
一般大家在學(xué)習(xí)python機(jī)器學(xué)習(xí)的時(shí)候,用的最多的可視化的包就是matplot和seaborn, 這2個(gè)可視化的優(yōu)點(diǎn)在于門(mén)檻低,代碼容易理解,并且容易上手。唯一的可能的缺點(diǎn)就是畫(huà)出來(lái)的圖不能交互,簡(jiǎn)單來(lái)說(shuō)就是matplot和seaborn給出的就是一個(gè)圖片,當(dāng)將鼠標(biāo)放到圖上的時(shí)候,不會(huì)顯示出圖中具體的數(shù)字是多少,而使用plotly之后,可以將圖片放大縮小,可以顯示與不顯示不同類(lèi)別數(shù)據(jù),等等。并且更加方便的是,這個(gè)圖可以嵌入到html里面,可以直接放到網(wǎng)頁(yè)上面。我們?cè)挷欢嗾f(shuō),用matplot和plotly來(lái)展示相同的數(shù)據(jù)。
當(dāng)前使用的數(shù)據(jù)是股票數(shù)據(jù),使用pandas_datareader中的yahoo的API下載一些股票數(shù)據(jù),將下載阿里巴巴,蘋(píng)果,微軟,和IBM的每天最高價(jià),并且做出一個(gè)圖出來(lái)。
首先我們作出一個(gè)matplot的圖出來(lái),由于DataFrame自帶了plot的功能,我們就可以直接用.plot()的方法輸出圖片

然后下看我們用plotly給出的效果,代碼部分稍后給出。
我們從這個(gè)gif中可以明顯的看出來(lái)plotly的圖片有很好的交互,并且如果將該文件下載為html文件后,這種圖也會(huì)被嵌入在html文件里面,并且也會(huì)保持這種交互的功能。
那什么時(shí)候我們用matplot還是plotly呢?個(gè)人認(rèn)為,對(duì)于機(jī)器學(xué)習(xí)的結(jié)果來(lái)說(shuō),使用matplot來(lái)做模型的結(jié)果的檢測(cè)就足夠了,比如說(shuō)查看是否過(guò)擬合,AUCROC圖。而plotly更加適合做報(bào)表系統(tǒng),因?yàn)閷?duì)于報(bào)表來(lái)說(shuō),不僅要展示圖的大體信息,比如上圖中每個(gè)股票的趨勢(shì),而且更加的是這個(gè)圖是否能夠體現(xiàn)出更多的細(xì)節(jié),從而可以讓決策者發(fā)現(xiàn)比較重要的信息。那在這種需要下,plotly就是一種比較不錯(cuò)的選擇。
在市場(chǎng)上,還有一種很火的軟件叫echart,那為什么我們不介紹echart而介紹python plotly呢,那是因?yàn)閑chart是用java來(lái)寫(xiě)的,并且寫(xiě)法比較復(fù)雜,需要重新學(xué)習(xí)java語(yǔ)言才能畫(huà)出類(lèi)似的這種可交互的圖出來(lái)。但是對(duì)于plotly來(lái)說(shuō)的話,我們直接可以用python來(lái)寫(xiě),并且代碼量比java的少很多,我們可以直接將我們熟悉的python list, numpy, pandas放進(jìn)去就可以畫(huà)圖,并且給出的效果和echart的圖一摸一樣。
另外要提一點(diǎn)的是python plotly也是可以用來(lái)做動(dòng)圖的,我們后面會(huì)給大家介紹一種用plolty做出來(lái)的用于展示Kmeans算法過(guò)程的動(dòng)圖。在這個(gè)動(dòng)圖中我們則可以很容易的來(lái)理解Kmeans的迭代過(guò)程。
安裝plotly和其他的安裝python包的程序一樣,直接在終端打入以下:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple plotly
這里為了防止下載速度過(guò)慢,加上了清華源的地址。下載好了plotly之后,如果需要使用plotly的話則需要有2種模式,一種是線上,一種是線下。如果是線上的話,則需要注冊(cè)一個(gè)賬號(hào)密碼,然后在notebook里創(chuàng)造的圖將會(huì)同步到plotly的個(gè)人云盤(pán)里面去。但是這種操作不是很好,因?yàn)橐话阋粋€(gè)人最多線上存20張圖,之后再做圖就會(huì)報(bào)錯(cuò)。所以我們這里直接介紹offline的模式,也就是線下的模式,這種模式?jīng)]有限制。
官網(wǎng)在https://plot.ly/python/, 有的時(shí)候需要注意,由于某墻的原因,這個(gè)網(wǎng)站會(huì)加載的非常慢。這個(gè)網(wǎng)頁(yè)里詳細(xì)的介紹了各種圖的制作,我們這會(huì)簡(jiǎn)單的介紹一下scatter plot和給出一個(gè)3D圖的例子。
注意在當(dāng)前markdown文檔里,plotly給出的圖不能交互,在ipynb和html里面可以。
首先需要import下一線離線的關(guān)于plotly的包。
我們就拿剛才我們下載的IBM的股票數(shù)據(jù)來(lái)畫(huà)圖。首先我們看下數(shù)據(jù)是什么樣的。我們的數(shù)據(jù)主要由2部分組成,一個(gè)是時(shí)間,另一個(gè)是每個(gè)時(shí)間所對(duì)應(yīng)的值。
所以對(duì)于這種數(shù)據(jù)來(lái)說(shuō),如果我們想給它畫(huà)出一個(gè)圖出來(lái)的話,需要一個(gè)x軸和y軸。所以這里的話需要將時(shí)間作為x軸,數(shù)據(jù)作為y軸。
對(duì)于plotly來(lái)說(shuō),我們需要x和y的數(shù)據(jù)全部放入一個(gè)叫Scatter的類(lèi)里面去,并且外面需要用list作為容納Scatter的一個(gè)容器。
當(dāng)data創(chuàng)建好之后,則需要開(kāi)始創(chuàng)建框架Layout,也就是x軸,y軸,標(biāo)題,模版等信息,框架創(chuàng)建出來(lái)后,可以用來(lái)存放剛才寫(xiě)好的data
xaxis = {'title' : 'Date'}, #x軸的標(biāo)題 yaxis = {'title' : 'High'}, #y軸的標(biāo)題 template = 'plotly_white' #背景模版,這里是指背景為白色 )
當(dāng)layout創(chuàng)建好之后,則需要將data和layout放入Figure這個(gè)圖里面即可
fig = go.Figure(data = data, layout = layout) fig.show()
這里我們看到了我們只是把各種的點(diǎn)給畫(huà)出來(lái)了,但是我們面對(duì)的數(shù)據(jù)是時(shí)間序列數(shù)據(jù),數(shù)據(jù)不是雜亂無(wú)序的。那我們則需要更改下data里的mode值。
那這個(gè)時(shí)候我們的圖就做出來(lái)。現(xiàn)在有個(gè)問(wèn)題是我這里的圖只是展示出了一個(gè)股票,多個(gè)股票可以嗎?可以的。當(dāng)前我們?cè)趯?xiě)data的時(shí)候,可以看出它其實(shí)是一個(gè)list,當(dāng)前我們的data list里面只有一個(gè)元素,這個(gè)元素就是我們用Scatter創(chuàng)建的一個(gè)類(lèi),里面記錄的IBM的數(shù)據(jù)。所以我們可以在這個(gè)list里面放入多個(gè)Scatter,記錄不同的股票數(shù)據(jù)

這樣子就可以用來(lái)比較了。但是呢我們這里如果有多個(gè)數(shù)據(jù)需要放入的話,在data里一行一行的加入股票數(shù)據(jù),不方便也不美觀,可以采用列表解析式。列表解析式[i for i in result_df.columns]里,每個(gè)i就是每個(gè)股票的名字,用result_df[i]就可以把每個(gè)股票都取出來(lái)放入一個(gè)go.Scatter()里面,并且name = i,則可以了。并且列表解析給出結(jié)果已經(jīng)是一個(gè)list了,所以直接賦值給data進(jìn)行做圖。

這里我們的圖的代碼不來(lái)詳細(xì)的介紹,這個(gè)在這里展示出來(lái),給大家看一下plotly做出的3D圖的效果。這里的例子是參考官網(wǎng)的例子。對(duì)于這種3D-surface的圖來(lái)說(shuō),可以用來(lái)很好的展示機(jī)器學(xué)習(xí)中梯度下降的內(nèi)容。
網(wǎng)址鏈接: https://plot.ly/python/3d-surface-plots/
plotly這個(gè)可視化工具,你可還喜歡?
數(shù)據(jù)分析咨詢(xún)請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無(wú)論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢(xún)效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫(kù)管理中,“大表” 始終是性能優(yōu)化繞不開(kāi)的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫(kù)表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動(dòng)態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開(kāi)始提取前,需先判斷 TIF 文件的類(lèi)型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價(jià)值的專(zhuān)業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫(kù)表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫(kù))處理 Excel 數(shù)據(jù)時(shí),“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場(chǎng)景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計(jì)學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專(zhuān)業(yè)操盤(pán)手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲(chǔ)的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計(jì)劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計(jì)劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對(duì)象的 text 與 content:區(qū)別、場(chǎng)景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請(qǐng)求開(kāi)發(fā)時(shí)(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價(jià)值的核心操盤(pán)手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫(kù)表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請(qǐng)求工具對(duì)比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請(qǐng)求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)的科學(xué)計(jì)數(shù)法問(wèn)題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長(zhǎng)浮點(diǎn)數(shù)據(jù)時(shí)的科學(xué)計(jì)數(shù)法問(wèn)題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價(jià)值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營(yíng)問(wèn)題、提升執(zhí)行效率的核心手段,其價(jià)值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過(guò)程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計(jì)” 與 “用戶(hù)體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營(yíng)銷(xiāo)案例:數(shù)據(jù)驅(qū)動(dòng)下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見(jiàn)頂” 的當(dāng)下,精準(zhǔn)營(yíng)銷(xiāo)成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務(wù)數(shù)據(jù)分析:概念辨析與協(xié)同價(jià)值 在數(shù)據(jù)驅(qū)動(dòng)決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務(wù)數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類(lèi)分析:從操作實(shí)踐到業(yè)務(wù)價(jià)值挖掘 在數(shù)據(jù)分析場(chǎng)景中,聚類(lèi)分析作為 “無(wú)監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計(jì)模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價(jià)值導(dǎo)向 統(tǒng)計(jì)模型作為數(shù)據(jù)分析的核心工具,并非簡(jiǎn)單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10