使用 Python 进行数据可视化之Plotly(02)

简介: 使用 Python 进行数据可视化之Plotly

添加交互


就像 Bokeh 一样,plotly 也提供了各种交互。让我们讨论其中的几个。


创建下拉菜单:下拉菜单是菜单按钮的一部分,始终显示在屏幕上。每个菜单按钮都与一个菜单小部件相关联,该小部件可以在单击该菜单按钮时显示该菜单按钮的选项。在 plotly 中,有 4 种可能的方法可以使用 updatemenu 方法来修改图表。


restyle: 修改数据或数据属性

relayout: 修改布局属性

update: 修改数据和布局属性

animate: 开始或暂停动画

例子:

import plotly.graph_objects as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
plot = px.Figure(data=[px.Scatter(
  x=data['day'],
  y=data['tip'],
  mode='markers',)
])
# 添加下拉菜单
plot.update_layout(
  updatemenus=[
    dict(
      buttons=list([
        dict(
          args=["type", "scatter"],
          label="Scatter Plot",
          method="restyle"
        ),
        dict(
          args=["type", "bar"],
          label="Bar Chart",
          method="restyle"
        )
      ]),
      direction="down",
    ),
  ]
)
plot.show()


输出:

image.png


添加按钮: 在 plotly 中,动作自定义按钮用于直接从记录中快速制作动作。自定义按钮可以添加到 CRM、营销和自定义应用程序中的页面布局。还有 4 种可能的方法可以应用于自定义按钮:


restyle: 修改数据或数据属性

relayout: 修改布局属性

update: 修改数据和布局属性

animate: 开始或暂停动画

例子:

import plotly.graph_objects as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
plot = px.Figure(data=[px.Scatter(
  x=data['day'],
  y=data['tip'],
  mode='markers',)
])
# 添加下拉菜单
plot.update_layout(
  updatemenus=[
    dict(
      type="buttons",
      direction="left",
      buttons=list([
        dict(
          args=["type", "scatter"],
          label="Scatter Plot",
          method="restyle"
        ),
        dict(
          args=["type", "bar"],
          label="Bar Chart",
          method="restyle"
        )
      ]),
    ),
  ]
)
plot.show()


输出:

image.png

创建滑块和选择器:


在 plotly 中,范围滑块是一个自定义范围类型的输入控件。它允许在指定的最小和最大范围之间选择一个值或一个值范围。范围选择器是一种用于选择要在图表中显示的范围的工具。它提供了用于在图表中选择预配置范围的按钮。它还提供了输入框,可以手动输入最小和最大日期


例子:

import plotly.graph_objects as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
plot = px.Figure(data=[px.Scatter(
  y=data['tip'],
  mode='lines',)
])
plot.update_layout(
  xaxis=dict(
    rangeselector=dict(
      buttons=list([
        dict(count=1,
          step="day",
          stepmode="backward"),
      ])
    ),
    rangeslider=dict(
      visible=True
    ),
  )
)
plot.show()


输出:

https://ucc.alicdn.com/images/user-upload-01/img_convert/e2fde7a3b228f207d32014c4c4f5134a.gif


小结


在本系列教程中,我们借助 Python 的四个不同绘图模块(即 Matplotlib、Seaborn、Bokeh 和 Plotly)绘制了tips 数据集。每个模块都以自己独特的方式显示情节,每个模块都有自己的一组功能,例如 Matplotlib 提供了更大的灵活性,但代价是编写更多代码,而 Seaborn 作为一种高级语言提供了允许人们通过少量代码。每个模块都可以根据我们想要完成的任务使用。


目录
相关文章
|
24天前
|
机器学习/深度学习 数据可视化 搜索推荐
基于python的汽车数据可视化、推荐及预测系统
本研究围绕汽车数据可视化、推荐及预测系统展开,结合大数据与人工智能技术,旨在提升用户体验与市场竞争力。内容涵盖研究背景、意义、相关技术如 Python、ECharts、协同过滤及随机森林回归等,探讨如何挖掘汽车数据价值,实现个性化推荐与智能预测,为汽车行业智能化发展提供支持。
|
2月前
|
数据采集 数据可视化 搜索推荐
Python数据分析全流程指南:从数据采集到可视化呈现的实战解析
在数字化转型中,数据分析成为企业决策核心,而Python凭借其强大生态和简洁语法成为首选工具。本文通过实战案例详解数据分析全流程,涵盖数据采集、清洗、探索、建模、可视化及自动化部署,帮助读者掌握从数据到业务价值的完整技能链。
376 0
|
2月前
|
存储 数据可视化 BI
Python可视化应用——学生成绩分布柱状图展示
本程序使用Python读取Excel中的学生成绩数据,统计各分数段人数,并通过Matplotlib库绘制柱状图展示成绩分布。同时计算最高分、最低分及平均分,实现成绩可视化分析。
171 0
|
13天前
|
数据采集 数据可视化 关系型数据库
基于python大数据的电影数据可视化分析系统
电影分析与可视化平台顺应电影产业数字化趋势,整合大数据处理、人工智能与Web技术,实现电影数据的采集、分析与可视化展示。平台支持票房、评分、观众行为等多维度分析,助力行业洞察与决策,同时提供互动界面,增强观众对电影文化的理解。技术上依托Python、MySQL、Flask、HTML等构建,融合数据采集与AI分析,提升电影行业的数据应用能力。
|
28天前
|
数据采集 搜索推荐 数据可视化
基于python大数据的商品数据可视化及推荐系统
本系统基于Python、Django与ECharts,构建大数据商品可视化及推荐平台。通过爬虫获取商品数据,利用可视化技术呈现销售趋势与用户行为,结合机器学习实现个性化推荐,助力电商精准营销与用户体验提升。
|
22天前
|
数据可视化 大数据 数据挖掘
基于python大数据的招聘数据可视化分析系统
本系统基于Python开发,整合多渠道招聘数据,利用数据分析与可视化技术,助力企业高效决策。核心功能包括数据采集、智能分析、可视化展示及权限管理,提升招聘效率与人才管理水平,推动人力资源管理数字化转型。
|
1月前
|
搜索推荐 算法 数据可视化
基于python大数据的招聘数据可视化及推荐系统
本研究聚焦于基于协同过滤的就业推荐系统设计与实现。随着就业压力增大和信息技术发展,传统求职方式面临挑战。通过分析用户行为与职位特征,协同过滤技术可实现个性化职位推荐,提升求职与招聘效率。研究涵盖系统架构、数据采集、算法实现及可视化展示,旨在优化就业匹配,促进人才与岗位精准对接,助力就业市场智能化发展。
|
1月前
|
数据采集 数据可视化 API
驱动业务决策:基于Python的App用户行为分析与可视化方案
驱动业务决策:基于Python的App用户行为分析与可视化方案
|
2月前
|
存储 数据采集 数据可视化
Python自动化分析知网文献:爬取、存储与可视化
Python自动化分析知网文献:爬取、存储与可视化
|
3月前
|
数据采集 Web App开发 自然语言处理
利用Python构建今日头条搜索结果的可视化图表
利用Python构建今日头条搜索结果的可视化图表

推荐镜像

更多