Plotly : 超好用的Python可视化工具

在这个数据驱动的时代，数据可视化不但仅是一种展示数据的方式，更是一种艺术。它让我们能够直观地理解数据，发现数据背后的故事。而 Plotly，这个强大的 Python 库，正是我们探索数据之美的得力助手。
安装：开始你的 Plotly 之旅

在开始我们的探索之前，确保你的 Python 环境中已经安装了 Plotly。如果你还没有安装，只需在下令行中输入以下下令：

1. pip install plotly

复制代码

安装完成后，我们就可以在 Python 的海洋中，乘风破浪，绘制出属于我们自己的数据世界。
根本折线图：简朴却强大的出发点

让我们从最根本的折线图开始，这是数据可视化的经典之作。以下是一个简朴的折线图示例代码：

1. import plotly.graph_objects as go
2. import numpy as np
4. # 生成样本数据
5. x = np.linspace(0, 10, 100)
6. y = np.sin(x)
8. # 创建基本折线图
9. fig = go.Figure(data=go.Scatter(x=x, y=y, mode='lines'))
11. # 添加标题和标签
12. fig.update_layout(title='plotly 折线图', xaxis_title='X-axis', yaxis_title='Y-axis')
14. # 展示图表
15. fig.show()

复制代码

运行这段代码后，你将看到一个随 x 轴变化而波动的正弦波形图。这是一个非常底子的示例，但它展示了 Plotly 创建图表的能力。

带颜色的散点图：数据的多彩世界

接下来，我们来探索一下散点图。散点图是一种展示两个变量之间关系的图表。通过颜色的渐变，我们可以展示第三个维度的信息，让图表更加丰富和直观。

1. import plotly.express as px
2. import pandas as pd
3. import numpy as np
5. # 生成样本数据
6. np.random.seed(42)
7. df = pd.DataFrame({'X': np.random.rand(50), 'Y': np.random.rand(50), 'Size': np.random.rand(50) * 30})
9. # 创建带有颜色梯度的散点图
10. fig = px.scatter(df, x='X', y='Y', size='Size', color='Size', title='plotly Scatter Plot with Color Gradient')
12. # 展示图表
13. fig.show()

复制代码

这段代码将生成一个带有颜色梯度的散点图，每个点的巨细和颜色代表了不同的数据维度。

三维曲面图：探索数据的深度

三维曲面图是一种展示三个变量之间关系的高级图表。它通过曲面的形状和颜色，展示了数据在三维空间中的分布和变化。

1. import plotly.graph_objects as go
2. import numpy as np
4. # 生成样本数据
5. x = np.linspace(-5, 5, 100)
6. y = np.linspace(-5, 5, 100)
7. x, y = np.meshgrid(x, y)
8. z = np.sin(np.sqrt(x ** 2 + y ** 2))
10. # 创建三维曲面图
11. fig = go.Figure(data=[go.Surface(z=z, x=x, y=y)])
13. # 添加标题和标签
14. fig.update_layout(title='plotly 3D Surface Plot', scene=dict(xaxis_title='X-axis', yaxis_title='Y-axis', zaxis_title='Z-axis'))
16. # 展示图表
17. fig.show()

复制代码

运行这段代码，你将看到一个动态的三维曲面图，它以一种全新的视角展示了数据的深度。

气泡图：让世界看到你的数据

气泡图是散点图的一种变体，它通过气泡的巨细来展示第三个维度的信息。这种图表非常适合展示地理数据，比如国家的生齿分布。

1. import plotly.express as px
3. # 使用Gapminder数据集生成样本数据
4. df = px.data.gapminder().query("year == 2024")
6. # 创建气泡地图
7. fig = px.scatter_geo(df, locations='iso_alpha', size='pop', hover_name='country', title='plotly Bubble Map')
9. # 展示图表
10. fig.show()

复制代码

这段代码将生成一个气泡舆图，每个国家的气泡巨细代表了其生齿数目。

小提琴图：数据分布的优雅展现

小提琴图是一种连合了箱形图和核密度图的图表，它能够展示数据的分布环境，同时提供箱形图中的统计信息。

1. import plotly.express as px
2. import seaborn as sns
4. # 加载样本数据集，注意数据集获取可能需要梯子
5. tips = sns.load_dataset('tips')
7. # 创建小提琴图
8. fig = px.violin(tips, y='total_bill', x='day', box=True, points="all", title='小提琴图')
10. # 展示图表
11. fig.show()

复制代码

这段代码将展示每天账单总额的分布环境，小提琴图以其优雅的形态，让数据的分布一览无余。

旭日图：分层数据的直观展示

旭日图是一种展示分层数据的图表，它通过圆圈上的环来表现数据的层次结构。这种图表非常适合展示复杂的分类数据。

1. import plotly.express as px
3. # 使用内置数据集生成样本数据
4. df = px.data.tips()
6. # 创建旭日图
7. fig = px.sunburst(df, path=['sex', 'day', 'time'], values='total_bill', title='旭日图')
9. # 展示图表
10. fig.show()

复制代码

这段代码将展示一个旭日图，通过不同颜色的环，直观地展示了数据的分层结构。

热力图：变量之间关系的直观展示

热力图是一种展示变量之间相干性的图表，它通过颜色的深浅来表现相干系数的巨细。

1. import plotly.express as px
2. import numpy as np
4. # 生成样本数据
5. np.random.seed(42)
6. corr_matrix = np.random.rand(10, 10)
8. # 创建带有注释的热力图
9. fig = px.imshow(corr_matrix, labels=dict(x="X-axis", y="Y-axis", color="Correlation"), title='Heatmap with Annotations')
11. # 展示图表
12. fig.show()

复制代码

这段代码将生成一个热力图，通过颜色的变化，直观地展示了变量之间的相干性。

雷达图：多维数据的全面展示

雷达图是一种展示多维数据的图表，它通过多个维度的数据量映射到坐标轴上，形成一个完整的雷达图。

1. import plotly.graph_objects as go  
2.   
3. # 生成样本数据  
4. categories = ['Speed', 'Reliability', 'Comfort', 'Safety', 'Efficiency']  
5. values = [90, 60, 85, 70, 80]  
6.   
7. # 创建雷达图  
8. fig = go.Figure()  
9. fig.add_trace(go.Scatterpolar(r=values, theta=categories, fill='toself', name='Product A'))  
10.   
11. # 添加标题  
12. fig.update_layout(title='雷达图')  
13.   
14. # 展示图表  
15. fig.show()

复制代码

这段代码将展示一个雷达图，通过雷达图的形状，全面地展示了产品在不同维度上的体现。

三维散点图：空间中的点云

三维散点图是一种在三维空间中展示数据点的图表，它通过颜色和巨细来展示数据的多个维度。

1. import plotly.graph_objects as go
2. import numpy as np
4. # 生成样本数据
5. np.random.seed(42)
6. x = np.random.rand(100)
7. y = np.random.rand(100)
8. z = np.random.rand(100)
10. # 创建三维散点图
11. fig = go.Figure(data=[go.Scatter3d(x=x, y=y, z=z, mode='markers', marker=dict(size=8, color=z, colorscale='Viridis'))])
13. # 添加标题和标签
14. fig.update_layout(title='3D Scatter Plot', scene=dict(xaxis_title='X-axis', yaxis_title='Y-axis', zaxis_title='Z-axis'))
16. # 展示图表
17. fig.show()

复制代码

这段代码将生成一个三维散点图，通过点的颜色和巨细，展示了数据在三维空间中的分布。

漏斗图 ：业务流程的直观分析

漏斗图（Funnel Chart）是一种可视化工具，通常用于展示业务流程或转化过程中的各个阶段，以及在每个阶段中用户或业务量的变化。这种图表特殊适用于分析转化率，即在一系列步调中，到场者或项目从一个阶段到下一个阶段的减少率。

1. import plotly.graph_objects as go  # 导入Plotly的graph_objects模块
3. # 生成样本数据
4. values = [500, 450, 350, 300, 200]  # 假设的各阶段业务量
6. # 创建一个漏斗图
7. fig = go.Figure(
8.     go.Funnel(  # 使用Funnel对象来创建漏斗图
9.         y=['Stage 1', 'Stage 2', 'Stage 3', 'Stage 4', 'Stage 5'],  # 漏斗图各阶段的名称
10.         x=values,  # 各阶段的业务量数据
11.         textinfo='value+percent initial'  # 漏斗图中显示的信息，这里显示初始值和百分比
12.     )
13. )
15. # 添加标题
16. fig.update_layout(title='漏斗图')  # 更新图表布局，设置标题为“漏斗图”
18. # 展示图表
19. fig.show()  # 显示图表

复制代码

这段代码将生成一个漏斗图，表现一个具有不同阶段的连续过程。每个部门的巨细代表相应的值。

总结

Plotly 是一个通用且功能强大的 Python 数据可视化库。本文介绍了一系列高级示例，展示了各种绘图类型和交互功能。请实验利用所提供的代码示例，深入相识 Plotly 的功能，提高大家数据可视化的技能。
原文所在：https://mp.weixin.qq.com/s/rA7T5CgFWzswx8RXcXuuPg
往期文章合集：https://stormsha.blog.csdn.net/article/details/139203741

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。