定义你的所有类别，并声明它们之间的层次结构（见以下代码中的parents参数）并分配对应的值即可，这在我们案例中即为group by语句的输出。

import plotly.graph_objects as go  import plotly.express as px  import numpy as np  import pandas as pd  df = px.data.tips()  fig = go.Figure(go.Sunburst(      labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],      parents=["", "", "Female", "Female", 'Male', 'Male'],      values=np.append(          df.groupby('sex').tip.mean().values,          df.groupby(['sex', 'time']).tip.mean().values),      marker=dict(colors=px.colors.sequential.Emrld)),                  layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',                                   plot_bgcolor='rgba(0,0,0,0)'))  fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),                    title_text='Tipping Habbits Per Gender, Time and Day')  fig.show()

现在我们向这个层次结构再添加一层：

为此，我们再添加另一个涉及三个类别变量的group by语句的值。

import plotly.graph_objects as go  import plotly.express as px  import pandas as pd  import numpy as np  df = px.data.tips()  fig = go.Figure(go.Sunburst(labels=[      "Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',      'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri  ', 'Sat  ', 'Sun  ', 'Fri   ', 'Thu   '  ],                              parents=[                                  "", "", "Female", "Female", 'Male', 'Male',                                  'Dinner', 'Dinner', 'Dinner', 'Dinner',                                  'Lunch', 'Lunch', 'Dinner ', 'Dinner ',                                  'Dinner ', 'Lunch ', 'Lunch '                              ],                              values=np.append(                                  np.append(                                      df.groupby('sex').tip.mean().values,                                      df.groupby(['sex',                                                  'time']).tip.mean().values,                                  ),                                  df.groupby(['sex', 'time',                                              'day']).tip.mean().values),                              marker=dict(colors=px.colors.sequential.Emrld)),                  layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',                                   plot_bgcolor='rgba(0,0,0,0)'))  fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),                    title_text='Tipping Habbits Per Gender, Time and Day')    fig.show()

指针图

指针图仅仅是为了好看。在报告 KPI 等成功指标并展示其与你的目标的距离时，可以使用这种图表。

import plotly.graph_objects as go  fig = go.Figure(go.Indicator(      domain = {'x': [0, 1], 'y': [0, 1]},      value = 4.3,      mode = "gauge+number+delta",      title = {'text': "Success Metric"},      delta = {'reference': 3.9},      gauge = {'bar': {'color': "lightgreen"},          'axis': {'range': [None, 5]},               'steps' : [                   {'range': [0, 2.5], 'color': "lightgray"},                   {'range': [2.5, 4], 'color': "gray"}],            }))  fig.show()

桑基图

另一种探索类别变量之间关系的方法是以下这种平行坐标图。你可以随时拖放、高亮和浏览值，非常适合演示时使用。

代码如下：

import plotly.express as px  from vega_datasets import data  import pandas as pd  df = data.movies()  df = df.dropna()  df['Genre_id'] = df.Major_Genre.factorize()[0]  fig = px.parallel_categories(      df,      dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],      color="Genre_id",      color_continuous_scale=px.colors.sequential.Emrld,  )  fig.show()

平行坐标图

平行坐标图是上面的图表的衍生版本。这里，每一根弦都代表单个观察。这是一种可用于识别离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比如如果两个变量在每个观察上的值都相近，那么它们将位于同一水平线上，表示存在冗余）的好用工具。

代码如下：

import plotly.express as px  from vega_datasets import data  import pandas as pd  df = data.movies()  df = df.dropna()  df['Genre_id'] = df.Major_Genre.factorize()[0]  fig = px.parallel_coordinates(      df,      dimensions=[          'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',          'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'      ],      color='IMDB_Rating',      color_continuous_scale=px.colors.sequential.Emrld)  fig.show()

到此，相信大家对“如何用Python绘制动态可视化图表”有了更深的了解，不妨来实际操作一番吧！这里是高防服务器网网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！

[微信提示：高防服务器能助您降低 IT 成本，提升运维效率，使您更专注于核心业务创新。

[图文来源于网络，不代表本站立场，如有侵权，请联系高防服务器网删除]
[