数据下的科技感，一文带你掌握可视化
老板又又又又又又催更了，“小荀，你的数据报表做的怎么样？”（姨母笑）
小荀os：这是人能干出来的事？
后媒体时代，数据的处理已经越发重要，上述的情形时有发生，会操作一手可视化动图，不仅可以使你的报表从万众数据表中脱颖而出（对，脱颖而出，与众不同，鹤立鸡群），更能极大的简便你对于数据的处理。
不要慌，小编本期给大家简单带来了可视化数据图的教学，本文将介绍 5 种基于 Plotly 的可视化方法，你会发现，原来可视化不仅可用直方图和箱形图，还能做得如此动态好看甚至可交互。
Start
如果你还没安装 Plotly，只需在你的终端运行以下命令即可完成安装：
pip install plotly
那么，扬帆起航吧~
动画
在研究数值指标的演变时，我们常涉及到关于时间变化之类的数据。Plotly 动画工具仅需一行代码就能让人观看数据随时间的变化情况，如下图所示：
代码：
-
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()
只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子：
-
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)')
太阳图
太阳图（sunburst chart）是一种可视化 group by 语句的好方法。如果你想通过一个或多个类别变量来分解一个给定的量，那就用太阳图吧。
假设我们想根据性别和每天的时间分解平均小费数据，那么相较于表格，这种双重 group by 语句可以通过可视化来更有效地展示。
这个图表是交互式的，让你可以自己点击并探索各个类别。你只需要定义你的所有类别，并声明它们之间的层次结构（见以下代码中的 parents 参数）并分配对应的值即可，这在我们案例中即为 group by 语句的输出。
代码：
-
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()
现在我们向这个层次结构再添加一层：
为此，我们再添加另一个涉及三个类别变量的 group by 语句的值。
-
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()
平行类别
另一种探索类别变量之间关系的方法是以下这种流程图。你可以随时拖放、高亮和浏览值，非常适合演示时使用。
代码：
-
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()
平行坐标图
平行坐标图是上面的图表的连续版本。这里，每一根弦都代表单个观察。这是一种可用于识别离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比如如果两个变量在每个观察上的值都相近，那么它们将位于同一水平线上，表示存在冗余）的好用工具。
代码：
-
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()
量表图和指示器
量表图仅仅是为了好看。在报告 KPI 等成功指标并展示其与你的目标的距离时，可以使用这种图表。
指示器在业务和咨询中非常有用。它们可以通过文字记号来补充视觉效果，吸引观众的注意力并展现你的增长指标。
代码：
-
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()
本期内容到此就结束啦，欢迎留言讨论感兴趣的话题。
侵删！
文章来源: blog.csdn.net，作者：渣渣ye，版权归原作者所有，如需转载，请联系作者。
原文链接：blog.csdn.net/yyfloveqcw/article/details/124032540
- 点赞
- 收藏
- 关注作者
评论（0）