以下文章来源于Python编程时光 ,作者Peter
今天给大家推荐一个可视化神器 - Plotly_express ,上手非常的简单,基本所有的图都只要一行代码就能绘出一张非常酷炫的可视化图。
以下是这个神器的详细使用方法,文中附含大量的 GIF 动图示例图。
以下是这个神器的详细使用方法,文中附含大量的 GIF 动图示例图。
1. 环境准备
本文的是在如下环境下测试完成的。- Python3.7
- Jupyter notebook
- Pandas1.1.3
- Plotly_express0.4.1
$ python3 -m pip install plotly_express
2. 工具概述
在说plotly_express
之前,我们先了解下plotly
。Plotly
是新一代的可视化神器,由TopQ
量化团队开源。虽然Ploltly
功能非常之强大,但是一直没有得到重视,主要原因还是其设置过于繁琐。因此,Plotly
推出了其简化接口:Plotly_express
,下文中统一简称为px
。px
是对Plotly.py
的一种高级封装,其内置了很多实用且现代的绘图模板,用户只需要调用简单的API函数即可实用,从而快速绘制出漂亮且动态的可视化图表。px
是完全免费的,用户可以任意使用它。最重要的是,px
和plotly
生态系统的其他部分是完全兼容的。用户不仅可以在Dash
中使用,还能通过Orca
将数据导出为几乎任意文件格式。官网的学习资料:https://plotly.com/px的安装是非常简单的,只需要通过pip install plotly_express
来安装即可。安装之后的使用:
import plotly_express as px
3. 开始绘图
接下来我们通过px中自带的数据集来绘制各种精美的图形。- gapminder
- tips
- wind
3.1 数据集
首先我们看下px
中自带的数据集:
import pandas as pd import numpy as np import plotly_express as px # 现在这种方式也可行:import plotly.express as px # 数据集 gapminder = px.data.gapminder() gapminder.head() # 取出前5条数据
我们看看全部属性值:
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121152756576-1986664132.png)
3.2 线型图
线型图line在可视化制图中是很常见的。利用px能够快速地制作线型图:# line 图 fig = px.line( gapminder, # 数据集 x="year", # 横坐标 y="lifeExp", # 纵坐标 color="continent", # 颜色的数据 line_group="continent", # 线性分组 hover_name="country", # 悬停hover的数据 line_shape="spline", # 线的形状 render_mode="svg" # 生成的图片模式 ) fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121152817675-364432829.png)
再来制作面积图:
# area 图 fig = px.area( gapminder, # 数据集 x="year", # 横坐标 y="pop", # 纵坐标 color="continent", # 颜色 line_group="country" # 线性组别 ) fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121152851984-113155367.gif)
3.3 散点图
散点图的制作调用scatter
方法:![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121152912529-556302058.gif)
指定size参数还能改变每个点的大小:
px.scatter( gapminder2007 # 绘图DataFrame数据集 ,x="gdpPercap" # 横坐标 ,y="lifeExp" # 纵坐标 ,color="continent" # 区分颜色 ,size="pop" # 区分圆的大小 ,size_max=60 # 散点大小 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153024845-2007582401.gif)
facet_col
、animation_frame
参数还能将散点进行分块显示:px.scatter( gapminder # 绘图使用的数据 ,x="gdpPercap" # 横纵坐标使用的数据 ,y="lifeExp" # 纵坐标数据 ,color="continent" # 区分颜色的属性 ,size="pop" # 区分圆的大小 ,size_max=60 # 圆的最大值 ,hover_name="country" # 图中可视化最上面的名字 ,animation_frame="year" # 横轴滚动栏的属性year ,animation_group="country" # 标注的分组 ,facet_col="continent" # 按照国家country属性进行分格显示 ,log_x=True # 横坐标表取对数 ,range_x=[100,100000] # 横轴取值范围 ,range_y=[25,90] # 纵轴范围 ,labels=dict(pop="Populations", # 属性名字的变化,更直观 gdpPercap="GDP per Capital", lifeExp="Life Expectancy") )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153048510-874492979.gif)
3.4 地理数据绘图
在实际的工作中,我们可能会接触到中国地图甚至是全球地图,使用px也能制作:px.choropleth( gapminder, # 数据集 locations="iso_alpha", # 配合颜色color显示 color="lifeExp", # 颜色的字段选择 hover_name="country", # 悬停字段名字 animation_frame="year", # 注释 color_continuous_scale=px.colors.sequential.Plasma, # 颜色变化 projection="natural earth" # 全球地图 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153126195-295433915.gif)
fig = px.scatter_geo( gapminder, # 数据 locations="iso_alpha", # 配合颜色color显示 color="continent", # 颜色 hover_name="country", # 悬停数据 size="pop", # 大小 animation_frame="year", # 数据帧的选择 projection="natural earth" # 全球地图 ) fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153153730-1553735218.gif)
px.scatter_geo(gapminder, # 数据集 locations="iso_alpha", # 配和color显示颜色 color="continent", # 颜色的字段显示 hover_name="country", # 悬停数据 size="pop", # 大小 animation_frame="year" # 数据联动变化的选择 #,projection="natural earth" # 去掉projection参数 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153230211-681383191.jpg)
fig = px.line_geo( gapminder2007, # 数据集 locations="iso_alpha", # 配合和color显示数据 color="continent", # 颜色 projection="orthographic") # 球形的地图 fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153246178-256524454.gif)
3.5 使用内置iris数据
我们先看看怎么使用px来查看内置数据的文档:![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153715690-107423270.jpg)
选择两个属性制图
选择两个属性作为横纵坐标来绘制散点图fig = px.scatter( iris, # 数据集 x="sepal_width", # 横坐标 y="sepal_length" # 纵坐标 ) fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121153753797-1359148036.jpg)
3.6 联合分布图
我们一个图形中能够将散点图和直方图组合在一起显示:px.scatter( iris, # 数据集 x="sepal_width", # 横坐标 y="sepal_length", # 纵坐标 color="species", # 颜色 marginal_x="histogram", # 横坐标直方图 marginal_y="rug" # 细条图 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154007061-916250239.jpg)
3.7 小提琴图
小提琴图能够很好的显示数据的分布和误差情况,一行代码利用也能显示小提琴图:px.scatter( iris, # 数据集 x="sepal_width", # 横坐标 y="sepal_length", # 纵坐标 color="species", # 颜色 marginal_y="violin", # 纵坐标小提琴图 marginal_x="box", # 横坐标箱型图 trendline="ols" # 趋势线 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154026810-488576880.jpg)
3.8 散点矩阵图
px.scatter_matrix( iris, # 数据 dimensions=["sepal_width","sepal_length","petal_width","petal_length"], # 维度选择 color="species") # 颜色
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154038775-1588745826.jpg)
3.9 平行坐标图
px.parallel_coordinates( iris, # 数据集 color="species_id", # 颜色 labels={"species_id":"Species", # 各种标签值 "sepal_width":"Sepal Width", "sepal_length":"Sepal Length", "petal_length":"Petal Length", "petal_width":"Petal Width"}, color_continuous_scale=px.colors.diverging.Tealrose, color_continuous_midpoint=2)
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154053552-531116004.jpg)
3.10 箱体误差图
# 对当前值加上下两个误差值 iris["e"] = iris["sepal_width"] / 100 px.scatter( iris, # 绘图数据集 x="sepal_width", # 横坐标 y="sepal_length", # 纵坐标 color="species", # 颜色值 error_x="e", # 横轴误差 error_y="e" # 纵轴误差 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154118711-88777889.jpg)
3.11 等高线图
等高线图反映数据的密度情况:px.density_contour( iris, # 绘图数据集 x="sepal_width", # 横坐标 y="sepal_length", # 纵坐标值 color="species" # 颜色 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154147326-1597338062.jpg)
px.density_contour( iris, # 数据集 x="sepal_width", # 横坐标值 y="sepal_length", # 纵坐标值 color="species", # 颜色 marginal_x="rug", # 横轴为线条图 marginal_y="histogram" # 纵轴为直方图 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154151171-1314851605.jpg)
3.12 密度热力图
px.density_heatmap( iris, # 数据集 x="sepal_width", # 横坐标值 y="sepal_length", # 纵坐标值 marginal_y="rug", # 纵坐标值为线型图 marginal_x="histogram" # 直方图 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154155316-155049569.jpg)
3.13 并行类别图
在接下来的图形中我们使用的小费tips实例,首先是导入数据:![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154212928-1831543513.jpg)
fig = px.parallel_categories( tips, # 数据集 color="size", # 颜色 color_continuous_scale=px.colors.sequential.Inferno) # 颜色变化取值 fig.show()
3.14 柱状图
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154259564-685410384.jpg)
fig = px.bar( tips, # 数据集 x="sex", # 横轴 y="total_bill", # 纵轴 color="smoker", # 颜色参数取值 barmode="group", # 柱状图模式取值 facet_row="time", # 行取值 facet_col="day", # 列元素取值 category_orders={ "day": ["Thur","Fri","Sat","Sun"], # 分类顺序 "time":["Lunch", "Dinner"]}) fig.show()
3.15 直方图
fig = px.histogram( tips, # 绘图数据集 x="sex", # 横轴为性别 y="tip", # 纵轴为费用 histfunc="avg", # 直方图显示的函数 color="smoker", # 颜色 barmode="group", # 柱状图模式 facet_row="time", # 行取值 facet_col="day", # 列取值 category_orders={ # 分类顺序 "day":["Thur","Fri","Sat","Sun"], "time":["Lunch","Dinner"]} ) fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154426842-626236379.jpg)
3.16 箱型图
箱型图也是现实数据的误差和分布情况:# notched=True显示连接处的锥形部分 px.box(tips, # 数据集 x="day", # 横轴数据 y="total_bill", # 纵轴数据 color="smoker", # 颜色 notched=True) # 连接处的锥形部分显示出来
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154512308-46646429.jpg)
px.box( tips, # 数据集 x="day", # 横轴 y="total_bill", # 纵轴 color="smoker", # 颜色 # notched=True # 隐藏参数 )
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154533440-1120541194.jpg)
px.violin( tips, # 数据集 x="smoker", # 横轴坐标 y="tip", # 纵轴坐标 color="sex", # 颜色参数取值 box=True, # box是显示内部的箱体 points="all", # 同时显示数值点 hover_data=tips.columns) # 结果中显示全部数据
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154539266-1744849993.jpg)
3.17 极坐标图
在这里我们使用的是内置的wind数据:
散点极坐标图
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154652413-259161798.jpg)
线性极坐标图
fig = px.line_polar( wind, # 数据集 r="frequency", # 半径 theta="direction", # 角度 color="strength", # 颜色 line_close=True, # 线性闭合 color_discrete_sequence=px.colors.sequential.Plasma_r) # 颜色变化 fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154714903-837568318.jpg)
柱状极坐标图
fig = px.bar_polar( wind, # 数据集 r="frequency", # 半径 theta="direction", # 角度 color="strength", # 颜色 template="plotly_dark", # 主题 color_discrete_sequence=px.colors.sequential.Plasma_r) # 颜色变化 fig.show()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154729246-1693139446.jpg)
4. 颜色面板
在px中有很多的颜色可以供选择,提供了一个颜色面板:px.colors.qualitative.swatches()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154746353-500176046.jpg)
px.colors.sequential.swatches()
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154758898-1718456498.jpg)
5. 主题
px中存在3种主题:- plotly
- plotly_white
- plotly_dark
px.scatter( iris, # 数据集 x="sepal_width", # 横坐标值 y="sepal_length", # 纵坐标取值 color="species", # 颜色 marginal_x="box", # 横坐标为箱型图 marginal_y="histogram", # 纵坐标为直方图 height=600, # 高度 trendline="ols", # 显示趋势线 template="plotly") # 主题
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154820563-819253855.jpg)
px.scatter( iris, # 数据集 x="sepal_width", # 横坐标值 y="sepal_length", # 纵坐标取值 color="species", # 颜色 marginal_x="box", # 横坐标为箱型图 marginal_y="histogram", # 纵坐标为直方图 height=600, # 高度 trendline="ols", # 显示趋势线 template="plotly_white") # 主题
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154825020-1984938309.jpg)
px.scatter( iris, # 数据集 x="sepal_width", # 横坐标值 y="sepal_length", # 纵坐标取值 color="species", # 颜色 marginal_x="box", # 横坐标为箱型图 marginal_y="histogram", # 纵坐标为直方图 height=600, # 高度 trendline="ols", # 显示趋势线 template="plotly_dark") # 主题
![](https://img2020.cnblogs.com/blog/1929781/202101/1929781-20210121154828198-1024261884.jpg)
6. 总结一下
本文中利用大量的篇幅讲解了如何通过plotly_express来绘制:柱状图、线型图、散点图、小提琴图、极坐标图等各种常见的图形。通过观察上面Plotly_express
绘制图形过程,我们不难发现它有三个主要的优点:
- 快速出图,少量的代码就能满足多数的制图要求。基本上都是几个参数的设置我们就能快速出图
- 图形漂亮,绘制出来的可视化图形颜色亮丽,也有很多的颜色供选择。
- 图形是动态可视化的。文章中图形都是截图,如果是在
Jupyter notebook
中都是动态图形