作者：俊欣

來源：關(guān)于數(shù)據(jù)分析與可視化

說到Python當中的可視化模塊，相信大家用的比較多的還是matplotlib、seaborn等模塊，今天小編來嘗試用Plotly模塊為大家繪制可視化圖表，和前兩者相比，用Plotly模塊會指出來的可視化圖表有著很強的交互性。

柱狀圖

我們先導入后面需要用到的模塊并且生成一批假數(shù)據(jù)，

import numpy as np

import plotly.graph_objects as go

# create dummy data

vals = np.ceil(100 * np.random.rand(5)).astype(int)

keys = ["A", "B", "C", "D", "E"]

我們基于所生成的假數(shù)據(jù)來繪制柱狀圖，代碼如下

fig = go.Figure()

fig.add_trace(

go.Bar(x=keys, y=vals)

fig.update_layout(height=600, width=600)

fig.show()

output

可能讀者會感覺到繪制出來的圖表略顯簡單，我們再來完善一下，添加上標題和注解，代碼如下

# create figure

fig = go.Figure()

# 繪制圖表

fig.add_trace(

go.Bar(x=keys, y=vals, hovertemplate="<b>Key:</b> %{x}<br><b>Value:</b> %{y}<extra></extra>")

# 更新完善圖表

fig.update_layout(

font_family="Averta",

hoverlabel_font_family="Averta",

title_text="直方圖",

xaxis_title_text="X軸-鍵",

xaxis_title_font_size=18,

xaxis_tickfont_size=16,

yaxis_title_text="Y軸-值",

yaxis_title_font_size=18,

yaxis_tickfont_size=16,

hoverlabel_font_size=16,

height=600,

width=600

fig.show()

output

分組條形圖和堆積條形圖

例如我們有多組數(shù)據(jù)想要繪制成柱狀圖的話，我們先來創(chuàng)建好數(shù)據(jù)集

vals_2 = np.ceil(100 * np.random.rand(5)).astype(int)

vals_3 = np.ceil(100 * np.random.rand(5)).astype(int)

vals_array = [vals, vals_2, vals_3]

然后我們遍歷獲取列表中的數(shù)值并且繪制成條形圖，代碼如下

# 生成畫布

fig = go.Figure()

# 繪制圖表

for i, vals in enumerate(vals_array):

fig.add_trace(

go.Bar(x=keys, y=vals, name=f"Group {i+1}", hovertemplate=f"<b>Group {i+1}</b><br><b>Key:</b> %{{x}}<br><b>Value:</b> %{{y}}<extra></extra>")

# 完善圖表

fig.update_layout(

barmode="group",

fig.show()

output

而我們想要變成堆積狀的條形圖，只需要修改代碼中的一處即可，將fig.update_layout(barmode="group")修改成fig.update_layout(barmode="group")即可，我們來看一下出來的樣子

箱型圖

箱型圖在數(shù)據(jù)統(tǒng)計分析當中也是應用相當廣泛的，我們先來創(chuàng)建兩個假數(shù)據(jù)

# create dummy data for boxplots

y1 = np.random.normal(size=1000)

y2 = np.random.normal(size=1000)

我們將上面生成的數(shù)據(jù)繪制成箱型圖，代碼如下

# 生成畫布

fig = go.Figure()

# 繪制圖表

fig.add_trace(

go.Box(y=y1, name="Dataset 1"),

fig.add_trace(

go.Box(y=y2, name="Dataset 2"),

fig.update_layout(

fig.show()

output

散點圖和氣泡圖

接下來我們嘗試來繪制一張散點圖，也是一樣的步驟，我們想嘗試生成一些假數(shù)據(jù)，代碼如下

x = [i for i in range(1, 10)]

y = np.ceil(1000 * np.random.rand(10)).astype(int)

然后我們來繪制散點圖，調(diào)用的是Scatter()方法，代碼如下

# create figure

fig = go.Figure()

fig.add_trace(

go.Scatter(x=x, y=y, mode="markers", hovertemplate="<b>x:</b> %{x}<br><b>y:</b> %{y}<extra></extra>")

fig.update_layout(

fig.show()

output

那么氣泡圖的話就是在散點圖的基礎(chǔ)上，根據(jù)數(shù)值的大小來設(shè)定散點的大小，我們再來創(chuàng)建一些假數(shù)據(jù)用來設(shè)定散點的大小，代碼如下

s = np.ceil(30 * np.random.rand(5)).astype(int)

我們將上面用作繪制散點圖的代碼稍作修改，通過marker_size參數(shù)來設(shè)定散點的大小，如下所示

fig = go.Figure()

fig.add_trace(

go.Scatter(x=x, y=y, mode="markers", marker_size=s, text=s, hovertemplate="<b>x:</b> %{x}<br><b>y:</b> %{y}<br><b>Size:</b> %{text}<extra></extra>")

fig.update_layout(

fig.show()

output

直方圖

直方圖相比較于上面提到的幾種圖表，總體上來說會稍微有點丑，但是通過直方圖，讀者可以更加直觀地感受到數(shù)據(jù)的分布，我們先來創(chuàng)建一組假數(shù)據(jù)，代碼如下

## 創(chuàng)建假數(shù)據(jù)

data = np.random.normal(size=1000)

然后我們來繪制直方圖，調(diào)用的是Histogram()方法，代碼如下

# 創(chuàng)建畫布

fig = go.Figure()

# 繪制圖表

fig.add_trace(

go.Histogram(x=data, hovertemplate="<b>Bin Edges:</b> %{x}<br><b>Count:</b> %{y}<extra></extra>")

fig.update_layout(

height=600,

width=600

fig.show()

output

我們再在上述圖表的基礎(chǔ)之上再進行進一步的格式優(yōu)化，代碼如下

# 生成畫布

fig = go.Figure()

# 繪制圖表

fig.add_trace(

go.Histogram(x=data, histnorm="probability", hovertemplate="<b>Bin Edges:</b> %{x}<br><b>Count:</b> %{y}<extra></extra>")

fig.update_layout(

fig.show()

output

多個子圖拼湊到一塊兒

相信大家都知道在matplotlib模塊當中的subplots()方法可以將多個子圖拼湊到一塊兒，那么同樣地在plotly當中也可以同樣地將多個子圖拼湊到一塊兒，調(diào)用的是plotly模塊當中make_subplots函數(shù)

from plotly.subplots import make_subplots

## 2行2列的圖表

fig = make_subplots(rows=2, cols=2)

## 生成一批假數(shù)據(jù)用于圖表的繪制

x = [i for i in range(1, 11)]

y = np.ceil(100 * np.random.rand(10)).astype(int)

s = np.ceil(30 * np.random.rand(10)).astype(int)

y1 = np.random.normal(size=5000)

y2 = np.random.normal(size=5000)

接下來我們將所要繪制的圖表添加到add_trace()方法當中，代碼如下

# 繪制圖表

fig.add_trace(

go.Bar(x=x, y=y, hovertemplate="<b>x:</b> %{x}<br><b>y:</b> %{y}<extra></extra>"),

row=1, col=1

fig.add_trace(

go.Histogram(x=y1, hovertemplate="<b>Bin Edges:</b> %{x}<br><b>Count:</b> %{y}<extra></extra>"),

row=1, col=2

fig.add_trace(

go.Scatter(x=x, y=y, mode="markers", marker_size=s, text=s, hovertemplate="<b>x:</b> %{x}<br><b>y:</b> %{y}<br><b>Size:</b> %{text}<extra></extra>"),

row=2, col=1

fig.add_trace(

go.Box(y=y1, name="Dataset 1"),

row=2, col=2

fig.add_trace(

go.Box(y=y2, name="Dataset 2"),

row=2, col=2

fig.update_xaxes(title_font_size=18, tickfont_size=16)

fig.update_yaxes(title_font_size=18, tickfont_size=16)

fig.update_layout(

fig.show()

output