使用Plotly繪制常見5種動態(tài)交互式圖表
來源：機器之心
數(shù)據(jù)可以幫助我們描述這個世界、闡釋自己的想法和展示自己的成果，但如果只有單調(diào)乏味的文本和數(shù)字，我們卻往往能難抓住觀眾的眼球。而很多時候，一張漂亮的可視化圖表就足以勝過千言萬語。本文將介紹 5 種基于 Plotly 的可視化方法，你會發(fā)現(xiàn)，原來可視化不僅可用直方圖和箱形圖，還能做得如此動態(tài)好看甚至可交互。對數(shù)據(jù)科學(xué)家來說，講故事是一個至關(guān)重要的技能。為了表達(dá)我們的思想并且說服別人，我們需要有效的溝通。而漂漂亮亮的可視化是完成這一任務(wù)的絕佳工具。本文將介紹?5 種非傳統(tǒng)的可視化技術(shù)，可讓你的數(shù)據(jù)故事更漂亮和更有效。這里將使用 Python 的 Plotly 圖形庫（也可通過 R 使用），讓你可以毫不費力地生成動畫圖表和交互式圖表。
啟動
如果你還沒安裝 Plotly，只需在你的終端運行以下命令即可完成安裝：
pip?install?plotly安裝完成后，就開始使用吧！
動畫
在研究這個或那個指標(biāo)的演變時，我們常涉及到時間數(shù)據(jù)。Plotly 動畫工具僅需一行代碼就能讓人觀看數(shù)據(jù)隨時間的變化情況，如下圖所示：
代碼如下：
import?plotly.express?as?px
from?vega_datasets?import?data
df?=?data.disasters()
df?=?df[df.Year?>?1990]
fig?=?px.bar(df,
?????????????y="Entity",
?????????????x="Deaths",
?????????????animation_frame="Year",
?????????????orientation='h',
?????????????range_x=[0,?df.Deaths.max()],
?????????????color="Entity")
#?improve?aesthetics?(size,?grids?etc.)
fig.update_layout(width=1000,
??????????????????height=800,
??????????????????xaxis_showgrid=False,
??????????????????yaxis_showgrid=False,
??????????????????paper_bgcolor='rgba(0,0,0,0)',
??????????????????plot_bgcolor='rgba(0,0,0,0)',
??????????????????title_text='Evolution?of?Natural?Disasters',
??????????????????showlegend=False)
fig.update_xaxes(title_text='Number?of?Deaths')
fig.update_yaxes(title_text='')
fig.show()只要你有一個時間變量來過濾，那么幾乎任何圖表都可以做成動畫。下面是一個制作散點圖動畫的例子：
import?plotly.express?as?px
df?=?px.data.gapminder()
fig?=?px.scatter(
????df,
????x="gdpPercap",
????y="lifeExp",
????animation_frame="year",
????size="pop",
????color="continent",
????hover_name="country",
????log_x=True,
????size_max=55,
????range_x=[100,?100000],
????range_y=[25,?90],
????#???color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,
??????????????????height=800,
??????????????????xaxis_showgrid=False,
??????????????????yaxis_showgrid=False,
??????????????????paper_bgcolor='rgba(0,0,0,0)',
??????????????????plot_bgcolor='rgba(0,0,0,0)')
太陽圖（sunburst chart）是一種可視化 group by 語句的好方法。如果你想通過一個或多個類別變量來分解一個給定的量，那就用太陽圖吧。
假設(shè)我們想根據(jù)性別和每天的時間分解平均小費數(shù)據(jù)，那么相較于表格，這種雙重 group by 語句可以通過可視化來更有效地展示。
這個圖表是交互式的，讓你可以自己點擊并探索各個類別。你只需要定義你的所有類別，并聲明它們之間的層次結(jié)構(gòu)（見以下代碼中的 parents 參數(shù)）并分配對應(yīng)的值即可，這在我們案例中即為 group by 語句的輸出。
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()
現(xiàn)在我們向這個層次結(jié)構(gòu)再添加一層：
為此，我們再添加另一個涉及三個類別變量的 group by 語句的值。
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()
平行類別
另一種探索類別變量之間關(guān)系的方法是以下這種流程圖。你可以隨時拖放、高亮和瀏覽值，非常適合演示時使用。
代碼如下：
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()
平行坐標(biāo)圖
平行坐標(biāo)圖是上面的圖表的連續(xù)版本。這里，每一根弦都代表單個觀察。這是一種可用于識別離群值（遠(yuǎn)離其它數(shù)據(jù)的單條線）、聚類、趨勢和冗余變量（比如如果兩個變量在每個觀察上的值都相近，那么它們將位于同一水平線上，表示存在冗余）的好用工具。
代碼如下：
?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()
量表圖和指示器
量表圖僅僅是為了好看。在報告 KPI 等成功指標(biāo)并展示其與你的目標(biāo)的距離時，可以使用這種圖表。
指示器在業(yè)務(wù)和咨詢中非常有用。它們可以通過文字記號來補充視覺效果，吸引觀眾的注意力并展現(xiàn)你的增長指標(biāo)。
?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()
原文鏈接：https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41
加入知識星球【我們談?wù)摂?shù)據(jù)科學(xué)】
500+小伙伴一起學(xué)習(xí)！
·?推薦閱讀?·
評論
圖片
表情