Plotly可视化介绍

简介: Plotly可视化介绍

Plotly是一个开源、交互式和基于浏览器的Python图形库,可以创建能在仪表板或网站中使用的交互式图表(可以将它们保存为html文件或静态图像)。Plotly基于plotly.js,它是一个高级图表库,与Bokeh一样,Plotly的强项是制作交互式图 ,有超过30种图表类型,提供了一些在大多数库中没有的图表,如等高线图、树状图、科学图表、统计图表、3D图表、金融图表等。Plotly有以下几个优点:

  • 支持多种编程语言,如Python, R, Julia和JS,可以满足不同用户的需求和偏好。
  • 提供了丰富而灵活图形类型和样式,可以制作高质量交互式图表。
  • 可以轻松地将生成的图形嵌入到网页上,或者保存为静态文件或动画文件,方便分享和展示。
  • 可以帮助用户进行高级的数据分析和机器学习,提供了Dash这个强大的应用框架。

Plotly主要的绘制方式:

  • Plotly Express:受Seaborn和ggplot2的启发,它专门设计为具有简洁,一致且易于学习的API。只需一次导入,就可以在函数调用中创建丰富的交互式绘图,包括地图、动画和趋势线等。
  • Graph Objects:提供了更多的自定义选项和灵活性。您可以使用Graph Objects来构建复杂的布局和样式,并添加更多的交互功能。下面我们来看一些Plotly绘制不同类型图形的案例,并给出相应的Python代码和注释。

散点图

散点图是一种常用的数据可视化方式,可以显示两个或多个变量之间的关系。Plotly提供了一个简单的函数scatter来创建散点图。

# 导入plotly库
import plotly.express as px
# 创建一个数据集
df = px.data.iris()
# 使用scatter函数绘制散点图
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species")
# 显示图形
fig.show()

# 使用Plotly Express绘制散点图
import plotly.express as px # 导入plotly.express模块
df = px.data.iris() # 加载内置数据集
fig = px.scatter(df, x="sepal_width", y="sepal_length", # 设置x轴为花萼宽度,y轴为花萼长度
                 color="species", size="petal_length", # 设置颜色为品种,大小为花瓣长度
                 hover_data=['petal_width']) # 设置鼠标悬停时显示花瓣宽度
fig.show() # 显示图片
# 使用Graph Objects绘制散点图
import plotly.graph_objects as go # 导入plotly.graph_objects模块
import numpy as np # 导入numpy模块
t = np.linspace(0, 10, 30) # 0-10之间随机生成30个数字
x, y, z = np.cos(t), np.sin(t), t # 设置3个变量
fig = go.Figure(data=[go.Scatter3d( # 创建Figure对象,并添加Scatter3d对象作为数据源
    x=x, y=y, z=z,
    mode='markers', # 设置模式为标记点
    marker=dict( 
        size=12,
        color=z,
        colorscale='Viridis', 
        opacity=0.8) # 设置标记点的大小、颜色、颜色范围和透明度等属性
)])
fig.update_layout(title='3D Scatter Plot') # 更新布局设置标题
fig.show() # 显示图片

柱状图

柱状图是一种常用的数据可视化方式,可以用来比较不同类别或分组之间的数值大小。

# 使用Plotly Express绘制柱状图
import plotly.express as px # 导入plotly.express模块
df = px.data.gapminder() # 加载内置数据集
fig = px.bar(df, x="continent", y="pop", color="continent", # 设置x轴为大洲名称,y轴为人口数量,颜色为大洲名称
             title="Population of Continent", # 设置标题
             labels={"pop":"Population"}, # 设置y轴标签
             hover_data=["country"], # 设置鼠标悬停时显示国家名称
             height=400) # 设置高度为400像素
fig.show() # 显示图片
# 使用Graph Objects绘制柱状图
import plotly.graph_objects as go # 导入plotly.graph_objects模块
animals= ['giraffes', 'orangutans', 'monkeys'] # 定义类别列表
fig = go.Figure(data=[go.Bar( # 创建Figure对象,并添加Bar对象作为数据源
    name='SF Zoo', # 设置第一组数据名称
    x=animals, y=[20, 14, 23], # 设置x轴和y轴数据
    text=[20, 14, 23], textposition='auto'), # 设置文本标签和位置
    go.Bar(
    name='LA Zoo', 
    x=animals, y=[12, 18, 29],
    text=[12, 18, 29], textposition='auto')
])
fig.update_layout(title='Number of Animals in LA and SF Zoo', # 更新布局设置标题
                  xaxis_title='Animals', yaxis_title='Count') # 更新x轴和y轴标题
fig.show() # 显示图片

饼图

饼图是一种常用的数据可视化方式,用来展示不同类别在总体中的占比。

# 使用Plotly Express绘制饼图
import plotly.express as px # 导入plotly.express模块
df = px.data.gapminder().query("year == 2007") # 加载内置数据集,并筛选出2007年的数据
fig = px.pie(df, values='pop', names='continent', title='Population of Continent') # 创建饼图,设置数值为人口数量,名称为大洲名称,标题为人口分布情况
fig.show() # 显示图片
# 使用Graph Objects绘制饼图
import plotly.graph_objects as go  # 导入plotly.graph_objects模块
labels = ['Oxygen','Hydrogen','Carbon_Dioxide','Nitrogen']  # 定义类别列表 
values = [4500, 2500, 1053, 500]   # 定义数值列表 
fig = go.Figure(data=[go.Pie(labels=labels, values=values)])   # 创建Figure对象,并添加Pie对象作为数据源 
fig.update_layout(title='Composition of Air')  # // 更新布局设置标题 
fig.show()  # // 显示图片

等高线图

等高线图是一种常用的数据可视化方式,可以用来展示三维空间中函数值在二维平面上的分布情况。我们可以使用Plotly Express或Graph Objects来绘制等高线图。

# 使用Plotly Express绘制等高线图
import plotly.express as px # 导入plotly.express模块
df = px.data.iris() # 加载内置数据集
fig = px.density_contour(df, x="sepal_width", y="sepal_length", color="species") # 创建等高线图,设置x轴为花萼宽度,y轴为花萼长度,颜色为品种
fig.show() # 显示图片
# 使用Graph Objects绘制等高线图
import plotly.graph_objects as go # 导入plotly.graph_objects模块
import numpy as np # 导入numpy模块
x = np.linspace(-5, 5, 50) # 在-5到5之间生成50个数字
y = np.linspace(-5, 5, 50) 
X,Y = np.meshgrid(x,y) # 创建网格点矩阵
Z = X**2 + Y**2 # 定义函数值
fig = go.Figure(data=[go.Contour( # 创建Figure对象,并添加Contour对象作为数据源
    z=Z,
    x=x,
    y=y,
    contours=dict(
        coloring ='heatmap', 
        showlabels = True,
        labelfont = dict(size = 12,color = 'white') 
    ) # 设置等高线的颜色、标签和字体等属性
)])
fig.update_layout(title='Contour Plot of Z=X^2+Y^2') #// 更新布局设置标题 
fig.show() #// 显示图片

Plotly是一个强大而灵活的Python图形库,可以创建各种类型和风格的交互式图表。Plotly可以帮助我们更好地探索和呈现数据,提升我们的数据分析能力和水平。还有许多图形下期再继续介绍,感兴趣的读者可以去官网或相关论坛继续学习。

目录
相关文章
|
关系型数据库 MySQL Linux
Centos7 环境使用 Docker 安装 Mysql 服务详解
Centos7 环境使用 Docker 安装 Mysql 服务详解
2517 0
Centos7 环境使用 Docker 安装 Mysql 服务详解
|
2月前
|
XML 人工智能 前端开发
刚刚 DeepSeek V4.1 Flash 正式发布,竟然干掉了自家的 Pro 模型?!梁圣回归
DeepSeek V4.1 Flash 模型发布,DeepSeek V4 Pro 模型被彻底淘汰了!2 大实战项目测试,对比 GLM-5.3-Flash,看看新模型的效果如何,适不适合作为 AI 编程和办公的首选模型?
1893 0
|
算法 计算机视觉 Python
OpenCV中Canny边缘检测和霍夫变换的讲解与实战应用(附Python源码)
OpenCV中Canny边缘检测和霍夫变换的讲解与实战应用(附Python源码)
1569 0
|
8月前
|
并行计算 监控 PyTorch
大模型应用:大模型算力优化方案:识别突破隐性瓶颈达到效能最大化.65
本文深度剖析大模型落地中“算力跑不满”的隐性瓶颈,从系统(CUDA/驱动/OS)、模型(注意力冗余、激活函数、权重稀疏)、数据(加载、分词、格式)三维度拆解,并提供量化评估方法与场景化优化方案(个人开发/企业推理/边缘部署),助力榨干硬件潜力。
1024 5
|
11月前
|
机器人 物联网 定位技术
展厅机器人技术深度解析与主流产品选型指南
随着数字化转型,展厅机器人正从“科技噱头”迈向“智能服务”。本文深度解析语义SLAM、大模型交互、IoT联动三大核心技术,并对比猎户星空、优必选、科大讯飞、新松等主流产品,助您根据场景需求精准选型,实现高效、智能、沉浸式的展厅升级。
653 3
|
运维 安全 BI
ERPNext 介绍、安装和维护建议
ERPNext 是一款开源企业资源计划系统,功能涵盖财务、销售、采购、库存等多个模块,支持多组织架构与高度自定义。本文介绍其核心特性,并结合实战经验,提供基于 Websoft9 的简便部署方案及后期维护建议,助力中小企业快速搭建稳定高效的管理系统。
5123 0
|
数据可视化 前端开发 JavaScript
可视化工具D3.js
可视化工具D3.js
975 3
|
数据可视化 数据挖掘 数据处理
R语言高级可视化技巧:使用Plotly与Shiny制作互动图表
【8月更文挑战第30天】通过使用`plotly`和`shiny`,我们可以轻松地创建高度互动的数据可视化图表。这不仅增强了图表的表现力,还提高了用户与数据的交互性,使得数据探索变得更加直观和高效。本文仅介绍了基本的使用方法,`plotly`和`shiny`还提供了更多高级功能和自定义选项,等待你去探索和发现。希望这篇文章能帮助你掌握使用`plotly`和`shiny`制作互动图表的技巧,并在你的数据分析和可视化工作中发挥更大的作用。
1023 4
|
数据采集 消息中间件 人工智能
AI Agent:构建以数据为中心的智能体
在过去一年里大模型领域主要有两大领域的热点,一个是 LLM,几乎每月速度革新,大家关心的是效果和成本。另一个是 AI Agent,大家尝试解决各个领域应用问题,大家关心的是场景和竞争力。下面我们重点分享一下 AI Agent 的趋势和实践。
2610 13
|
数据挖掘 索引 Python
python_DataFrame的loc和iloc取数据 基本方法总结
python_DataFrame的loc和iloc取数据 基本方法总结
2932 0
python_DataFrame的loc和iloc取数据 基本方法总结