python做可视化数据图表,数据可视化动态图python

  python做可视化数据图表,数据可视化动态图python

  数据可视化是数据科学中的一个关键步骤。下面这篇文章主要介绍如何用Python绘制动态可视化图表的相关信息。通过示例代码非常详细的介绍,有需要的朋友可以参考一下。

  00-1010序安装模块可视化动态图孙图指针图桑吉图平行坐标图汇总

  

目录

  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。

  

前言

  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:

  pip安装计划

  

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= )

  图显示()

  只要你有一个要过滤的时间变量,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=rgb

  a(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()

  

  

总结

  到此这篇关于如何利用Python绘制动态可视化图表的文章就介绍到这了,更多相关Python绘制动态可视化图表内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室!

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: