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)

  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

  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()

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!

  

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。

留言与评论(共有 条评论)
   
验证码: