1、plotly库的相关介绍
1）相关说明
plotly是一个基于javascript的绘图库，plotly绘图种类丰富，效果美观；
易于保存与分享plotly的绘图结果，并且可以与Web无缝集成；
ploty默认的绘图结果，是一个HTML网页文件，通过浏览器可以直接查看；
2）plotly与matplotlib、seaborn的关系
需要注意的是，ployly绘图库与matplotlib绘图库、seaborn绘图库并没有什么关系。也就是说说plotly是一个单独的绘图库，有自己独特的绘图语法、绘图参数和绘图原理，因此我们需要单独学习它。
2、导入相关库
对于我们做数据分析的人员来说，一般用的都是离线绘图库。在线绘图库需要的话，可以自己百度研究。
import os import numpy as np import pandas as pd import plotly as py import plotly.graph_objs as go import plotly.expression as px from plotly import tools import warnings warnings.filterwarnings("ignore")
3、plotly绘图原理
1）ployly常用的两个绘图模块：graph_objs和expression
graph_objs和expression是plotly里面两个很常用的绘图库，graph_objs相当于matplotlib，在数据组织上比较费劲，但是任然比起matplotlib绘图更简单、更好看。这里说的费劲是相对于expression库来说的。expression库相当于seaborn的地位，在数据组织上较为容易，绘图比起seaborn来说，也更加容易。这里你心里有个印象即可，知道这两个绘图库很牛，就行了。
对于graph_objs绘图库，我们常命名为“go”(import plotly.graph_objs as go)；对于expression绘图库，我们常命名为“px”(import plotly.expression as px)。
2）graph_objs(“go”)库的绘图原理
① 简单的案例说明
df = pd.read_excel("plot.xlsx") # 步骤一 trace0 = go.Scatter(x=df["年份"],y=df["城镇居民"],name="城镇居民") trace1 = go.Scatter(x=df["年份"],y=df["农村居民"],name="农村居民") # 步骤二 data = [trace0,trace1] # 步骤三 fig = go.Figure(data) # 步骤四 fig.update_layout( title="城乡居民家庭人均收入", xaxis_title="年份", yaxis_title="人均收入（元）" ) # 步骤五 fig.show()
结果如下：
② 原理说明
1、绘制图形轨迹，在ployly里面叫做trace，每一个轨迹是一个trace。
2、将轨迹包裹成一个列表，形成一个“轨迹列表”。一个轨迹放在一个列表中，多个轨迹也是放在一个列表中。
3、创建画布的同时，并将上述的“轨迹列表”，传入到Figure()中。
4、使用Layout添加其他的绘图参数，完善图形。
5、展示图形。
3）expression(“px”)库的绘图原理
① 简单的案例说明
iris = pd.read_excel("iris.xlsx",sheet_name="Sheet2") fig = px.scatter(iris,x="花萼长度",y="花萼宽度",color="属种") fig.show()
结果如下：
② 原理说明
1、直接使用px调用某个绘图方法时，会自动创建画布，并画出图形。
2、展示图形。
4、保存图形的两种方式
1）直接下载下来：保存成png静态图片
2）使用py.offline.plot(fig,filename=“XXX.html”)代码保存成html网页动态图片
iris = pd.read_excel("iris.xlsx",sheet_name="Sheet2") fig = px.scatter(iris,x="花萼长度",y="花萼宽度",color="属种") py.offline.plot(fig,filename="iris1.html")
结果如下：该文件是一个html文件，这里上传不了，自己下去尝试一下就知道了。
3）总结说明
使用“照相机”那个下载按钮，可以直接将图片下载保存在本地，但是这个图片是一个静态图片，没有交互性。但是使用py.offline.plot()方法，可以将图片保存成一个html的网页格式，其他人可以在电脑上直接打开这个html网页，并且保留了图片的原始样式，具有交互性。
5、绘制双y轴图
1）数据集如下
2）绘制不同地区的“任务完成量”和“任务完成率”情况
df = pd.read_excel("double_y.xlsx") x = df["地区"] y1 = df["完成量"] y2 = df["完成率"] trace0 = go.Bar(x=x,y=y1, marker=dict(color=["red","blue","green","darkgrey","darkblue","orange"]), opacity=0.5, name="不同地区的任务完成量") trace1 = go.Scatter(x=x,y=y2, mode="lines", name="不同地区的任务完成率", # 【步骤一】：使用这个参数yaxis="y2"，就是绘制双y轴图 yaxis="y2") data = [trace0,trace1] layout = go.Layout(title="不同地区的任务完成量和任务完成率情况", xaxis=dict(title="地区"), yaxis=dict(title="不同地区的任务完成量"), # 【步骤二】：给第二个y轴，添加标题，指定第二个y轴，在右侧。 yaxis2=dict(title="不同地区的任务完成率",overlaying="y",side="right"), legend=dict(x=0.78,y=0.98,font=dict(size=12,color="black"))) fig = go.Figure(data=data,layout=layout) fig.show()
结果如下：
6、绘制多子图：一个画布上绘制多个图形
1）相关库和方法介绍
1、绘制多个子图，需要先导入tools库。from plotly import tools
2、tools.make_subplots(rows= ,cols=)用于指定绘图布局，rows和cols表示将画布布局成几行几列。
3、fig.append_trace()将每个图形轨迹trace，绘制在不同的位置上。
2）分别绘制不同地区的“任务完成量”和“任务完成率”情况
# 步骤一：导入相关库 from plotly import tools # 步骤二：指定绘图布局 fig = tools.make_subplots(rows=2,cols=1) # 步骤三：绘制图形轨迹 trace0 = go.Bar(x=x,y=y1, marker=dict(color=["red","blue","green","darkgrey","darkblue","orange"]), opacity=0.5, name="不同地区的任务完成量") trace1 = go.Scatter(x=x,y=y2, mode="lines", name="不同地区的任务完成率", line=dict(width=2,color="red")) # 步骤四：将第一个轨迹，添加到第1行的第1个位置 # 将第二个轨迹，添加到第2行的第1个位置 fig.append_trace(trace0,1,1) fig.append_trace(trace1,2,1) # 步骤四：根据自己的需求，给图形添加标题。height、width参数用于指定图形的宽和高 fig.update_layout(title="不同地区的任务量与完成量",height=800,width=800) # 步骤五：展示图形 fig.show()
结果如下：
