为了制作全球地震散点图，我在网上下载了一个数据集，其中记录了一个月内全球发生的所有地震，但这些数据是以JSON格式存储的，因此需要用json模块来进行处理。
查看JSON数据：
首先我们先打开下载好的数据集浏览一下：
你会发现其中的数据密密麻麻，根本不是人读的，因此，接下来我们将对数据进行处理，让它变得简单易读。
import json#导入json模块，以便于加载文件中的数据 filename='eq_data_1_day_m1.json' with open(filename) as f: all_eq_data=json.load(f)#json.load(),将数据转化为Python能够处理的格式 readable_file='eq_data_1_day_m1.json'#创建一个文件，以便将这些数据以易于阅读的方式写入其中 with open(readable_file,'w') as f: json.dump(all_eq_data,f,indent=4)#json.dump()将数据读入其中 #参数indent让dump()使用与数据结构匹配的缩进量来设置数据的格式
经过处理之后，我们再打开这个文件会发现里面的数据变得清晰了许多。
从中我们能够快速获取数据的很多信息，比如地震的次数，类型等等，不仅如此，我们还能够知道有关这些数据的一些信息，比如，它的生成时间，他在网页上怎么获取等等。
参数indent：
如果indent是非负整数或字符串，则JSON数组元素和对象成员将使用该缩进级别进行打印。如果indent为0，负数或“”只会插入换行符。
None（默认）则选择最紧凑的表示形式。，使用正整数缩进会使每个级别缩进多个空格。，如果缩进是字符串（例如“
t”），则该字符串用于缩进每个级别。
当我们将缩进量修改为0时，文件的排版也会发生变化：
json.dump(all_eq_data,f,indent=0)
创建地震列表：
import json filename='eq_data_1_day_m1.json' with open(filename) as f: all_eq_data=json.load(f)#对文件进行处理 all_eq_dicts=all_eq_data['features'] print(len(all_eq_dicts))#提取出这个文件记录的所有地震
输出结果如下：
158
是的，从文件的开头，我们就可以确定地震的次数为158次，因此输出结果正确
提取震级：
方法即是新建立一个列表用来存放震源的有关数据，再提取字典features的properties部分的mag.
代码如下：
import json filename='eq_data_1_day_m1.json' with open(filename) as f: all_eq_data=json.load(f) all_eq_dicts=all_eq_data['features'] mags=[] for eq_dict in all_eq_dicts: mag=eq_dict['properties']['mag'] mags.append(mag) print(mags[:10])#打印前十次的震级数据
[0.96, 1.2, 4.3, 3.6, 2.1, 4, 1.06, 2.3, 4.9, 1.8]
提取位置数据：
首先，我们需要在文件中找到关于经度和维度的部分，如下所示，我们在文件中查找到，它是存在于geometry字典下，coordinates键中的。
---snip--- all_eq_dicts=all_eq_data['features'] mags,titles,lons,lats=[],[],[],[] for eq_dict in all_eq_dicts: mag=eq_dict['properties']['mag'] title=eq_dict['properties']['title'] lon=eq_dict['geometry']['coordinates'][0]#提取coordinates键中索引值为0的数据 lat=eq_dict['geometry']['coordinates'][1] mags.append(mag) titles.append(title) lons.append(lon) lats.append(lat) print(mags[:10]) print(titles[:2]) print(lons[:5])#输出前五个经度 print(lats[:5])#输出前五个维度
输出结果如下：
[0.96, 1.2, 4.3, 3.6, 2.1, 4, 1.06, 2.3, 4.9, 1.8] ['M 1.0 - 8km NE of Aguanga, CA', 'M 1.2 - 11km NNE of North Nenana, Alaska'] [-116.7941667, -148.9865, -74.2343, -161.6801, -118.5316667] [33.4863333, 64.6673, -12.1025, 54.2232, 35.3098333]
绘制震级散点图：
通过我们前面提取的有关震源的数据，下面我们可对提取的数据进行可视化作图：
import plotly.express as px#Plotly Express是Plotly的高级接口，相当于Matplotlib是一个工具 fig=px.scatter( x=lons, y=lats, labels={'x':'经度','y':'维度'}, range_x=[-200,200], range_y=[-90,90], #width和height代表图表的高度和宽度均为800像素 width=800, height=800, title="全球地震散点图", ) fig.write_html('global_earthquakes.html')#将可视化图保存为html文件 fig.show()
散点图配置完成后，下面我们在程序目录下寻找我们保存的可视化图（global_earthquakes.html），再使用浏览器打开该html文件
如下所示，即为散点图：
指定图表数据的方式：
上面我们绘制地震散点图是通过手动配置经纬度，通过将x,y和经度，纬度建立联系：
x=lons, y=lats, labels={'x':'经度','y':'维度'},
但这在数据处理过程中并不是最简单的方式，下面我们介绍另一种图表指定数据的方式，需要结合我们上面所提到的pandas数据分析工具。
import pandas as pd#导入pandas模块x data=pd.DataFrame(data=zip(lons,lats,titles,mags),colums=['经度','纬度','位置','震级'])#使用DataFrame将需要处理的数据封装，注意：DataFrame后面的两个参数是可选的，如果这两个参数存在的话，这两个参数的长度要和DataFrame的长度匹配 #zip()函数的作用：将可迭代的对象中的对应元素打包为多个元祖，再返回由这些元祖组成的列表 data.head()
DataFrame()函数：
它是Python中pandas库中的一种数据结构，和excel比较相似，它不仅可以设置列名columns和行名index，而且它的单元格可以存放数值，字符串等。
data.head():返回数据的前几行数据，默认是前五行，如果需要指定则写data.head(‘指定的行数’)
data.tail():返回data的后几行数据，默认为后五行，如果需要指定则写data.tail(‘指定的行数’)
数据封装好之后，参数的配置方式可修改为：
data, x='经度', y='纬度',
现在我们通过这种参数配置方式进行地震散点图的绘制：
#创建地震列表，提取数据 import json filename='eq_data_1_day_m1.json' with open(filename) as f: all_eq_data=json.load(f) all_eq_dicts=all_eq_data['features'] mags,titles,lons,lats=[],[],[],[] for eq_dict in all_eq_dicts: mag=eq_dict['properties']['mag'] title=eq_dict['properties']['title'] lon=eq_dict['geometry']['coordinates'][0]#提取coordinates键中索引值为0的数据 lat=eq_dict['geometry']['coordinates'][1] mags.append(mag) titles.append(title) lons.append(lon) lats.append(lat) #参数配置设置 import pandas as pd data=pd.DataFrame( data=zip(lons,lats,titles,mags),columns=['经度','纬度','位置','震级'] ) data.head() #绘制散点图 import plotly.express as px fig = px.scatter( data, x='经度', y='纬度', range_x=[-200, 200], range_y=[-90, 90], width=800, height=800, title="全球地震散点图", ) fig.write_html('global_earthquake.html') fig.show()
配置完成后，下面我们在程序目录下寻找我们保存的可视化图（global_earthquakes.html），再使用浏览器打开该html文件如下图所示：
通过输出结果，我们可得出，无论使用那种参数配置方式，其输出结果都是相同的，但第二种这种以键值对的方式，更加清晰。
设计标记点的尺寸：
和我们上篇文章提到的与温度有关的散点图相类似，我们希望知道最高温度和最低温度等这些特殊且重要的信息，那么震源散点图也是如此，上图我们所设计的震源散点图只是将纬度和经度在图上呈现出来了，但震源并没有体现。
下面，我们将震级也呈现在散点图上：
方法：使用size参数设计散点图中每个尺寸的大小：
size='震级', size_max=10,
对比上面的两幅图，我们会发现散点图中关于地震的信息还增加了震级，不仅如此，散点的尺寸大小也与震级的大小有关，震级越大，散点的尺寸越大，这样一来，我们很容易观察到不同地方的地震强度，但这还不够直观，为了能够更加直白的呈现地震的情况，我们还设计散点的颜色以便更加清晰的显示。
设计标记的颜色：
方法：
color='震级', #默认渐变色的范围是从蓝到红再到黄，数值越小标记越蓝，而数值越大则标记越黄。
把在网上下载好的近30天的数据文件复制到该程序目录下，将参数color添加其中，再绘制散点图。，注意修改文件名。
如下图所示：
美化后的散点图，不仅在颜色上漂亮了许多，渐变的颜色也更加清晰的反映了地震的严重程度。
获取Plotly Express中所有的渐变色：
不仅如此，Plotly Express还为我们提供了许多的渐变色，而这些渐变色是在
px.colors.named_colorscales()中定义的，下面来获取这些渐变色：
import plotly.express as px for key in px.colors.named_colorscales(): print(key,end='/')
输出结果如下：
aggrnyl/agsunset/blackbody/bluered/blues/blugrn/bluyl/brwnyl/bugn/bupu/burg/burgyl/cividis /darkmint/electric/emrld/gnbu/greens/greys/hot/inferno/jet/magenta/magma/mint/orrd/oranges /oryel/peach/pinkyl/plasma/plotly3/pubu/pubugn/purd/purp/purples/purpor/rainbow/rdbu/rdpu /redor/reds/sunset/sunsetdark/teal/tealgrn/turbo/viridis/ylgn/ylgnbu/ylorbr/ylorrd/algae /amp/deep/dense/gray/haline/ice/matter/solar/speed/tempo/thermal/turbid/armyrose/brbg/earth /fall/geyser/prgn/piyg/picnic/portland/puor/rdgy/rdylbu/rdylgn/spectral/tealrose/temps/tropic /balance/curl/delta/oxy/edge/hsv/icefire/phase/twilight/mrybm/mygbm/
此外，我们还可将对应配色列表进行反转：
方法：
px.colors.diverging.RdYlGn[::-1]
此外，Plotly除了有px.colors.diverging表示连续的配色方案，还有px.colors.sequential和px.colors.qualitative表示离散变量。每个渐变色都有起始色和终止色，有些渐变色还定义了一个或多个中间色。
添加鼠标指向时显示的文本：
方法，使用参数hover_name,参数配置为data的‘位置’
hover_name='位置',
修改后，散点图的输出如下所示：
我们发现，对比于前面的图表，此时又增加了位置信息，此时，我们就完整的绘制了一副关于地震信息的散点图。
