【四 （4）数据可视化之 Ploty Express常用图表及代码实现 】

目录

    • 文章导航
    • 一、介绍
    • 二、安装Plotly Express
    • 三、导入Plotly Express
    • 四、占比类图表
      • 1、饼图
      • 2、环形图
      • 3、堆叠条形图
      • 4、百分比堆叠条形图
    • 五、比较排序类
      • 1、条形图
      • 2、漏斗图
      • 3、面积漏斗图
    • 六、趋势类图表
      • 1、折线图
      • 2、多图例折线图
      • 3、分列折线图
      • 4、面积图
      • 5、多图例面积图
    • 七、频率分布类
      • 1、直方图
      • 2、箱线图
    • 八、关系类图表
      • 1、散点图
      • 2、分列散点图
      • 3、气泡图
      • 4、热力图
      • 5、成对关系图

文章导航

【一 简明数据分析进阶路径介绍（文章导航）】

一、介绍

plotly是一个基于javascript的绘图库，python语言对相关参数进行了封装，ploty默认是生成HTML网页文件，通过浏览器查看，也可以在jupyter notebook中显示。

二、安装Plotly Express

pip install plotly

三、导入Plotly Express

import plotly.express as px

四、占比类图表

1、饼图

import plotly.express as px  
import pandas as pd  # 假设我们有以下数据  
data = {  '类别': ['类别A', '类别B', '类别C', '类别D'],  '值': [20, 30, 15, 35]  
}  
df = pd.DataFrame(data)  # 绘制饼图  
fig = px.pie(df, values='值', names='类别', title='饼图示例')  fig.update_traces(textposition='inside', textinfo='percent+label')  
fig.show()

在这里插入图片描述

2、环形图

import plotly.express as px  
import pandas as pd  # 环形图其实就是带孔的饼图  
fig = px.pie(df, values='值', names='类别', title='环形图示例', hole=.3)  
fig.update_layout(  font_family="SimHei",  title_font_size=16,  legend_title_text='类别',  legend_font_size=12  
)  
fig.update_traces(textposition='inside', textinfo='percent+label')  
fig.show()

在这里插入图片描述

3、堆叠条形图

import plotly.express as px  
import pandas as pd  
# 假设我们有以下数据，包含多个分类和它们的值  
data = {  '年份': ['2020', '2020', '2021', '2021'],  '类别': ['A', 'B', 'A', 'B'],  '值': [10, 15, 20, 25]  
}  
df = pd.DataFrame(data)  # 绘制堆叠条形图  
fig = px.bar(df, x='年份', y='值', color='类别', barmode='stack', title='堆叠条形图示例')    def set_text(trace):  trace.text = [f"{val:.1f}" for val in trace.y]  trace.textposition = 'outside'  fig.for_each_trace(set_text)  
fig.show()

在这里插入图片描述

4、百分比堆叠条形图

import plotly.express as px  
import pandas as pd  # 假设数据  
data = {  '年份': ['2020', '2020', '2021', '2021'],  '类别': ['A', 'B', 'A', 'B'],  '值': [10, 15, 20, 25]  
}  
df = pd.DataFrame(data)  # 计算每个年份的总值，用于计算百分比  
df['总值'] = df.groupby('年份')['值'].transform('sum')  
df['百分比'] = (df['值'] / df['总值']) * 100  # 绘制堆叠条形图  
fig = px.bar(df, x='年份', y='百分比', color='类别', barmode='stack', title='百分比堆叠条形图示例')  # 遍历每个轨迹并设置文本  
def set_text(trace):  trace.text = [f"{val:.1f}%" for val in trace.y]  trace.textposition = 'outside'  fig.for_each_trace(set_text)  # 显示图表  
fig.show()

在这里插入图片描述

五、比较排序类

1、条形图

import plotly.express as px  
import pandas as pd  # 假设我们有以下数据  
data = {  '类别': ['A', 'B', 'C', 'D'],  '值': [20, 35, 30, 25]  
}  
df = pd.DataFrame(data)  # 绘制条形图  
fig = px.bar(df, x='类别', y='值', title='条形图示例')  # 遍历每个轨迹并设置文本  
def set_text(trace):  trace.text = [f"{val:.1f}" for val in trace.y]  trace.textposition = 'outside'  fig.for_each_trace(set_text)  # 显示图表  
fig.show()

在这里插入图片描述

2、漏斗图

import plotly.express as px  
import pandas as pd  data = dict(number=[10000,7000,4000,2000,1000],stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel(data,x='number',y='stage')# 显示图表  
fig.show()

在这里插入图片描述

3、面积漏斗图

import plotly.express as px  
import pandas as pd  data = dict(number=[10000,7000,4000,2000,1000],stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel_area(names=data['stage'],values=data['number'])# 显示图表  
fig.show()

在这里插入图片描述

六、趋势类图表

1、折线图

import plotly.express as px  
import pandas as pd  # 假设的数据集  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '销售额': [12000, 15000, 18000, 13000, 16000, 19000]  
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 使用Plotly Express绘制折线图  
fig = px.line(df, x='月份', y='销售额', title='每月销售额趋势', labels={'月份': '月份', '销售额': '销售额'})  # 显示图表  
fig.show()

在这里插入图片描述

2、多图例折线图

import plotly.express as px  
import pandas as pd  # 假设的数据集，包含两个不同类别的销售额  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '线上销售额': [12000, 15000, 18000, 13000, 16000, 19000],  '线下销售额': [8000, 10000, 12000, 14000, 11000, 13000]  
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 使用Plotly Express绘制多图例折线图  
fig = px.line(df, x='月份', y=['线上销售额', '线下销售额'], title='每月线上与线下销售额趋势')  # 显示图表  
fig.show()

在这里插入图片描述

3、分列折线图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建示例数据  
np.random.seed(0)  
date_rng = pd.date_range(start='2023-01-01', periods=12, freq='M')  # 生成12个月的日期范围  
categories = ['Category1', 'Category2']  # 分类变量  
subcategories = ['Sub1', 'Sub2', 'Sub3']  # 子分类变量  # 生成时间序列数据  
df = pd.DataFrame()  
for cat in categories:  for subcat in subcategories:  data = np.random.rand(len(date_rng))  # 随机生成数据  df = df.append(pd.DataFrame({  'Date': date_rng,  'Category': cat,  'Subcategory': subcat,  'Value': data  }), ignore_index=True)  # 将Date列转换为pandas的日期格式  
df['Date'] = pd.to_datetime(df['Date'])  # 设置Date列为索引，以便在折线图中使用它作为x轴  
df.set_index('Date', inplace=True)  # 绘制分列折线图  
fig = px.line(df, x=df.index, y='Value', color='Subcategory',  #facet_row='Category',  # 按照Category进行分行展示  facet_col='Category',  # 按照Category进行分列展示  title='分列折线图示例',  labels={'Value': '数值', 'Subcategory': '子类别'},  width=1000, height=600)  # 显示图表  
fig.show()

在这里插入图片描述

4、面积图

import plotly.express as px  
import pandas as pd  # 假设的数据集  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '销售额': [12000, 15000, 18000, 13000, 16000, 19000]
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 计算累积销售额  
df['累积销售额'] = df['销售额'].cumsum()  
# 使用Plotly Express绘制面积图  
fig = px.area(df, x='月份', y='累积销售额', title='累积销售额趋势', labels={'月份': '月份', '累积销售额': '累积销售额'})  # 设置面积图的颜色填充
fig.update_traces(fill='tonexty', fillcolor='lightskyblue')# 显示图表
fig.show()

在这里插入图片描述

5、多图例面积图

import plotly.express as px  
import pandas as pd  # 假设的数据集  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '产品A销售额': [1000, 1200, 1500, 1300, 1600, 1800],  '产品B销售额': [800, 1000, 1100, 1400, 1500, 1700]  
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 使用Plotly Express绘制多图例面积图  
fig = px.area(df, x='月份', y=['产品A销售额', '产品B销售额'],   title='不同产品销售额趋势',  labels={'月份': '月份', '产品A销售额': '产品A销售额', '产品B销售额': '产品B销售额'},  color_discrete_sequence=['#1f77b4', '#ff7f0e'])  # 更新图表的样式和布局  
fig.update_layout(  xaxis=dict(  titlefont=dict(size=16, color='black'),  tickfont=dict(size=12),  ),  yaxis=dict(  titlefont=dict(size=16, color='black'),  tickfont=dict(size=12),  ),  legend=dict(  x=0.01,  y=0.99,  bgcolor='rgba(255, 255, 255, 0.8)',  bordercolor='rgba(0, 0, 0, 0.5)'  ),  font=dict(  size=12,  color='black'  ),  plot_bgcolor='rgba(240, 240, 240, 1)',  # 设置背景色  paper_bgcolor='rgba(240, 240, 240, 1)',  # 设置画布背景色  margin=dict(l=40, r=40, t=60, b=30)  # 设置图表边距  
)  # 显示图表  
fig.show()

在这里插入图片描述

七、频率分布类

1、直方图

import plotly.express as px  
import numpy as np  # 生成一个正态分布的数据集  
np.random.seed(0)  # 设置随机种子以便结果可复现  
data = np.random.normal(loc=0, scale=1, size=1000)  # 生成均值为0，标准差为1的正态分布数据  # 创建一个简单的DataFrame来存储数据  
df = pd.DataFrame(data, columns=['值'])# 绘制直方图  
fig = px.histogram(df, x='值', nbins=30, title='数据集的直方图示例',  histnorm='probability density',  # 归一化为概率密度  opacity=0.8,  # 设置条形的透明度  color_discrete_sequence=['#4E79A7'])  # 设置条形的颜色  # 更新布局以美化图表  
fig.update_layout(  font_family="SimHei",  # 使用支持中文的字体  title_font_size=16,  # 标题字体大小  xaxis_title_text='值',  # x轴标题  yaxis_title_text='概率密度',  # y轴标题  xaxis_tickfont_size=12,  # x轴刻度字体大小  yaxis_tickfont_size=12,  # y轴刻度字体大小  barmode='overlay',  # 设置条形的堆叠模式（如果需要的话）  bargap=0.1,  # 设置条形之间的间隙  bargroupgap=0.1  # 设置组之间的间隙  
)  # 显示图表  
fig.show()

在这里插入图片描述

2、箱线图

import plotly.express as px  # 假设我们有以下数据，包含分类列'category'和数值列'value'  
data = {  'category': ['A', 'A', 'B', 'B', 'C', 'C', 'D', 'D'],  'value': [1, 2, 5, 4, 3, 7, 6, 8]  
}  
df = pd.DataFrame(data)  # 绘制箱线图  
fig = px.box(df, x='category', y='value', title='箱线图示例')  fig.show()

在这里插入图片描述

八、关系类图表

1、散点图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建示例数据  
np.random.seed(0)  
df = pd.DataFrame({  'x': np.random.randn(200),  'y': np.random.randn(200),  'category': np.random.choice(['A', 'B', 'C'], 200)  
})  # 绘制散点图  
fig = px.scatter(df, x='x', y='y', color='category',  title='散点图示例',  labels={'x': 'X轴变量', 'y': 'Y轴变量', 'category': '类别'},  width=800, height=600)  # 显示图表  
fig.show()

在这里插入图片描述

2、分列散点图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建示例数据  
np.random.seed(0)  
df = pd.DataFrame({  'Category': np.repeat(['A', 'B'], 200),  'X': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),  'Y': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),  'Subcategory': np.tile(['Sub1', 'Sub2', 'Sub3', 'Sub4'], 100)  
})  # 绘制分列散点图  
fig = px.scatter(df, x='X', y='Y', color='Subcategory',  facet_col='Category',  title='分列散点图示例',  labels={'X': 'X轴数据', 'Y': 'Y轴数据', 'Subcategory': '子类别'},  width=1000, height=600,  facet_col_wrap=2 # 设置每行显示的子图数量  )  # 显示图表  
fig.show()

在这里插入图片描述

3、气泡图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建一个简单的DataFrame作为示例  
np.random.seed(0)  # 设置随机种子以便结果可复现  
df = pd.DataFrame({  'x': np.random.randn(200),  # x轴数据  'y': np.random.randn(200),  # y轴数据  'size': np.random.uniform(10, 50, 200),  # 气泡大小  'category': np.random.choice(['A', 'B', 'C', 'D'], 200)  # 气泡的类别  
})  # 使用px.scatter绘制气泡图  
fig = px.scatter(df, x='x', y='y', size='size', color='category',  title='气泡图示例',  labels={'x': 'X轴数据', 'y': 'Y轴数据', 'size': '大小', 'category': '类别'},  hover_data=['size', 'category'],  # 鼠标悬停时显示的数据  log_x=False,  # 是否对X轴使用对数尺度，这里我们不使用  width=800, height=600)  # 显示图表  
fig.show()

在这里插入图片描述

4、热力图

import seaborn as sns  # 创建随机二维数据矩阵  
data = np.random.rand(10, 12)  
df_heat = pd.DataFrame(data, columns=[f'Col{i}' for i in range(1, 13)],  index=[f'Row{i}' for i in range(1, 11)])  # 绘制热力图  
fig = px.imshow(df_heat,  title='热力图示例',  labels=dict(x="列", y="行", color="值"),  x=df_heat.columns, y=df_heat.index,  color_continuous_scale='viridis',  width=800, height=600)  # 显示图表  
fig.show()

在这里插入图片描述

5、成对关系图

import seaborn as sns  # 使用内置的iris数据集作为示例  
df_iris = px.data.iris()  # 绘制成对关系图  
fig = px.scatter_matrix(df_iris,  dimensions=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'],  color='species',  title='成对关系图示例',  width=1000, height=800)  # 显示图表  
fig.show()

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/542559.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

mysql实战开发之 mysql 删除一张表某个字段的sql语句

mysql实战开发之 mysql 删除一张表某个字段的sql语句

有一张表, 我需要删除这张表其中的某一个或者某几个字段, 相信大家在日常开发中应该会遇到这种情况, 然后刚好自己接触的项目安装的mysql关闭了允许远程连接的设置, 也就是说不允许使用类似于navicat 等可视化工具连接, 那么就没办法通过可视化工具直接去通过鼠标操作就可以 完…
阅读更多...
B3620 x 进制转 10 进制（详解）

B3620 x 进制转 10 进制（详解）

题目 思路 十进制数13怎么转为二进制数。许多人都知道用13一直除以2，取余数，最后反向将余数组合起来。 首先它是转二进制，我们都知道二进制数是逢二进一，所以我们就看看13有多少个2是吧，于是就用132得到6余1的结果&am…
阅读更多...
ASP.NET-Server.HtmlEncode

ASP.NET-Server.HtmlEncode

目录 背景: 1.转义特殊字符： 2.防止跨站脚本攻击（XSS）： 3.确保输出安全性： 4.保留原始文本形式： 5.与用户输入交互安全： 实例说明: 不用Server.HtmlEncode 效果展示: 用Server.HtmlEnc…
阅读更多...
腾讯在线文档下载文档html格式

腾讯在线文档下载文档html格式

腾讯在线文档下载文档html格式 步骤 chrome 浏览器打开该文档（edge不行） 同时按住ctrlp快捷键调出腾讯文档内置的打印页面，打印范围要选择整个工作薄，纸张建议调大一点，边距建议较窄，缩放要选择宽度撑满&…
阅读更多...
vue使用elementPlus ui框架，如何给Dialog 对话框添加Loading 自定义类名显示隐藏

vue使用elementPlus ui框架，如何给Dialog 对话框添加Loading 自定义类名显示隐藏

vue使用elementPlus ui框架时&#xff0c;如何给Dialog 对话框添加Loading 自定义类名&#xff0c;想要实现dialog对话框区域有loading效果 官方给出的这个API配置项customClass&#xff0c;使用不太明确。暂时无法实现绑定class。 最后的实现方式&#xff1a; <template&…
阅读更多...
基础：TCP是什么？

基础：TCP是什么？

1. TCP 是什么&#xff1f; TCP&#xff08;Transmission Control Protocol 传输控制协议&#xff09; 是一种面向连接的、可靠的、基于字节流的传输层通信协议&#xff0c;由IETF的RFC 793 [1]定义。 TCP旨在适应支持多网络应用的分层协议层次结构。连接到不同但互连的计算机…
阅读更多...
详细分析Java中Stream流和for循环的差异之处

详细分析Java中Stream流和for循环的差异之处

目录 前言1. 基本知识2. Demo 前言 事情起因是遍历大数据的时候&#xff0c;数据卡顿很严重 对于Java的基本知识推荐阅读&#xff1a;java框架 零基础从入门到精通的学习路线 附开源项目面经等&#xff08;超全&#xff09; 1. 基本知识 在Java中&#xff0c;Stream API提供…
阅读更多...
【PythonCode】力扣Leetcode6~10题Python版

【PythonCode】力扣Leetcode6~10题Python版

【PythonCode】力扣Leetcode6~10题Python版 前言 力扣Leetcode是一个集学习、刷题、竞赛等功能于一体的编程学习平台&#xff0c;很多计算机相关专业的学生、编程自学者、IT从业者在上面学习和刷题。 在Leetcode上刷题&#xff0c;可以选择各种主流的编程语言&#xff0c;如C、…
阅读更多...
Backend - Windows 自动排程

Backend - Windows 自动排程

目录 一、创建排程 1. Windows 键 R 打开"运行"。输入taskschd.msc 回车&#xff0c;进入工作排程器。 2. 在右侧“动作”导航栏中&#xff0c;点击“建立工作”。 3. 设置“一般”、“触发程序”、“动作”。 4. 排程管理 二、运行问题 1. 文件位置相关问题…
阅读更多...
软考高级：BPR 和 BPM概念和例题

软考高级：BPR 和 BPM概念和例题

作者&#xff1a;明明如月学长&#xff0c; CSDN 博客专家&#xff0c;大厂高级 Java 工程师&#xff0c;《性能优化方法论》作者、《解锁大厂思维&#xff1a;剖析《阿里巴巴Java开发手册》》、《再学经典&#xff1a;《Effective Java》独家解析》专栏作者。 热门文章推荐&am…
阅读更多...
中电金信：技术实践｜Flink维度表关联方案解析

中电金信：技术实践｜Flink维度表关联方案解析

导语&#xff1a;Flink是一个对有界和无界数据流进行状态计算的分布式处理引擎和框架&#xff0c;主要用来处理流式数据。它既可以处理有界的批量数据集&#xff0c;也可以处理无界的实时流数据&#xff0c;为批处理和流处理提供了统一编程模型。 维度表可以看作是用户来分析数…
阅读更多...
【AI+应用】一步步搭建聊天机器人搭配多种国内外大模型以及api接口调用

【AI+应用】一步步搭建聊天机器人搭配多种国内外大模型以及api接口调用

如果你看过我之前写的一篇文章 【AI应用】怎么快速制作一个类chatGPT套壳网站&#xff0c; 你可能顺利地使用chatGPT、Gemini&#xff0c; 用得很happy。 突然有一天&#xff0c;你发现一些网站&#xff0c;除了chatGPT、Gemini &#xff0c;还可以切换使用国内外其他的大模型…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023