数据可视化动态图python,python做可视化数据图表
大家好。讲故事是数据科学家的一项重要技能。为了表达我们的想法并说服他人，我们需要有效的沟通。而美丽的可视化是完成这项任务的绝佳工具。
本文将介绍五种非常规的可视化技术，它们可以让你的数据故事更加美观有效。在这里，将使用Python的Plotly图形库，以便您可以轻松地生成动画图表和交互式图表。记得收藏，关注，喜欢。
注：代码、数据和技术交流的完整版本可在最后获得。
安装模块如果您还没有安装Plotly，只需在您的终端上运行以下命令来完成安装：
安装Plotly可视化动态图表在研究这个或那个指标的演变时，我们经常会涉及到时间数据。Plotly动画工具只需要一行代码就可以让人们观看数据随时间的变化，如下图所示：
代码如下所示
将plotly.express导入为px
从vega_datasets导入数据
df=data.disasters()
df=df[df。1990年]
fig=px.bar(df，
y=实体，
x=死亡，
animation_frame=年，
方向=h ，
range_x=[0，df。Deaths.max()]，
color=Entity )
#改善美观(尺寸、网格等。)
图.更新布局(宽度=1000，
身高=800，
xaxis_showgrid=False，
yaxis_showgrid=False，
paper_bgcolor=rgba(0，0，0，0)，
plot_bgcolor=rgba(0，0，0，0)，
title_text=自然灾害的演变，
showlegend=False)
fig.update_xaxes(title_text=死亡人数)
图. update_yaxes(title_text= )
Fig.show()只要有一个要过滤的时间变量，那么几乎任何图表都可以被动画化。以下是散点图的动画示例：
将plotly.express导入为px
df=px.data.gapminder()
fig=px.scatter(
df，
x=gdpPercap ，
y=lifeExp ，
animation_frame=年，
大小=流行，
color=洲，
hover_name=国家，
log_x=True，
size_max=55，
range_x=[100，100000]，
range_y=[25，90]，
# color _ continuous _ scale=px . colors . sequential . em rld
)
图.更新布局(宽度=1000，
身高=800，
xaxis_showgrid=False，
yaxis_showgrid=False，
paper_bgcolor=rgba(0，0，0，0)，
Plot_bgcolor=rgba(0，0，0，0))太阳图太阳图是可视化group by语句的好方法。如果你想用一个或多个类别变量来分解一个给定的数量，那么使用太阳图。
假设我们要基于每天的性别和平均时间偏差提示的数据，这种double group by语句通过可视化比表格更有效地显示出来。
该图表是交互式的，允许您自己点击和探索类别。您只需要定义所有的类别，声明它们之间的层次结构(参见下面代码中的parents参数)并分配相应的值。这是本例中group by语句的输出。
导入plotly.graph_objects as go
将plotly.express导入为px
将numpy作为np导入
进口熊猫作为pd
df=px.data.tips()
fig=go。图(去。旭日(
标签=[女性，男性，晚餐，午餐，晚餐]，
parents=[， ，女性，女性，男性]，
values=np.append(
df.groupby(sex).tip.mean()。价值观，
df.groupby([sex ， time])，tip.mean()。值)，
marker=dict(colors=px . colors . sequential . em rld))，
布局=go。布局(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=按性别、时间和日期划分的小费习惯)
Fig.show()现在让我们添加另一层到这个层次：
为此，我们添加另一个group by语句的值，该语句涉及三个类别变量。
导入plotly.graph_objects as go
将plotly.express导入为px
进口熊猫作为pd
将numpy作为np导入
df=px.data.tips()
fig=go。图(去。旭日(标签=[
“女性”，“男性”，“晚餐”，“午餐”，“晚餐”，“午餐”，“Fri”，“星期六”，
孙，周四，周四， Fri ，周六，孙， Fri ，周四
],
父母=[
，，女性，女性，男性，男性，
晚餐，晚餐，晚餐，晚餐，
"午餐","午餐","晚餐","晚餐",
晚餐、午餐、午餐
],
values=np.append(
附加（
df.groupby(sex).tip.mean().价值观，
df.groupby([sex ，
time])、tip.mean().价值观，
),
df.groupby([性别,时间，
day])、tip.mean().值),
marker=dict(colors=px。颜色。连续的。em rld))，
布局=去吧.布局(paper_bgcolor=rgba(0，0，0，0)，
plot_bgcolor=rgba(0，0，0，0)))
图update _ layout(margin=dict(t=0，l=0，r=0，b=0)，
title_text=按性别、时间和日期划分的小费习惯)
图显示()指针图指针图仅仅是为了好看。在报告关键业绩指标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。
导入plotly.graph_objects as go
去吧.图（去。指示器（
domain={x: [0，1]， y: [0，1]}，
值=4.3,
模式=仪表号增量，
title={text :成功指标 },
delta={reference: 3.9}，
仪表={bar: {color: lightgreen}，
轴:{ 范围:[无，5]},
步骤:[
{ 范围:[0,2.5],颜色:浅灰色 },
{ 范围:[2.5,4],颜色:灰色 }],
}))
图显示()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
将plotly.express导入为像素
从vega _数据集导入数据
进口熊猫作为螺纹中径
df=data.movies()
df=df.dropna()
df[流派_id]=df .Major_Genre.factorize()[0]
fig=px.parallel _ categories(
df，
维度=[美国电影协会评分,创意类型,专业类型],
color=流派标识，
color _ continuous _ scale=px颜色。连续的。em rld，
)
图显示()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
将plotly.express导入为像素
从vega _数据集导入数据
进口熊猫作为螺纹中径
df=data.movies()
df=df.dropna()
df[流派_id]=df .Major_Genre.factorize()[0]
fig=px.parallel _坐标（
df，
尺寸=[
IMDB_Rating ， IMDB_Votes ， Production_Budget ， Running_Time_min ，
美国总收入,全球总收入,美国数字影碟销售
],
color=IMDB_Rating ，
color _ continuous _ scale=px颜色。连续的。em rld)
图显示()技术交流欢迎转载、收藏、有所收获点赞支持一下！数据、代码可以找我获取
目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源兴趣方向，方便找到志同道合的朋友
方式、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。