1、 簡單介紹

一般大家在學(xué)習(xí)python機(jī)器學(xué)習(xí)的時候，用的最多pythonkeshihua/' style='color:#000;font-size:inherit;'>Python可視化的包就是matplot和seaborn, 這2個可視化的優(yōu)點(diǎn)在于門檻低，代碼容易理解，并且容易上手。唯一的可能的缺點(diǎn)就是畫出來的圖不能交互，簡單來說就是matplot和seaborn給出的就是一個圖片，當(dāng)將鼠標(biāo)放到圖上的時候，不會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別數(shù)據(jù)，等等。并且更加方便的是，這個圖可以嵌入到html里面，可以直接放到網(wǎng)頁上面。我們話不多說，用matplot和plotly來展示相同的數(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，蘋果，微軟，和IBM的每天最高價，并且做出一個圖出來。

import pandas_datareader as pdr
import numpy as np
import pandas as pd

Stock_list = ['BABA', 'AAPL', 'MSFT', 'IBM']
Data = [pdr.get_data_yahoo(i)['High'] for i in Stock_list]
Data_month = [i.resample('1m').mean() for i in Data]

result_df = pd.concat(Data_month, axis = 1)
result_df.columns = Stock_list

首先我們作出一個matplot的圖出來，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。

result_df.plot()

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gif中可以明顯的看出來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，這種圖也會被嵌入在html文件里面，并且也會保持這種交互的功能。

那什么時候我們用matplot還是plotly呢？個人認(rèn)為，對于機(jī)器學(xué)習(xí)的結(jié)果來說，使用matplot來做模型的結(jié)果的檢測就足夠了，比如說查看是否過擬合，AUCROC圖。而plotly更加適合做報(bào)表系統(tǒng)，因?yàn)閷τ趫?bào)表來說，不僅要展示圖的大體信息，比如上圖中每個股票的趨勢，而且更加的是這個圖是否能夠體現(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就是一種比較不錯的選擇。

在市場上，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來寫的，并且寫法比較復(fù)雜，需要重新學(xué)習(xí)java語言才能畫出類似的這種可交互的圖出來。但是對于plotly來說的話，我們直接可以用python來寫，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也是可以用來做動圖的，我們后面會給大家介紹一種用plolty做出來的用于展示Kmeans算法過程的動圖。在這個動圖中我們則可以很容易的來理解Kmeans的迭代過程。

2 、plotly的安裝

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，則需要注冊一個賬號密碼，然后在notebook里創(chuàng)造的圖將會同步到plotly的個人云盤里面去。但是這種操作不是很好，因?yàn)橐话阋粋€人最多線上存20張圖，之后再做圖就會報(bào)錯。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/， 有的時候需要注意，由于某墻的原因，這個網(wǎng)站會加載的非常慢。這個網(wǎng)頁里詳細(xì)的介紹了各種圖的制作，我們這會簡單的介紹一下scatter plot和給出一個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

from plotly import tools
import plotly.offline as py
py.offline.init_notebook_mode() import plotly.graph_objs as go
import plotly.figure_factory as ff
config = {'showLink': False}
      

3、Scatter Plot 點(diǎn)圖

我們就拿剛才我們下載的IBM的股票數(shù)據(jù)來畫圖。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，一個是時間，另一個是每個時間所對應(yīng)的值。

IBM = result_df['IBM']
IBM.head()

Date 2015-01-31    156.116669 2015-02-28    160.925264 2015-03-31    161.106818 2015-04-30    166.431430 2015-05-31    173.346001 Freq: M, Name: IBM, dtype: float64

所以對于這種數(shù)據(jù)來說，如果我們想給它畫出一個圖出來的話，需要一個x軸和y軸。所以這里的話需要將時間作為x軸，數(shù)據(jù)作為y軸。

對于plotly來說，我們需要x和y的數(shù)據(jù)全部放入一個叫Scatter的類里面去，并且外面需要用list作為容納Scatter的一個容器。

data = [go.Scatter(x = IBM.index,        #x軸上放時間數(shù)據(jù)
                   y = IBM.values,       #y軸上放具體的數(shù)據(jù)，不建議放series，可以放array
                   mode = 'markers',     #畫出來的圖需要是什么形式的，這里指定了點(diǎn)
                   name = 'IBM'          #這一類數(shù)據(jù)的類別
                  )]

當(dāng)data創(chuàng)建好之后，則需要開始創(chuàng)建框架Layout，也就是x軸，y軸，標(biāo)題，模版等信息，框架創(chuàng)建出來后，可以用來存放剛才寫好的data

layout = go.Layout(title = 'plotly graph for stock data',   #這里指出框架的標(biāo)題
                   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)給畫出來了，但是我們面對的數(shù)據(jù)是時間序列數(shù)據(jù)，數(shù)據(jù)不是雜亂無序的。那我們則需要更改下data里的mode值。

data = [go.Scatter(x = IBM.index,        
                   y = IBM.values,       
                   mode = 'lines+markers',  #畫出來的圖需要是什么形式的，這里指定了點(diǎn)并且將所有的點(diǎn)以線連起來
                   name = 'IBM'          
                  )]

#layout部分不做任何改變
layout = go.Layout(title = 'plotly graph for stock data',   #這里指出框架的標(biāo)題
                   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
                  )

fig = go.Figure(data = data, layout = layout)
fig.show()

那這個時候我們的圖就做出來?，F(xiàn)在有個問題是我這里的圖只是展示出了一個股票，多個股票可以嗎？可以的。當(dāng)前我們在寫data的時候，可以看出它其實(shí)是一個list，當(dāng)前我們的data list里面只有一個元素，這個元素就是我們用Scatter創(chuàng)建的一個類，里面記錄的IBM的數(shù)據(jù)。所以我們可以在這個list里面放入多個Scatter，記錄不同的股票數(shù)據(jù)

AAPL = result_df['AAPL']
data = [go.Scatter(x = IBM.index,y = IBM.values,mode = 'lines+markers',name = 'IBM'),
        go.Scatter(x = AAPL.index,y = AAPL.values,mode = 'lines+markers',name = 'AAPL')
       ]


layout = go.Layout(title = 'plotly graph for stock data',   #這里指出框架的標(biāo)題
                   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
                  )

fig = go.Figure(data = data, layout = layout)
fig.show()

這樣子就可以用來比較了。但是呢我們這里如果有多個數(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i就是每個股票的名字，用result_df[i]就可以把每個股票都取出來放入一個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list了，所以直接賦值給data進(jìn)行做圖。

data = [go.Scatter(x = result_df.index,
                   y = result_df[i].values,
                   mode='lines+markers',
                   name=i
                  ) for i in result_df.columns]

layout = go.Layout(title = 'plotly graph for stock data',
                   xaxis = {'title' : 'Date'},
                   yaxis = {'title' : 'High'},
                   template = 'plotly_white'                  )

fig = go.Figure(data = data, layout = layout)
fig.show()

4、3D-surface圖

這里我們的圖的代碼不來詳細(xì)的介紹，這個在這里展示出來，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。對于這種3D-surface的圖來說，可以用來很好的展示機(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pythonkeshihua/' style='color:#000;font-size:inherit;'>Python可視化工具，你可還喜歡？了解更多