作者：俊欣

來源：關于數據分析與可視化

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着很強的交互性。

我們先導入後面需要用到的模塊并且生成一批假數據，

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據來繪制柱狀圖，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，添加上标題和注解，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

例如我們有多組數據想要繪制成柱狀圖的話，我們先來創建好數據集

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]

然後我們遍曆獲取列表中的數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，隻需要修改代碼中的一處即可，将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

箱型圖在數據統計分析當中也是應用相當廣泛的，我們先來創建兩個假數據

# create dummy data for boxplots y1 = np.random.normal(size=1000) y2 = np.random.normal(size=1000)

我們将上面生成的數據繪制成箱型圖，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

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據，代碼如下

x = [i for i in range(1, 10)] y = np.ceil(1000 * np.random.rand(10)).astype(int)

然後我們來繪制散點圖，調用的是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

那麼氣泡圖的話就是在散點圖的基礎上，根據數值的大小來設定散點的大小，我們再來創建一些假數據用來設定散點的大小，代碼如下

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

我們将上面用作繪制散點圖的代碼稍作修改，通過marker_size參數來設定散點的大小，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

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

## 創建假數據 data = np.random.normal(size=1000)

然後我們來繪制直方圖，調用的是Histogram()方法，代碼如下

# 創建畫布 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之上再進行進一步的格式優化，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

相信大家都知道在matplotlib模塊當中的subplots()方法可以将多個子圖拼湊到一塊兒，那麼同樣地在plotly當中也可以同樣地将多個子圖拼湊到一塊兒，調用的是plotly模塊當中make_subplots函數

from plotly.subplots import make_subplots ## 2行2列的圖表 fig = make_subplots(rows=2, cols=2) ## 生成一批假數據用于圖表的繪制 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)

接下來我們将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

CDA數據分析師分享案例，歡迎大家留言分享你的建議。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!