【Plotly快速入门】用Plotly绘制了几张精湛的图表，美翻了！！

说到Python当中的可视化模块&＃xff0c;相信大家用的比较多的还是matplotlib、seaborn等模块&＃xff0c;今天小编来尝试用Plotly模块为大家绘制可视化图表&＃xff0c;和前两者相比&＃xff0c;用Plotly模块会指出来的可视化图表有着很强的交互性。

柱状图

我们先导入后面需要用到的模块并且生成一批假数据&＃xff0c;

import numpy as np
import plotly.graph_objects as go# create dummy data
vals &＃61; np.ceil(100 * np.random.rand(5)).astype(int)
keys &＃61; ["A", "B", "C", "D", "E"]

我们基于所生成的假数据来绘制柱状图&＃xff0c;代码如下

fig &＃61; go.Figure()
fig.add_trace(go.Bar(x&＃61;keys, y&＃61;vals)
)
fig.update_layout(height&＃61;600, width&＃61;600)
fig.show()

output

可能读者会感觉到绘制出来的图表略显简单&＃xff0c;我们再来完善一下&＃xff0c;添加上标题和注解&＃xff0c;代码如下

# create figure
fig &＃61; go.Figure()
# 绘制图表
fig.add_trace(go.Bar(x&＃61;keys, y&＃61;vals, hovertemplate&＃61;"Key: %{x}
Value: %{y}")
)
# 更新完善图表
fig.update_layout(font_family&＃61;"Averta",hoverlabel_font_family&＃61;"Averta",title_text&＃61;"直方图",xaxis_title_text&＃61;"X轴-键",xaxis_title_font_size&＃61;18,xaxis_tickfont_size&＃61;16,yaxis_title_text&＃61;"Y轴-值",yaxis_title_font_size&＃61;18,yaxis_tickfont_size&＃61;16,hoverlabel_font_size&＃61;16,height&＃61;600, width&＃61;600
)
fig.show()

output

分组条形图和堆积条形图

例如我们有多组数据想要绘制成柱状图的话&＃xff0c;我们先来创建好数据集

vals_2 &＃61; np.ceil(100 * np.random.rand(5)).astype(int)
vals_3 &＃61; np.ceil(100 * np.random.rand(5)).astype(int)vals_array &＃61; [vals, vals_2, vals_3]

然后我们遍历获取列表中的数值并且绘制成条形图&＃xff0c;代码如下

# 生成画布
fig &＃61; go.Figure()
# 绘制图表
for i, vals in enumerate(vals_array):fig.add_trace(go.Bar(x&＃61;keys, y&＃61;vals, name&＃61;f"Group {i&＃43;1}", hovertemplate&＃61;f"Group {i&＃43;1}
Key: %{{x}}
Value: %{{y}}"))
# 完善图表
fig.update_layout(barmode&＃61;"group",......
)
fig.show()

output

而我们想要变成堆积状的条形图&＃xff0c;只需要修改代码中的一处即可&＃xff0c;将fig.update_layout(barmode&＃61;"group")修改成fig.update_layout(barmode&＃61;"group")即可&＃xff0c;我们来看一下出来的样子

箱型图

箱型图在数据统计分析当中也是应用相当广泛的&＃xff0c;我们先来创建两个假数据

# create dummy data for boxplots
y1 &＃61; np.random.normal(size&＃61;1000)
y2 &＃61; np.random.normal(size&＃61;1000)

我们将上面生成的数据绘制成箱型图&＃xff0c;代码如下

# 生成画布
fig &＃61; go.Figure()
# 绘制图表
fig.add_trace(go.Box(y&＃61;y1, name&＃61;"Dataset 1"),
)
fig.add_trace(go.Box(y&＃61;y2, name&＃61;"Dataset 2"),
)
fig.update_layout(......
)
fig.show()

output

散点图和气泡图

接下来我们尝试来绘制一张散点图&＃xff0c;也是一样的步骤&＃xff0c;我们想尝试生成一些假数据&＃xff0c;代码如下

x &＃61; [i for i in range(1, 10)]
y &＃61; np.ceil(1000 * np.random.rand(10)).astype(int)

然后我们来绘制散点图&＃xff0c;调用的是Scatter()方法&＃xff0c;代码如下

# create figure
fig &＃61; go.Figure()fig.add_trace(go.Scatter(x&＃61;x, y&＃61;y, mode&＃61;"markers", hovertemplate&＃61;"x: %{x}
y: %{y}")
)fig.update_layout(.......
)
fig.show()

output

那么气泡图的话就是在散点图的基础上&＃xff0c;根据数值的大小来设定散点的大小&＃xff0c;我们再来创建一些假数据用来设定散点的大小&＃xff0c;代码如下

s &＃61; np.ceil(30 * np.random.rand(5)).astype(int)

我们将上面用作绘制散点图的代码稍作修改&＃xff0c;通过marker_size参数来设定散点的大小&＃xff0c;如下所示

fig &＃61; go.Figure()fig.add_trace(go.Scatter(x&＃61;x, y&＃61;y, mode&＃61;"markers", marker_size&＃61;s, text&＃61;s, hovertemplate&＃61;"x: %{x}
y: %{y}
Size: %{text}")
)
fig.update_layout(......
)
fig.show()

output

直方图

直方图相比较于上面提到的几种图表&＃xff0c;总体上来说会稍微有点丑&＃xff0c;但是通过直方图&＃xff0c;读者可以更加直观地感受到数据的分布&＃xff0c;我们先来创建一组假数据&＃xff0c;代码如下

## 创建假数据
data &＃61; np.random.normal(size&＃61;1000)

然后我们来绘制直方图&＃xff0c;调用的是Histogram()方法&＃xff0c;代码如下

# 创建画布
fig &＃61; go.Figure()
# 绘制图表
fig.add_trace(go.Histogram(x&＃61;data, hovertemplate&＃61;"Bin Edges: %{x}
Count: %{y}")
)
fig.update_layout(height&＃61;600,width&＃61;600
)
fig.show()

output

我们再在上述图表的基础之上再进行进一步的格式优化&＃xff0c;代码如下

# 生成画布
fig &＃61; go.Figure()
# 绘制图表
fig.add_trace(go.Histogram(x&＃61;data, histnorm&＃61;"probability", hovertemplate&＃61;"Bin Edges: %{x}
Count: %{y}")
)
fig.update_layout(......
)
fig.show()

output

多个子图拼凑到一块儿

相信大家都知道在matplotlib模块当中的subplots()方法可以将多个子图拼凑到一块儿&＃xff0c;那么同样地在plotly当中也可以同样地将多个子图拼凑到一块儿&＃xff0c;调用的是plotly模块当中make_subplots函数

from plotly.subplots import make_subplots
## 2行2列的图表
fig &＃61; make_subplots(rows&＃61;2, cols&＃61;2)
## 生成一批假数据用于图表的绘制
x &＃61; [i for i in range(1, 11)]
y &＃61; np.ceil(100 * np.random.rand(10)).astype(int)
s &＃61; np.ceil(30 * np.random.rand(10)).astype(int)
y1 &＃61; np.random.normal(size&＃61;5000)
y2 &＃61; np.random.normal(size&＃61;5000)

接下来我们将所要绘制的图表添加到add_trace()方法当中&＃xff0c;代码如下

# 绘制图表
fig.add_trace(go.Bar(x&＃61;x, y&＃61;y, hovertemplate&＃61;"x: %{x}
y: %{y}"),row&＃61;1, col&＃61;1
)
fig.add_trace(go.Histogram(x&＃61;y1, hovertemplate&＃61;"Bin Edges: %{x}
Count: %{y}"),row&＃61;1, col&＃61;2
)
fig.add_trace(go.Scatter(x&＃61;x, y&＃61;y, mode&＃61;"markers", marker_size&＃61;s, text&＃61;s, hovertemplate&＃61;"x: %{x}
y: %{y}
Size: %{text}"),row&＃61;2, col&＃61;1
)
fig.add_trace(go.Box(y&＃61;y1, name&＃61;"Dataset 1"),row&＃61;2, col&＃61;2
)
fig.add_trace(go.Box(y&＃61;y2, name&＃61;"Dataset 2"),row&＃61;2, col&＃61;2
)
fig.update_xaxes(title_font_size&＃61;18, tickfont_size&＃61;16)
fig.update_yaxes(title_font_size&＃61;18, tickfont_size&＃61;16)
fig.update_layout(......
)
fig.show()

output

NO.1

往期推荐

Historical articles

50行Python代码绘制数据大屏&＃xff0c;这个可视化框架真的太神了

全网最详细教程整理&＃xff0c;Python办公自动化操作Excel总结归纳

【原创佳作】介绍Pandas实战中一些高端玩法

分享一个2022年火遍全网的Python框架

分享、收藏、点赞、在看安排一下&＃xff1f;