【数据可视化-05】：Plotly数据可视化宝典

一、引言

  数据可视化是机器学习流程中不可或缺的一部分。通过图形和图表展示数据，我们可以更直观地理解数据的分布、趋势和关联，从而更有效地进行数据分析、特征工程和模型评估。Plotly是一个功能强大且灵活的数据可视化库，它提供了丰富的图表类型和交互功能，使得数据可视化过程更加便捷和高效。本文将详细介绍Plotly的基础知识、图表类型、高级功能以及在机器学习中的应用，并通过示例展示其使用方法。

二、Plotly基础
Plotly简介

  Plotly是一个基于Web的数据可视化库，它支持多种编程语言，包括Python、R、JavaScript等。Plotly具有强大的图表定制能力、丰富的图表类型和交互功能，广泛应用于数据分析、科学研究和机器学习等领域。Plotly的历史可以追溯到2012年，由克里斯·帕特尔（Chris Plotly）等人创建。经过多年的发展，Plotly已经成为数据可视化领域的佼佼者之一。

安装与设置

  要在Python中使用Plotly，你需要首先安装相应的库。你可以使用pip命令来安装Plotly，如下所示：

pip install plotly

  此外，为了能够在本地环境中查看Plotly生成的图表，你还需要安装plotly.offline模块。你可以通过以下命令来安装它：

pip install plotly[offline]

  安装完成后，你就可以在Python代码中导入Plotly库并开始使用它了。

基本用法

  Plotly的基本用法非常简单。下面是一个使用Plotly绘制简单折线图的示例：

import plotly.graph_objects as go# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]# 创建折线图
fig = go.Figure(data=go.Scatter(x=x, y=y))# 设置图表标题和轴标签
fig.update_layout(title='简单折线图', xaxis_title='X轴', yaxis_title='Y轴')# 离线显示图表
import plotly.offline as pyo
pyo.plot(fig)

在这里插入图片描述

  在这个示例中，我们首先导入了plotly.graph_objects模块，并创建了一个包含X轴和Y轴数据的折线图。然后，我们使用update_layout方法设置了图表的标题和轴标签。最后，我们使用plotly.offline模块的plot函数将图表离线显示在本地浏览器中，需要指出的是plotly.graph_objects模块提供了丰富的绘图函数，plotly.express模块也提供丰富的绘图函数，下面的介绍将两个模块配合使用。

  通过修改数据和配置选项，你可以轻松地创建出各种不同类型的图表，如散点图、柱状图、饼图等。接下来，我们将详细介绍Plotly支持的图表类型及其用法。

三、Plotly图表类型详解

1. 折线图（Line Charts）

  折线图通常用于展示时间序列数据或连续数据的变化趋势。Plotly可以轻松绘制多系列折线图，以比较不同数据集的动态。

import plotly.graph_objects as go# 创建数据
x = ['2021-01', '2021-02', '2021-03', '2021-04', '2021-05']
y1 = [10, 15, 13, 17, 20]
y2 = [12, 13, 10, 16, 18]# 创建折线图
fig = go.Figure()
fig.add_trace(go.Scatter(x=x, y=y1, mode='lines', name='Series 1'))
fig.add_trace(go.Scatter(x=x, y=y2, mode='lines', name='Series 2'))# 设置图表标题和轴标签
fig.update_layout(title='时间序列折线图', xaxis_title='Month', yaxis_title='Value')# 显示图表
fig.show()

在这里插入图片描述

2. 散点图（Scatter Plots）

  散点图用于展示两个变量之间的关系。在Plotly中，你可以添加颜色、大小等属性来增强图表的可读性。

import plotly.graph_objects as go# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
sizes = [10, 20, 30, 40, 50]
colors = ['red', 'orange', 'green', 'blue', 'purple']# 创建散点图
fig = go.Figure(data=go.Scatter(x=x, y=y,mode='markers',marker=dict(size=sizes,color=colors,opacity=0.8)
))# 设置图表标题和轴标签
fig.update_layout(title='散点图', xaxis_title='X轴', yaxis_title='Y轴')# 显示图表
fig.show()

在这里插入图片描述
  下面我们可以使用plotly.express模块来绘制气泡图；

import plotly.express as px
df = px.data.gapminder()fig = px.scatter(df.query("year==2007"), x="gdpPercap", y="lifeExp",size="pop", color="continent",hover_name="country", log_x=True, size_max=60)
fig.show()

在这里插入图片描述

3. 柱状图（Bar Charts）

  柱状图用于展示分类数据的数量或比例。Plotly支持分组柱状图和堆叠柱状图等多种类型。

import plotly.graph_objects as go# 创建数据
x = ['Category 1', 'Category 2', 'Category 3']
y1 = [10, 15, 12]
y2 = [8, 12, 16]# 创建分组柱状图
fig = go.Figure(data=[go.Bar(name='Series 1', x=x, y=y1),go.Bar(name='Series 2', x=x, y=y2)
])# 设置图表标题和轴标签
fig.update_layout(barmode='group', title='分组柱状图', xaxis_title='Category', yaxis_title='Value')# 显示图表
fig.show()

在这里插入图片描述

4. 饼图（Pie Charts）

  饼图用于展示分类数据的比例关系。在Plotly中，你可以轻松地绘制出各种颜色的扇形来代表不同分类。

import plotly.graph_objects as go# 创建数据
labels = ['Category 1', 'Category 2', 'Category 3']
values = [15, 30, 55]# 创建饼图
fig = go.Figure(data=[go.Pie(labels=labels, values=values)])# 设置图表标题
fig.update_layout(title='饼图')# 显示图表
fig.show()

在这里插入图片描述

5. 箱线图（Box Plots）

  箱线图是一种展示数据分布和异常值的图表类型。在Plotly中，你可以通过箱线图快速了解数据的四分位数、中位数和异常值。

import plotly.express as px
df = px.data.tips()
fig = px.box(df, y="total_bill")
fig.show()

在这里插入图片描述

import plotly.express as px
df = px.data.tips()
fig = px.box(df, x="time", y="total_bill")
fig.show()

在这里插入图片描述

6. 热力图（Heatmaps）

  热力图用于展示二维数据矩阵中的数值分布。颜色深浅表示数值的大小，非常适合用于展示表格数据或矩阵数据。

import plotly.graph_objects as go
import numpy as np# 创建数据
z = np.random.rand(10, 10)# 创建热力图
fig = go.Figure(data=go.Heatmap(z=z))# 设置图表标题和轴标签
fig.update_layout(title='热力图', xaxis_title='X Axis', yaxis_title='Y Axis')# 显示图表
fig.show()

在这里插入图片描述

7.直方图
import plotly.express as px
df = px.data.tips()
fig = px.histogram(df, x="total_bill", nbins=20)
fig.show()

在这里插入图片描述

8. 三维图表（3D Charts）

  Plotly还支持绘制三维图表，如三维散点图、三维曲面图等，用于展示三维空间中的数据。

import plotly.graph_objects as go
import numpy as np
np.random.seed(1)N = 70fig = go.Figure(data=[go.Mesh3d(x=(70*np.random.randn(N)),y=(55*np.random.randn(N)),z=(40*np.random.randn(N)),opacity=0.5,color='rgba(244,22,100,0.6)')])fig.update_layout(scene = dict(xaxis = dict(nticks=4, range=[-100,100],),yaxis = dict(nticks=4, range=[-50,100],),zaxis = dict(nticks=4, range=[-100,100],),),width=700,margin=dict(r=20, l=10, b=10, t=10))fig.show()

在这里插入图片描述

9. 地图可视化

  Plotly支持地理数据的可视化，包括绘制散点图、热力图等在地图上。你可以使用内置的地图投影和坐标系统，或者上传自定义的GeoJSON文件。

import plotly.express as px
df = px.data.gapminder().query("year==2007")
fig = px.scatter_geo(df, locations="iso_alpha", color="continent",hover_name="country", size="pop",projection="natural earth")
fig.show()

在这里插入图片描述

10. 子图（Subplots）

  Plotly支持在一个图表中绘制多个子图，这对于比较不同数据集或展示多个维度的数据非常有用。

import plotly.graph_objects as go
from plotly.subplots import make_subplotsimport pandas as pd# read in volcano database data
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/volcano_db.csv",encoding="iso-8859-1",
)# frequency of Country
freq = df
freq = freq.Country.value_counts().reset_index().rename(columns={"index": "x"})# read in 3d volcano surface data
df_v = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/volcano.csv")# Initialize figure with subplots
fig = make_subplots(rows=2, cols=2,column_widths=[0.6, 0.4],row_heights=[0.4, 0.6],specs=[[{"type": "scattergeo", "rowspan": 2}, {"type": "bar"}],[            None                    , {"type": "surface"}]])# Add scattergeo globe map of volcano locations
fig.add_trace(go.Scattergeo(lat=df["Latitude"],lon=df["Longitude"],mode="markers",hoverinfo="text",showlegend=False,marker=dict(color="crimson", size=4, opacity=0.8)),row=1, col=1
)# Add locations bar chart
fig.add_trace(go.Bar(x=freq["x"][0:10],y=freq["Country"][0:10], marker=dict(color="crimson"), showlegend=False),row=1, col=2
)# Add 3d surface of volcano
fig.add_trace(go.Surface(z=df_v.values.tolist(), showscale=False),row=2, col=2
)# Update geo subplot properties
fig.update_geos(projection_type="orthographic",landcolor="white",oceancolor="MidnightBlue",showocean=True,lakecolor="LightBlue"
)# Rotate x-axis labels
fig.update_xaxes(tickangle=45)# Set theme, margin, and annotation in layout
fig.update_layout(template="plotly_dark",margin=dict(r=10, t=25, b=40, l=60),annotations=[dict(text="Source: NOAA",showarrow=False,xref="paper",yref="paper",x=0,y=0)]
)fig.show()

在这里插入图片描述

四、Plotly在机器学习中的应用

1. 数据探索

  数据探索是机器学习项目中的关键步骤，通过可视化技术可以帮助我们更好地理解数据。Plotly可以轻松地创建各种图表来展示数据的分布、趋势和相关性。

示例代码：使用Plotly绘制散点图和直方图进行数据探索

import plotly.graph_objects as go
import numpy as np
import pandas as pd# 假设我们有一个DataFrame，包含两个特征'feature1'和'feature2'
# 这里我们使用随机数据作为示例
np.random.seed(0)
data = pd.DataFrame({'feature1': np.random.randn(1000),'feature2': np.random.randn(1000) + 2
})# 使用散点图查看特征之间的关系
fig = go.Figure(data=go.Scatter(x=data['feature1'],y=data['feature2'],mode='markers',marker=dict(color=data['feature2'],  # 设置颜色以区分不同数值colorscale='Viridis',    # 使用Viridis颜色比例尺showscale=True)
))# 添加标题和轴标签
fig.update_layout(title='Data Exploration: Scatter plot of feature1 and feature2',xaxis_title='Feature 1',yaxis_title='Feature 2'
)# 显示图表
fig.show()# 使用直方图查看特征的分布
fig = go.Figure([go.Histogram(x=data['feature1']), go.Histogram(x=data['feature2'])])# 自定义直方图的布局
fig.update_layout(barmode='overlay',title='Data Exploration: Histogram of features',xaxis_title='Value',yaxis_title='Count'
)# 显示图表
fig.show()

在这里插入图片描述
在这里插入图片描述

2. 模型评估

  模型评估是机器学习项目中的重要环节，Plotly可以帮助我们绘制评估图表，如混淆矩阵、ROC曲线等，以直观地展示模型的性能。

示例代码：使用Plotly绘制混淆矩阵

import plotly.express as px
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve, auc
from sklearn.datasets import make_classificationX, y = make_classification(n_samples=500, random_state=0)model = LogisticRegression()
model.fit(X, y)
y_score = model.predict_proba(X)[:, 1]
fpr, tpr, thresholds = roc_curve(y, y_score)# The histogram of scores compared to true labels
fig_hist = px.histogram(x=y_score, color=y, nbins=50,labels=dict(color='True Labels', x='Score')
)fig_hist.show()# Evaluating model performance at various thresholds
df = pd.DataFrame({'False Positive Rate': fpr,'True Positive Rate': tpr
}, index=thresholds)
df.index.name = "Thresholds"
df.columns.name = "Rate"fig_thresh = px.line(df, title='TPR and FPR at every threshold',width=700, height=500
)fig_thresh.update_yaxes(scaleanchor="x", scaleratio=1)
fig_thresh.update_xaxes(range=[0, 1], constrain='domain')
fig_thresh.show()

在这里插入图片描述
在这里插入图片描述

  注意：对于更复杂的评估图表（如ROC曲线），可能需要使用sklearn.metrics中的函数来生成数据，并使用Plotly的曲线图（go.Scatter）或其他适合的图表类型进行绘制。

import plotly.express as px
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_curve, auc
from sklearn.datasets import make_classificationX, y = make_classification(n_samples=500, random_state=0)model = LogisticRegression()
model.fit(X, y)
y_score = model.predict_proba(X)[:, 1]fpr, tpr, thresholds = roc_curve(y, y_score)fig = px.area(x=fpr, y=tpr,title=f'ROC Curve (AUC={auc(fpr, tpr):.4f})',labels=dict(x='False Positive Rate', y='True Positive Rate'),width=700, height=500
)
fig.add_shape(type='line', line=dict(dash='dash'),x0=0, x1=1, y0=0, y1=1
)fig.update_yaxes(scaleanchor="x", scaleratio=1)
fig.update_xaxes(constrain='domain')
fig.show()

在这里插入图片描述

3. 特征工程

  特征工程是机器学习项目中的另一个关键步骤，Plotly可以用于可视化特征之间的关系，以指导特征选择和转换。

示例代码：使用Plotly绘制特征之间的相关性矩阵

import seaborn as sns
import plotly.express as px
import pandas as pd# 假设我们有一个包含多个特征的DataFrame
# 这里我们使用seaborn的内置数据集作为示例
data = sns.load_dataset('iris')# 使用Plotly Express绘制相关性矩阵热力图
fig = px.imshow(data.corr(), color_continuous_scale='Viridis')# 添加标题和轴标签
fig.update_layout(title='Feature Correlation Matrix',xaxis_title='Features',yaxis_title='Features'
)# 显示图表
fig.show()

在这里插入图片描述

  在这个例子中，我们使用了Plotly Express（Plotly的一个高级接口），它简化了数据可视化的流程。通过相关性矩阵热力图，我们可以快速识别出哪些特征之间存在高度相关性，从而指导特征选择和转换。

五、总结与展望

总结

  Plotly作为一款功能强大的数据可视化库，在机器学习项目中发挥着重要作用。它支持多种编程语言，包括Python、R和JavaScript，提供了丰富的图表类型和高度可定制化的选项，使得数据探索和模型评估变得更加直观和高效。

  在数据探索阶段，Plotly可以帮助我们快速生成各种图表，如散点图、直方图、箱线图等，以展示数据的分布、趋势和相关性。这些图表有助于我们更好地理解数据，发现数据中的模式和异常值，为后续的特征工程和模型训练提供有价值的指导。

  在模型评估阶段，Plotly可以用于绘制混淆矩阵、ROC曲线等评估图表，以直观地展示模型的性能。这些图表有助于我们评估模型的分类效果和泛化能力，从而调整模型参数或选择更合适的模型。

  在特征工程阶段，Plotly可以用于可视化特征之间的关系，如相关性矩阵热力图等。这些图表有助于我们识别出高度相关的特征，从而指导特征选择和转换，提高模型的预测性能。

展望

  随着数据科学和机器学习的不断发展，数据可视化将变得越来越重要。Plotly作为一款功能强大的数据可视化库，未来将继续发展并改进其功能，以满足不断增长的需求。

  首先，Plotly可以进一步加强对交互式图表的支持，使得用户能够更直观地探索和分析数据。例如，通过添加更多交互式元素和动画效果，用户可以更深入地了解数据的细节和模式。

  其次，Plotly可以进一步扩展其图表类型和定制化选项，以满足更多领域和场景的需求。例如，可以添加更多适用于金融、医疗等领域的专业图表类型，并提供更多可定制的样式和主题选项。

  最后，Plotly可以加强与其他数据科学和机器学习库的集成，提供更加便捷的数据处理和可视化解决方案。例如，可以与Pandas、NumPy等数据处理库进行无缝集成，使得数据预处理和可视化分析更加高效和简单。

六、附录

参考资料和链接
  • Plotly官方文档：https://plotly.com/python/
  • Plotly Express教程：https://plotly.com/python/plotly-express/
  • Seaborn数据集：https://seaborn.pydata.org/generated/seaborn.load_dataset.html
建议进一步学习的资源和书籍
  • 《Python数据可视化：使用Matplotlib、Pandas、Seaborn和Plotly》：这本书详细介绍了Python中常用的数据可视化库，包括Plotly的使用方法和技巧。
  • 《数据科学实战》：这本书涵盖了数据科学领域的各个方面，包括数据探索、特征工程、模型训练和评估等，并提供了丰富的实战案例和代码实现。
  • Plotly官方教程和社区论坛：Plotly官方提供了丰富的教程和示例代码，同时还有一个活跃的社区论坛，用户可以在其中提问和分享经验。

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/703983.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

【C++】从零开始构建二叉搜索树

【C++】从零开始构建二叉搜索树

送给大家一句话： 我们始终有选择的自由。选错了，只要真诚的反思，真诚面对，也随时有机会修正错误和选择。 – 《奇迹男孩(电影)》 💻💻💻💻💻💻💻…
阅读更多...
机器学习案例：加州房产价格（四）

机器学习案例：加州房产价格（四）

参考链接：https://hands1ml.apachecn.org/2/#_12 数据探索和可视化、发现规律 通过之前的工作，你只是快速查看了数据，对要处理的数据有了整体了解，现在的目标是更深的探索数据。 首先，保证你将测试集放在了一旁&…
阅读更多...
QT状态机1-三态循环状态机

QT状态机1-三态循环状态机

#include "MainWindow.h" #include "ui_MainWindow.h"MainWindow::MainWindow(QWidget *parent): QMainWindow(parent)
阅读更多...
Java学习48-Java 流(Stream)、文件(File)和IO - 复习章节

Java学习48-Java 流(Stream)、文件(File)和IO - 复习章节

1.File类的使用 File类的一个实例对应着磁盘上的文件或文件目录。(必须熟悉)File的实例化(新建一个对象)，常用的方法File类中只有新建，删除，获取路径等方法，不包含读写文件的方法，此时需要使用使用下面说的IO流 IO流…
阅读更多...
算法练习第22天|39. 组合总和、40.组合总和II

算法练习第22天|39. 组合总和、40.组合总和II

39. 组合总和 39. 组合总和 - 力扣（LeetCode）https://leetcode.cn/problems/combination-sum/description/ 题目描述： 给你一个 无重复元素 的整数数组 candidates 和一个目标整数 target ，找出 candidates 中可以使数字和为目标数…
阅读更多...
docker镜像中搭建FastDfs

docker镜像中搭建FastDfs

docker镜像中搭建FastDfs 一、搭建过程二、docker端口映射三、映射的方法三、配置Tracker 和 Storage 环境：腾讯云服务器上 ubuntu20.04镜像 一、搭建过程 正常直接在云服务器上搭建过程参考博客： https://blog.csdn.net/qq_38531706/article/details/…
阅读更多...
[笔试训练](二十三)067:打怪068:字符串分类069:城市群数量

[笔试训练](二十三)067:打怪068:字符串分类069:城市群数量

目录 067:打怪 068:字符串分类 069:城市群数量 067:打怪 题目链接:打怪 (nowcoder.com) 题目： 题解： 直接计算结果： 1.一只怪物能抗几次攻击 int m(H/a)(H%a0?0:1); 2.杀死一只怪物，玩家要抗几次攻击 int nm-1; *3.杀死一只…
阅读更多...
嵌入式学习72-复习（字符设备驱动框架）

嵌入式学习72-复习（字符设备驱动框架）

编辑 drivers/char/Kconfig 为了在make menuconfig是能够显示出我们写的驱动程序 make menuconfig 编辑 drivers/char/Makefile 才是真正把编写好的源文件加入到编译中去 make modules cp drivers/char/first_driver.ko ~/nfs/rootfs/
阅读更多...
圆片/圆盘测厚设备 HW01-SG系列单点测厚仪

圆片/圆盘测厚设备 HW01-SG系列单点测厚仪

关键字:圆片测厚仪圆盘测厚仪, 圆形测厚仪, 单点测厚仪, 汽车工件测厚仪, 产品简介： 测厚仪采用上下两个对射的激光位移传感器测量圆盘状物体边缘的厚度。圆盘放置在由步进电机驱动的托盘上，点按测量按钮托盘旋转一周，可测量被测物整个圆周上…
阅读更多...
在Linux系统上使用nmcli命令配置各种网络（有线、无线、vlan、vxlan、路由、网桥等）

在Linux系统上使用nmcli命令配置各种网络（有线、无线、vlan、vxlan、路由、网桥等）

前言：原文在我的博客网站中，持续更新数通、系统方面的知识，欢迎来访！ 在Linux系统上使用nmcli命令配置各种网络（有线、无线、vlan、vxlan等）https://myweb.myskillstree.cn/123.html 更新于2024/5/13&…
阅读更多...
fyne更新GUI内容

fyne更新GUI内容

fyne更新GUI内容 实现一个时钟界面，每秒钟更新一次。 package mainimport ("fyne.io/fyne/v2/app""fyne.io/fyne/v2/widget""time" )func updateTime(label *widget.Label) {formatted : time.Now().Format("2006-01-02 15:04…
阅读更多...
使用websocket和服务建立链接慢的原因分析

使用websocket和服务建立链接慢的原因分析

1、java 项目使用websocketHandler创建websocket服务，在拦截器HttpSessionHandshakeInterceptor中，beforeHandshake日志到的很快，afterHandshake很慢 建立链接一直在连接中 2、原因分析： 找到服务器上的进程名 jps -l 3、使用…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023