python做可视化数据图表,Python数据可视化之美:专业图表绘制指南(全彩)
本文为大家带来了一些关于python的知识，主要介绍了关于绘制动态可视化图标的相关问题。使用Python的Plotly图形库，可以轻松生成动画图表和交互式图表。下面就一起来看看吧，希望对你有帮助。
推荐：python视频教程
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。而漂亮的可视化是完成这个任务的绝佳工具。
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。
00-1010如果您尚未安装Plotly，只需在您的终端上运行以下命令即可完成安装：
安装Plotly
安装模块
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：
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))
可视化动态图
>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现在我们向这个层次结构再添加一层：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()
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 goimport 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 gofig = 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 pxfrom 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推荐学习：python视频教程以上就是图文详解怎么用Python绘制动态可视化图表的详细内容，更多请关注盛行IT软件开发工作室其它相关文章！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()
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。