前言

作者：Anmol Anmol 翻译：王闯（Chuck） 校对：赵茹萱

本文约2000字，建议阅读5分钟本文主要介绍Python中用来替代Matplotlib和Seaborn的可视化工具plotly，并结合实例讲解了plotly的优点和用法，满足了可视化绘图的交互需求。

正文

是时候升级你的可视化游戏了。

图片源: Unsplash，由Isaac Smith上传

数据可视化是人脑有效理解各种信息的最舒适、最直观的方式。对于需要处理数据的人来说，能够创建漂亮、直观的可视化绘图是一项非常重要的技能，这能够有效地传达数据洞察并推动后续执行。

R语言提供了一些很棒的数据可视化（ggplot2、leaflet）和仪表板（R Shiny）包，用这些可以创建漂亮的可视化绘图。然而Python 在这方面显得有点落后，因为 matplotlib 并不是一个很好的可视化包。

Seaborn 是在 python 中创建静态绘图的一个很好的选择，但不具备交互能力。静态绘图的一些限制是，我们无法放大绘图中有趣的部分，也无法将鼠标悬停在绘图上以查看特定信息。

于是，plotly包闪亮登场了！

图片来源：plotly

Plotly 是一个 Python 库，用于创建交互式、出版级别的可视化绘图。Plotly不仅具有 matplotlib及seaborn 所缺少的交互功能，还提供了更多种类的图表，例如：

• 统计类图表，如树状图、误差带、平行类别图等。
  
• 科学类图表，如等高线图、对数图等。
  
• 财务类图表，如漏斗图、烛台图等。
  
• 气泡图、密度图等。
  
• 生物信息类等其它图表。
  

以上解释了为什么你应该使用 plotly 而不是 matplotlib 或 seaborn 进行绘图。

接下来，让我们来点实际的！

在下一节中，我们将使用gapminder数据来绘制印度和中国两国的社会经济随时间的发展情况。我们会在pandas dataframe上进行数据选择和操作，如果你还不熟悉 pandas，那么建议可以先学习“用python进行数据分析”（https://www.udemy.com/course/python-course-for-data-analysis-numpy-pandas-matplotlib/?referralCode=C8C67D9CADF02A263E24）。

你可以打开jupyter notebook，直接复制如下代码，无需作任何修改。让我们从安装并导入plotly包开始。

# install plotly
! pip install plotly
# import plotly packages
import plotly.graph_objects as go
import plotly.express as px

我们可以用 graph_objects 模块创建不同类型的绘图，并用express模块来读取gapminder数据。现在，让我们用 plotly express 读取 gapminder 数据并查看前 5 行。

## reading the data and looking at the 1st five rows using head()
df = px.data.gapminder()
df.head()

从上表可以看出，数据包含了不同国家不同年份的预期寿命、人口、人均GDP等信息。现在，我们将筛选出印度和中国的dataframe。

# reading the datasets for India and China
df_india = df[df['country'] == 'India']
df_china = df[df['country'] == 'China']
df_india

下表是印度的数据，时间跨度从 1952 年到 2007 年。

印度和中国的人口

现在，我们要创建一个条形图，来展示印度和中国的人口随时间的变化。使用 plotly graph 对象模块创建绘图，分成2个步骤：

1. 设置图形函数，我们将在其中设置数据参数。数据参数设置为一个列表，其中包含印度和中国的条形图函数 (go.Bar)。在 bar 函数中，我们将 x 轴设置为年份列，将 y 轴设置为人口列，将标记国家-颜色设置为印度-红色，中国-蓝色。

2. 使用 update_layout 函数设置图表的标题、x 轴和 y 轴的文本。

## Using figure function to define the data argument and setting it to the bars for India and China
fig = go.Figure(data = [go.Bar(x = df_india['year'], y = df_india['pop'], marker_color = 'indianred',name = 'India'),
                go.Bar(x = df_china['year'], y = df_china['pop'], marker_color = 'blue',name = 'China')
                ])
## Setting the titles, xaxis and yaxis  
fig.update_layout(title='Population of India and China over the years',
                   xaxis_title='Years',
                   yaxis_title='Population',
                   )
fig

作者绘图

从上面的图表中，我们可以看到两国的人口增长速度相似。

预期寿命随时间的变化

每当我们有时间序列数据（年/月/周等的量测值）时，折线图是显示趋势的最佳选择。利用以下代码，我们展示了印度和中国多年来的预期寿命变化情况。

# step 1 : Setting the figure function
fig = go.Figure(data = [go.Scatter(x = df_india['year'], y = df_india['lifeExp'],\
                                    line = dict(color = 'firebrick', width = 4),
                                    text = df_india['country'], name = 'India'),
                        go.Scatter(x = df_china['year'], y = df_china['lifeExp'],\
                                   line = dict(color = 'blue', width = 4), text = df_china['country'], name = 'China')])
# step 2 : Setting the update_layout function   
fig.update_layout(title='Life Expectency over the years',
                   xaxis_title='Years',
                   yaxis_title='Life Expectancy (years)',
)
fig

作者绘图

两国的预期寿命之间一直存在差距，除了 1960 年前后，中国的预期寿命因“三年困难时期”而突然下降。

预期寿命与人均 GDP随时间的变化

当我们想要查看 2 个连续（数字）特征之间的相互作用时，首选散点图。

在下面的代码中，我们创建了这两个国家的预期寿命和人均 GDP 之间的散点图。

fig = go.Figure(data = [go.Scatter(y = df_india['lifeExp'], x = df_india['gdpPercap'],\
                                   mode = 'markers', name = 'India')
                        ,
                       go.Scatter(y = df_china['lifeExp'], x = df_china['gdpPercap'],\
                                   mode = 'markers', name = 'China')
                       ])
fig.update_layout(title='Life Expectency vs GDP per Capita',
                   yaxis_title='Life Expectancy (years)',
                   xaxis_title='gdpPercap',
                   )
fig                   yaxis_title='Life Expectancy (years)',                   xaxis_title='gdpPercap',                   )fig

作者绘图

对于这两个国家来说，预期寿命都随着人均 GDP 的增加而增加。与印度相比，中国人均GDP有了显著提高。

世界发展随时间的变化：动画展示

利用气泡图，我们可以在 2D 图上展示 3 个维度（x 轴、y 轴和气泡大小）。使用以下代码，我们可以用 plotly express 模块的散点函数创建气泡图。

df = px.data.gapminder()
fig = px.scatter(df, x = 'gdpPercap', y = 'lifeExp', size = 'pop',
                 color = 'continent', hover_name='country',
                 log_x= True, size_max=50, title = 'World Development in 2007',
                 animation_frame="year", animation_group="country", range_y = [25,90])
fig.update_layout(xaxis = dict(showgrid=False), yaxis = dict(showgrid=False))
fig

让我们学习一下函数的一些重要参数：

size：一个数值类变量的列，它代表气泡的大小。

color：一个分类变量的列，它代表气泡的颜色。在我们的示例中，默认为每个大陆分配一种颜色。

log_x ：将 X 轴（人均 GDP）设置为对数刻度。

size_max：设置气泡的最大尺寸。是尺寸标准化参数。

animation_frame：用于标记动画帧的dataframe列的值。在我们的示例中，参数设置为年份列。

animation_group：匹配“animation_group”的行将被作为在每一帧中描述相同的对象。我们想看看每个国家多年来的进展情况，因此将其设置为国家列。

这些年来，世界各国都取得了很大的发展。我们可以看到所有国家的预期寿命与人均 GDP（均随时间增加）之间存在直接相关性。从这张图表中你还可以发现更多，请在评论中分享你的发现。

写在最后！

你还可以使用 plotly 创建交互式仪表板。Dash 是无需学习 HTML、CSS 和 Javascript 即可快速创建漂亮Python 仪表板的绘图框架。了解关于Dash的更多信息，见：https://bit.ly/311k37f.
原文标题：Don’t use Matplotlib or Seaborn for Your Python Plots原文链接： https://medium.com/codex/dont-use-matplotlib-or-seaborn-for-your-python-plots-d5f03e750757

编辑：于腾凯 校对：杨学俊