Plotly : 超好用的Python可视化工具-编程知识

1. 引言

数据可视化是数据分析和探索的一个重要方面。它有助于深入了解数据集中的潜在模式、趋势和关系。Plotly 是一个功能强大、用途广泛的 Python 库，它为创建交互式、视觉上吸引人的图表提供了多种工具。

在本文中，我们将深入 Plotly 的世界，通过高级 Python 代码示例探索其特性和功能！

闲话少说，我们直接开始吧！

2. 安装

在深入学习示例之前，让我们先确保Plotly 已安装。如果尚未安装，请使用以下命令：

pip install plotly

现在我们已经安装了Plotly，让我们通过一系列高级 Python 代码示例来探索它的用法。

3. 基本折线图

首先，让我们创建一个简单的折线图：

import plotly.graph_objects as go
import numpy as np
# Generate sample data
x = np.linspace(0, 10, 100)
y = np.sin(x)
# Create a basic line plot
fig = go.Figure(data=go.Scatter(x=x, y=y, mode='lines'))
# Add title and labels
fig.update_layout(title='Basic Line Plot', xaxis_title='X-axis', yaxis_title='Y-axis')
# Show the plot
fig.show()

运行后得到如下：
在这里插入图片描述

本示例使用Plotly 创建一个简单的折线图。我们使用NumPy 生成样本数据，然后使用Plotly 的go.Scatter 创建折线图。

4. 带颜色的散点图

绘制散点图的示例代码如下：

import plotly.express as px
import pandas as pd
# Generate sample data
np.random.seed(42)
df = pd.DataFrame({'X': np.random.rand(50), 'Y': np.random.rand(50), 'Size': np.random.rand(50) * 30})
# Create a scatter plot with color gradient
fig = px.scatter(df, x='X', y='Y', size='Size', color='Size', title='Scatter Plot with Color Gradient')
# Show the plot
fig.show()

运行后得到结果如下：

在这里插入图片描述在本例中，我们使用 Plotly Express 创建了一个带有颜色梯度的散点图。通过大小和颜色参数，我们可以在图中展示第三个维度的信息。

5. 三维曲面图

三维曲面图展示了三个变量之间的关系以及其在三维空间中的分布形态。在三维曲面图中，数据点被映射到一个三维坐标系中的曲面上，通过曲面的形状、高度或颜色来表示数据的特征和变化趋势。

绘制三维曲面图的示例代码如下：

import plotly.graph_objects as go
import numpy as np
# Generate sample data
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))
# Create a 3D surface plot
fig = go.Figure(data=[go.Surface(z=z, x=x, y=y)])
# Add title and labels
fig.update_layout(title='3D Surface Plot', scene=dict(xaxis_title='X-axis', yaxis_title='Y-axis', zaxis_title='Z-axis'))
# Show the plot
fig.show()

运行后得到结果如下：

在这里插入图片描述

在上述代码中，我们首先为三维曲面图生成样本数据，并用go.Surface 来创建曲面图。生成的可视化图可以清晰地显示曲面。

6. 气泡图

气泡图是散点图的一种变体，通过每个点的面积大小，来反映第三个维度的信息。

import plotly.express as px
# Generate sample data
df = px.data.gapminder().query("year == 2007")
# Create a bubble map
fig = px.scatter_geo(df, locations='iso_alpha', size='pop', hover_name='country', title='Bubble Map')
# Show the plot
fig.show()

运行后，得到结果如下：
在这里插入图片描述
在本例中，我们使用Plotly Express创建气泡图，并利用Gapminder 数据集的数据作为示例。上图中每个气泡的大小代表一个国家的人口数量的多少。

7. 小提琴图

一般来说，小提琴图是一种绘制连续型数据的方法，可以认为是箱形图与核密度图的结合体。当然了，在小提琴图中，我们可以获取与箱形图中相同的统计信息。此外，它还显示了数据的整体分布。
我们来看个示例：

import plotly.express as px
import seaborn as sns
# Load sample dataset
tips = sns.load_dataset('tips')
# Create a violin plot
fig = px.violin(tips, y='total_bill', x='day', box=True, points="all", title='Violin Plot')
# Show the plot
fig.show()

运行后，得到结果如下：
在这里插入图片描述
在这里，我们使用 Plotly Express 绘制小提琴图，这是一种数据集分布的统计表示方法。该图显示了每天账单总额的分布情况。

8. 绘制旭日图

旭日图(Sunburstcharts)用于展示分层数据。它是一种分层图表，虽然可以用3D表示，但通常用于2D。旭日图建立在圆圈之上，每个层次的层次结构都显示为圆圈上的一个环。最外面的圆显示聚合数据，内部圆显示该聚合数据中包含的子类别信息。当用户将鼠标悬停在内环之一上时，可以看到该内环中包含的所有子集。

我们来看个示例：

import plotly.express as px
# Generate sample data
df = px.data.tips()
# Create a sunburst chart
fig = px.sunburst(df, path=['sex', 'day', 'time'], values='total_bill', title='Sunburst Chart')
# Show the plot
fig.show()

运行后，得到结果如下：
在这里插入图片描述
本例展示了使用Plotly Express创建的旭日图。分层结构由路径参数定义，数值由分段的大小表示。

9. 绘制热力图

热力图又被称为相关系数图。根据热力图中不同方块颜色对应的相关系数的大小，可以判断出变量之间相关性的大小。

绘制热力图的示例代码如下：

import plotly.express as px
import numpy as np
# Generate sample data
np.random.seed(42)
corr_matrix = np.random.rand(10, 10)
# Create a heatmap with annotations
fig = px.imshow(corr_matrix, labels=dict(x="X-axis", y="Y-axis", color="Correlation"), title='Heatmap with Annotations')
# Show the plot
fig.show()

运行后得到结果如下：
在这里插入图片描述
在这里，我们使用Plotly Express 创建带有注释的热图。通过标签参数，我们可以自定义坐标轴标签和颜色条标签。

10. 绘制雷达图

雷达图(radarchart)，是一种表现多维数据的强弱的图表。它将多个维度的数据量映射到坐标轴上，这些坐标轴起始于同一个圆心点，通常结束于圆周边缘，将同一组的点使用线连接起来就称为了雷达图。

绘制雷达图的示例代码如下：

import plotly.graph_objects as go
import pandas as pd
# Generate sample data
categories = ['Speed', 'Reliability', 'Comfort', 'Safety', 'Efficiency']
values = [90, 60, 85, 70, 80]
# Create a radar chart
fig = go.Figure()
fig.add_trace(go.Scatterpolar(r=values,theta=categories,fill='toself',name='Product A'
))
# Add title
fig.update_layout(title='Radar Chart')
# Show the plot
fig.show()

运行后得到结果如下：

在这里插入图片描述

在本例中，我们使用 Plotly 的Scatterpolar 创建一个雷达图。该图表表示单个数据点（产品 A）的多个属性（类别）的特征。

11. 绘制三维散点图

我们将气泡图的三维数据绘制到三维坐标系中，通常称其为三维散点图，即用在三维X-Y-Z图上针对一个或多个数据序列绘出三个度量的一种图表。

绘制三维散点图的示例代码如下：

import plotly.graph_objects as go
import numpy as np
# Generate sample data
np.random.seed(42)
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)
# Create a 3D scatter plot
fig = go.Figure(data=[go.Scatter3d(x=x, y=y, z=z, mode='markers', marker=dict(size=8, color=z, colorscale='Viridis'))])
# Add title and labels
fig.update_layout(title='3D Scatter Plot', scene=dict(xaxis_title='X-axis', yaxis_title='Y-axis', zaxis_title='Z-axis'))
# Show the plot
fig.show()

运行后得到结果如下：
在这里插入图片描述

本例展示了使用Plotly 绘制的三维散点图。每个点的颜色由 Z 轴的值决定，从而创建了一种具有视觉吸引力的表示方法。

12. 绘制漏斗图

漏斗图适用于业务流程比较规范、周期长、环节多的单流程单向分析，通过漏斗各环节业务数据的比较能够直观地发现和说明问题所在的环节，进而做出决策。漏斗图用梯形面积表示某个环节业务量与上一个环节之间的差异。漏斗图从上到下，有逻辑上的顺序关系，表现了随着业务流程的推进业务目标完成的情况。

绘制漏斗图的示例代码如下：

import plotly.graph_objects as go
# Generate sample data
values = [500, 450, 350, 300, 200]
# Create a funnel chart
fig = go.Figure(go.Funnel(y=['Stage 1', 'Stage 2', 'Stage 3', 'Stage 4', 'Stage 5'], x=values, textinfo='value+percent initial'))
# Add title
fig.update_layout(title='Funnel Chart')
# Show the plot
fig.show()