备案控制台
探索云世界
开发者社区 大数据 文章 正文

Python｜Plotly数据可视化一网打尽（代码+应用场景）

2023-02-08 637
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Plotly数据可视化整合。

Python数据可视化一网打进

数据可视化作为数据分析最直接的结果呈现方式，了解其制作方式和应用场景是很有必要的，本文来了解一下各个图标的应用场景及代码实现。

  • 本文使用的代码主要基于做图库plotly
如果使用中有不懂的内容，联系二哥！
可以先收藏点赞，后面掏出来直接用！

一、可视化绘制思维导图

在这里插入图片描述

二、比较类图

创建示例数据如下：

import pandas as pd

data = pd.DataFrame({
    'name': ['Bob', 'Mary', 'Peter', 'Ben', 'Lucy'],
    'score': [99, 100, 89, 91, 95],
    'class': ['class1', 'class2', 'class1', 'class2', 'class3'],
    'sex': ['male', 'fmale', 'male', 'male', 'fmale'],
    'age': [23, 25, 20, 19, 17]
})

在这里插入图片描述

条形图

  • 条形图用于比较不同数据之间的差异，条形图的宽度表示数值的大小，可以对单一的变量或者多组变量进行比较。
  • 对单一变量进行比较：x为比较数值，y为比较标签
  • 对多变量进行比较：新增维度color
# 实现简单的条形图
import plotly.express as px

# orientation='h' 用户表示绘制条形图
fig = px.bar(data, x='score', y='name', orientation='h', text_auto=True)
fig.show()

请添加图片描述

# 实现多维度比较条形图
import plotly.express as px
'''
orientation='h' : 用户表示绘制条形图
barmode='group' : 按照标签y和颜色color进行聚合，每个“颜色”单独一个条图
text_auto=True  : 显示数据标签
'''

fig = px.bar(data,
             x='score',
             y='class',
             color='sex',
             orientation='h',
             barmode='group',
             text_auto=True)
fig.show()

请添加图片描述

柱形图

  • 柱状图同样是用于比较不同数据之间的差距，其与条形图的含义相同，只是呈现方式不同。

柱形图的高度表示数值的大小，也可以对单一的变量或者多组变量进行比较。

  • 注：在使用条形图和柱形图时x和y的参数传入相反。
# 实现简单的柱形图
import plotly.express as px

fig = px.bar(data, x='name', y='score', text_auto=True)
fig.show()

在这里插入图片描述

# 实现多维度比较条形图
import plotly.express as px
'''
barmode='group' : 按照标签y和颜色color进行聚合，每个“颜色”单独一个条图
'''

fig = px.bar(data,
             x='class',
             y='score',
             color='sex',
             barmode='group',
             text_auto=True)
fig.show()

请添加图片描述

堆积柱形图

  • 堆积柱形图和多维度柱形图的表示效果类似，其主要在于比较标签的整体水平，会对所有标签下的值进行加和统计，通过color属性可以看出每个标签下的数据差异。
# 实现堆积柱形图
import plotly.express as px

fig = px.bar(data,
             x='class',
             y='score',
             color='sex',
             text_auto=True
             )
fig.show()

请添加图片描述

百分比堆积柱形图

  • 百分比堆积柱形图通常用于比较各个标签内多项数据的占比情况（通常用于时间标签的比较）

在plotly中没有直接进行百分比柱形图绘制的方法，因此我们可以先使用pandas算出数据的百分比，然后再将百分比数据用于绘图。

# 计算百分比
df = pd.DataFrame(data.groupby('class')['score'].sum())


def func(score, df):
    return score / df.loc[data[data['score'] == score]['class']].values[0][0] * (
        100)


data['percent'] = data['score'].apply(func, df=df)
# 实现百分比堆积柱形图
import plotly.express as px

fig = px.bar(data,
             x='class',
             y='percent',
             color='sex',
             text_auto=True
             )
fig.show()

请添加图片描述

雷达图

  • 雷达图通常用于对个体的多个属性进行分析（企业经营状况、个人能力等）

在游戏中我们经常会看见各种游戏能力雷达图，这就是最常见的一种游戏雷达图的应用方式。

# 绘制雷达图
import plotly.express as px
import pandas as pd

df = pd.DataFrame(
    dict(score=[4, 5, 4, 3, 4], data=['输出', 'KDA', '发育', '团战', '生存']))
'''
r : 雷达图各个维度的数值
theta : 雷达图各个维度的标签
line_close : 是否将曲线闭合，False时生存和输出不会进行连线
'''

fig = px.line_polar(df, r='score', theta='data', line_close=True)
# 颜色填充
fig.update_traces(fill='toself')
fig.show()

请添加图片描述

树状图

  • 树状图，也被称为树枝状图。树形图是数据树的图形表示形式，以父子层次结构来组织对象。是枚举法的一种表达方式。

树状图的常见参数说明：

  • path:树状图的父子层级顺序，[父，子....]
# 绘制树状图
import plotly.express as px

df = px.data.tips()
fig = px.treemap(df,
                 path=[px.Constant("all"), 'day', 'time', 'sex'],
                 values='total_bill')
fig.update_traces(root_color="lightgrey")
fig.update_layout(margin=dict(t=50, l=25, r=25, b=25))
fig.show()

请添加图片描述

漏斗图

  • 漏斗图通常用于对阶段之间的转化关系进行比较，数据分析中常见的AARRR模型的可视化就是通过漏斗图来实现的。
import plotly.express as px

data = dict(number=[100, 70, 50, 30, 10], stage=["获客", "激活", "留存", "收益", "传播"])
fig = px.funnel(data, x='number', y='stage')
fig.show()

请添加图片描述

三、趋势类图

折线图

  • 折线图通常用于展示随时间（数值）而连续变化的数据，如A公司和B公司在2021年每个月的营业额。
import plotly.express as px

time_data = pd.DataFrame({
    'A公司': [20, 30, 40, 50, 45],
    'B公司': [18, 25, 33, 45, 58],
    '月份': [1, 3, 5, 7, 9]
})
fig = px.line(time_data, x="月份", y=['A公司', 'B公司'], title='公司营收对比')
fig.show()

请添加图片描述

桑基图

  • 桑基图又称桑基能量分流图，也称桑基能量平衡图，该图形从左到右展示出了初始数据流向。该图形的绘制过程较为复杂，在下述代码中有两个主要参数项node和link。

node用于给出基本的配置项：

  • pad:图中空白分隔空隙的大小；
  • thickness:图中节点的宽度（每个连接处的长方形）；
  • line:每个节点的边框线的颜色和粗细；
  • label:每个节点的名字（包含一层/二层/三层...）；
  • color:每个节点的颜色（和名字按照索引相对应）

link用于给出具体的连接选项:

  • source:每条连接线的起点（数值表示节点的索引）；
  • target:每条连接线的终点（数值表示节点的索引）；
  • value:连接线的信息量（数值越大，连接线越粗）；
  • color:每条连接线的颜色（通常按照起点的颜色进行对应）。
# 绘制桑基图
import plotly.graph_objects as go

fig = go.Figure(data=[go.Sankey(
    node = dict(
      pad = 10,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = ["A1", "A2", "B1", "B2", "C1", "C2"],
      color = ['blue', 'pink', 'green', 'brown', 'yellow', 'purple']
    ),
    link = dict(
      source = [0, 1, 0, 2, 3, 3], 
      target = [2, 3, 3, 4, 4, 5],
      value = [8, 4, 2, 8, 4, 2],
      color = ['blue', 'pink', 'blue', 'green', 'brown', 'brown']
  ))])

fig.update_layout(title_text="桑基图示例", font_size=10)
fig.show()

请添加图片描述

堆叠面积图

  • 堆叠面积图可以用来比较在一个区域内的多个变量，适合展示整体数据的变化趋势。堆叠面积图和普通的面积图的区别是每个数据值序列映射的区域起点都是上一个数据值序列顶端。
# 绘制堆叠面积图
import plotly.express as px

time_data = pd.DataFrame({
    '营业额': [20, 30, 40, 50, 45, 18, 25, 33, 45, 58],
    '公司':
    ['A公司', 'A公司', 'A公司', 'A公司', 'A公司', 'B公司', 'B公司', 'B公司', 'B公司', 'B公司'],
    '月份': [1, 3, 5, 7, 9, 1, 3, 5, 7, 9]
})

fig = px.area(
    time_data,
    x='月份',
    y='营业额',
    color='公司'
)

fig.show()

请添加图片描述

百分比堆积面积图

  • 绘制百分比面积图，只需要传入相应的百分比数据即可
# 绘制百分比面积图
import plotly.express as px

time_data = pd.DataFrame({
    '营业额占比': [40, 30, 40, 50, 45, 60, 70, 60, 50, 55],
    '公司':
    ['A公司', 'A公司', 'A公司', 'A公司', 'A公司', 'B公司', 'B公司', 'B公司', 'B公司', 'B公司'],
    '月份': [1, 3, 5, 7, 9, 1, 3, 5, 7, 9]
})

fig = px.area(time_data, x='月份', y='营业额占比', color='公司')

fig.show()

请添加图片描述

四、关系类图

散点图

  • 散点图是一种非常常见的图形，通常用于展示数据分布，常见的散点图都是二维图形，也就是说能够展示两个维度之间的数据分布，如展示身高和体重的分布等。
# 散点图示例
import plotly.express as px

fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
fig.show()

请添加图片描述

热力图

  • 热力图用于展示数据之间的相关性，通常我们需要计算待对比的两个特征的皮尔逊相关系数，然后将相关系数矩阵通过热力图进行呈现，颜色越深表明相关性越高。
# 热力图示例
# 可以将数据换成相关系数矩阵

import plotly.express as px

fig = px.imshow([[1, 20, 30],
                 [20, 1, 60],
                 [30, 60, 1]],
               text_auto=True)
fig.show()

请添加图片描述

气泡图

  • 气泡图不仅能够展示数据之间的分布，还能对大小关系进行展示，通常需要三个维度的数据进行绘制。

绘制气泡图用到的主要参数介绍如下：

  • x:横坐标
  • y:纵坐标
  • marker.color:气泡颜色
  • marker.opacity:气泡透明度
  • marker.size:气泡大小
import plotly.graph_objects as go

fig = go.Figure(data=[
    go.Scatter(x=[1, 2, 3, 4],
               y=[10, 11, 12, 13],
               mode='markers',
               marker=dict(
                   color=[
                       'rgb(93, 164, 214)', 'rgb(255, 144, 14)',
                       'rgb(44, 160, 101)', 'rgb(255, 65, 54)'
                   ],
                   opacity=[1, 0.8, 0.6, 0.4],
                   size=[40, 60, 80, 100],
               ))
])

fig.show()

请添加图片描述

五、构成类图

饼图

  • 饼图通常用于展示一组数据中各项的大小和总和的比例，每块内容用不同的颜色进行表示。
# 绘制饼图
import plotly.express as px

data_pie = pd.DataFrame({
    'label': ['A', 'B', 'C', 'D', 'E'],
    'values': [30, 20, 15, 15, 20]
})
fig = px.pie(data_pie, values='values', names='label')
fig.show()

请添加图片描述

环形图

  • 简单的环形图所展示的内容及含义和饼图相同，其美观性要优于饼图。
# 绘制环形图
import plotly.graph_objects as go

labels = ['A', 'B', 'C', 'D']
values = [4500, 2500, 1000, 500]

# hole用于控制环图中心空白区域的大小
fig = go.Figure(data=[go.Pie(labels=labels, values=values, hole=0.5)])
fig.show()

请添加图片描述

瀑布图

  • 瀑布图通常用于表示两个数据点之间的演变过程，在瀑布图中，底部贴着坐标轴的条图表示阶段性统计值（汇总值），其余的表示增长或者减少（相对值）。

常见参数说明：

  • name:右侧图例的标签
  • measure:设置相对值还是汇总值（是否贴着底部）
  • increasing:设置上升的颜色
  • decreasing:设置下降的颜色
  • connector:设置连接器的颜色
  • textposition:设置图内文本位置
import plotly.graph_objects as go

fig = go.Figure(
    go.Waterfall(
        name="图例",
        # 相对OR汇总
        measure=[
            "relative", "relative", "total", "relative", "relative", "total"
        ],
        # 标签
        x=["销售额", "分红", "成交额", "成本价格", "其他支出", "毛利"],
        textposition="outside",
        # 图内文本
        text=["+60", "+80", "140", "-40", "-20", "80"],
        # 数值
        y=[60, 80, 0, -40, -20, 0],
        # 上升颜色
        increasing={"marker": {
            "color": "rgb(0, 250, 154)"
        }},
        # 下降颜色
        decreasing={"marker": {
            "color": "rgb(255, 0, 0)"
        }},
        # 连接线颜色
        connector={"line": {
            "color": "rgb(63, 63, 63)"
        }},
    ))
# 用于调整画布
fig.update_layout(title="毛利构成", showlegend=True)

fig.show()

请添加图片描述

六、分布类图

直方图

  • 直方图是一种统计类分布图，用于表示连续的变量整体在每个区间内的数量，如对某高中班级身高进行统计时，160-170:10人、170-180:20人......
  • 绘制直方图时，最简单的我们只需要一个维度的数值型数据即可，复杂的我们可以同时使用多组数据绘制组合直方图。
  • 切记不要吧直方图和柱状图混为一谈，在使用的场景上二者是有一定差异的。
# 绘制简单直方图
import plotly.express as px
import numpy as np

# 使用示例数据进行绘制
# df = px.data.tips()
# fig = px.histogram(df, x="total_bill")

df = np.random.randint(1,100,1000)
fig = px.histogram(df)
fig.show()

请添加图片描述

# 绘制组合直方图
import plotly.graph_objects as go

import numpy as np

# 随机数据
x0 = np.random.randn(300)
x1 = np.random.randn(300) + 1.5
x2 = np.random.randn(300) - 1.5

# 设置画布，依次向画布中绘图
fig = go.Figure()
fig.add_trace(go.Histogram(x=x0))
fig.add_trace(go.Histogram(x=x1))
fig.add_trace(go.Histogram(x=x2))

# 设置覆盖模式（不设置会变成组合柱状图的样式）
fig.update_layout(barmode='overlay')
# 设置透明度
fig.update_traces(opacity=0.8)
fig.show()

请添加图片描述

箱线图

  • 箱线图也叫箱形图，通常用于检验异常数据是否存在，在箱线图中有上下两个边界，所有超出边界的数据点都被认为是异常值。

对于箱线图的几个概念如下：

  • Q_1:25%位置的数据
  • Q_2:75%位置的数据
  • 四分位距：IQR=Q_3-Q_1
  • 异常值下限：down_line=Q_1-1.5*IQR
  • 异常值上限：up_line=Q_3+1.5*IQR
# 绘制箱线图
import plotly.express as px
import numpy as np

df = np.random.randn(300)
fig = px.box(df)
fig.show()

请添加图片描述

三维图

  • 三维图，顾名思义就是用三个维度的数据进行绘图，实际使用时并不推荐使用该形式绘图，可以说三维图看上去十分炫酷，但是理解起来并不是很简单。
# 绘制三维图示例（参考）
import plotly.graph_objects as go
import numpy as np
np.random.seed(1)

N = 70

fig = go.Figure(data=[go.Mesh3d(x=(70*np.random.randn(N)),
                   y=(55*np.random.randn(N)),
                   z=(40*np.random.randn(N)),
                   opacity=0.5,
                   color='rgba(244,22,100,0.6)'
                  )])

fig.update_layout(
    scene = dict(
        xaxis = dict(nticks=4, range=[-100,100],),
                     yaxis = dict(nticks=4, range=[-50,100],),
                     zaxis = dict(nticks=4, range=[-100,100],),),
    width=700,
    margin=dict(r=20, l=10, b=10, t=10))

fig.show()

请添加图片描述

七、地理类图

地图

  • 地图通常用于地理之间数据的展示，如：GDP对比、各省营业额对比等。
  • plotly绘制地图使用其内置的地图可视化工具进行绘制，但是展示效果并不是很好，绘制地图时推荐使用pyecharts或者tableau、power bi等BI软件。
# 绘制地图
import plotly.express as px

# 使用示例数据
gapminder = px.data.gapminder()

px.scatter_geo(
    gapminder,
    # 配和color显示颜色
    locations="iso_alpha",  
    # 颜色的字段显示
    color="continent",  
    # 悬停数据
    hover_name="country",  
    size="pop",  
    # 数据联动变化的选择
    animation_frame="year"  
)

请添加图片描述

文章标签：
Python
数据挖掘
BI
数据可视化
索引
定位技术
关键词：
Python代码
Python数据可视化
Python应用场景
Python数据可视化代码
Python plotly
二哥不像程序员
目录
相关文章
叫个什么名字
|
9天前
|
监控 Python
Python中的装饰器：提升代码灵活性与可读性
在Python编程中，装饰器是一种强大的工具，能够提升代码的灵活性和可读性。本文将介绍装饰器的基本概念、使用方法以及实际应用场景，帮助读者更好地理解和利用这一功能。
叫个什么名字
11 1
米码收割机
|
11天前
|
人工智能 数据可视化 数据挖掘
【python】Python航空公司客户价值数据分析（代码+论文）【独一无二】
【python】Python航空公司客户价值数据分析（代码+论文）【独一无二】
米码收割机
42 1
游客762btuqu5wybw666
|
10天前
|
缓存 监控 算法
优化Python代码性能的10个技巧
提高Python代码性能是每个开发者都需要关注的重要问题。本文将介绍10个实用的技巧，帮助你优化Python代码，提升程序的运行效率和性能表现。无论是避免内存泄漏、减少函数调用次数，还是使用适当的数据结构，都能在不同场景下发挥作用，使你的Python应用更加高效稳定。
游客762btuqu5wybw666
12 1
叫个什么名字
|
2天前
|
数据安全/隐私保护 Python
Python中的装饰器：提升代码可读性与灵活性
Python中的装饰器是一种强大的工具，可以在不改变函数原有逻辑的情况下，为函数添加额外的功能。本文将介绍装饰器的基本概念和用法，并通过实例演示如何利用装饰器提升代码的可读性和灵活性，使代码更加简洁、易于维护。
叫个什么名字
13 7
皮牙子抓饭
|
2天前
|
BI 开发者 数据格式
Python代码填充数据到word模板中
【4月更文挑战第16天】
皮牙子抓饭
17 0
4as3qn2go3ure
|
2天前
|
数据可视化 算法 API
Python数据可视化-seaborn Iris鸢尾花数据
Python数据可视化-seaborn Iris鸢尾花数据
4as3qn2go3ure
9 0
叫个什么名字
|
4天前
|
缓存 算法 Python
优化Python代码的十大技巧
本文介绍了十种优化Python代码的技巧，涵盖了从代码结构到性能调优的方方面面。通过学习和应用这些技巧，你可以提高Python程序的执行效率，提升代码质量，以及更好地应对复杂的编程任务。
叫个什么名字
7 1
游客762btuqu5wybw666
|
4天前
|
程序员 Python
Python中的装饰器：提升代码可读性与灵活性
在Python编程中，装饰器是一种强大的工具，可以在不修改原始代码的情况下，动态地添加功能。本文将深入探讨Python中装饰器的原理、用法和实际应用，以及如何利用装饰器提升代码的可读性和灵活性。
游客762btuqu5wybw666
6 1
游客762btuqu5wybw666
|
6天前
|
缓存 开发者 Python
深入探讨Python中的装饰器：提升代码可读性与灵活性
在Python编程中，装饰器是一种强大的工具，可以在不修改原始函数代码的情况下，对其行为进行扩展或修改。本文将深入探讨装饰器的原理和用法，以及如何利用装饰器提升代码的可读性和灵活性，为Python开发者提供更加优雅和高效的编程方式。
游客762btuqu5wybw666
21 12
wljslmz
|
8天前
|
机器学习/深度学习 人工智能 算法
AI人工智能在Python中构建回归器的原理、优缺点、应用场景和实现方法
【4月更文挑战第6天】
wljslmz
41 7

热门文章

最新文章

  • 1
    【Python 基础教程 02】 数据类型全解析：从基础到高级，实用指南及详细使用案例
  • 2
    【Python 基础教程 01 全面介绍】 Python编程基础全攻略：一文掌握Python语法精髓，从C/C++ 角度学习Python的差异
  • 3
    使用Python实现DBSCAN聚类算法
  • 4
    在Python Web开发过程中：数据库与缓存，MySQL和NoSQL数据库的主要差异是什么？
  • 5
    Redis与Python的完美结合：实现高效数据交互和应用场景全解析
  • 6
    【Python 基础教程 23】Python3 错误与异常处理全面指南：从入门到精通的实用教程
  • 7
    Python读取.nc文件的方法与技术详解
  • 8
    Pandas基本操作：Series和DataFrame（Python）
  • 9
    【Python 基础教程 运算符06】Python3运算符超详细解析：全面入门教程，初学者必读
  • 10
    【Python 基础教程 05】超详细解析Python3注释：全面入门教程，初学者必读,了解Python如何 进行注释
  • 1
    Python中的装饰器：概念、用法和实例
    18
  • 2
    Python中的装饰器：概念、用法及实例
    17
  • 3
    使用Python实现图像处理中的边缘检测算法
    39
  • 4
    Python中如何实现字符串反转？请提供至少两种方法。
    17
  • 5
    请简述Python中的继承、封装和多态的概念。
    22
  • 6
    在Python中，如何创建一个迭代器？
    19
  • 7
    请解释Python中的迭代器和生成器的区别？并分别举例说明。
    18
  • 8
    在Python中，如何使用装饰器重写类的方法？
    21
  • 9
    Python中的装饰器是什么？请举例说明其用法。
    19
  • 10
    Python中的装饰器：概念、用法及实例
    17

    • 相关课程

    更多
  • Python爬虫实战
  • Python开发基础入门
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • From Python Scikit-Learn to Sc
  • Data Pre-Processing in Python:
  • 双剑合璧-Python和大数据计算平台的结合

    • 相关实验场景

    更多
  • Python新手入门
  • Python入门
  • Python选择及循环结构
  • Python新手入门（Anolis OS）
  • Python网络通信程序典型应用
    • 下一篇
    阿里云oss简介和使用流程
    为什么选择阿里云什么是云计算全球基础设施技术领先稳定可靠安全合规分析师报告
    产品和定价全部产品免费试用产品动态产品定价价格计算器云上成本管理
    解决方案技术解决方案
    文档与社区文档开发者社区天池大赛培训与认证
    权益中心免费试用高校计划企业扶持计划推荐返现计划
    支持与服务基础服务企业增值服务迁云服务官网公告健康看板信任中心
    关注阿里云
    关注阿里云公众号或下载阿里云APP，关注云资讯，随时随地运维管控云服务
    阿里云APP阿里云微信
    联系我们：4008013260
    法律声明Cookies政策廉正举报安全举报联系我们加入我们
    阿里巴巴集团淘宝网天猫全球速卖通阿里巴巴国际交易市场1688阿里妈妈飞猪阿里云计算AliOS万网高德UC友盟优酷钉钉支付宝达摩院淘宝海外阿里云盘饿了么
    © 2009-2024 Aliyun.com 版权所有 增值电信业务经营许可证： 浙B2-20080101 域名注册服务机构许可： 浙D3-20210002 京D3-20220015
    浙公网安备 33010602009975号浙B2-20080101-4