使用Python實現(xiàn)炫酷的數(shù)據(jù)動態(tài)圖大全
前言
數(shù)據(jù)可視化是通過圖形、圖表、地圖等可視元素將數(shù)據(jù)呈現(xiàn)出來，以便更容易理解、分析和解釋。它是將抽象的數(shù)據(jù)轉化為直觀形象的過程，有助于發(fā)現(xiàn)數(shù)據(jù)中的模式、趨勢和關系。數(shù)據(jù)可視化對于數(shù)據(jù)科學、商業(yè)分析、決策制定等領域都至關重要。當我們想用數(shù)據(jù)描述世界、闡釋想法和展示成果時，如果只有單調的文本和數(shù)字，很難吸引觀眾的注意。漂亮的可視化圖表有時能夠在表達信息上勝過大量文字。
一、 plotly庫
Plotly是一款交互式的數(shù)據(jù)可視化庫，支持多種編程語言，包括Python、R、JavaScript等。它可以用于創(chuàng)建各種類型的圖表，從簡單的折線圖和散點圖到復雜的熱力圖和3D圖。Plotly的圖表具有動態(tài)性和交互性，使用戶能夠在圖表中進行縮放、拖動、懸停等操作，以更深入地探索數(shù)據(jù)。
安裝 Plotly： 在Python中，可以使用以下命令安裝Plotly庫：
pip install plotly
導入 Plotly： 在Python腳本或Jupyter Notebook中，導入Plotly庫：
import plotly.graph_objects as go
創(chuàng)建圖表對象： 使用graph_objects模塊創(chuàng)建圖表對象，例如：
fig = go.Figure()
添加圖表元素： 向圖表對象添加不同類型的圖表元素，如散點、線條、柱形等。
fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6], mode='markers', name='Scatter'))
自定義圖表： 設置圖表的標題、坐標軸標簽、布局等。
fig.update_layout(title='My Plotly Chart', xaxis_title='X-axis', yaxis_title='Y-axis')
顯示圖表： 在Jupyter Notebook中，可以使用以下命令顯示圖表：
fig.show()
Plotly還支持通過Dash創(chuàng)建交互式的Web應用程序，可以在數(shù)據(jù)可視化和用戶界面方面提供更高級的功能。Dash是基于Plotly構建的開源框架，用于創(chuàng)建儀表板和數(shù)據(jù)分析應用。通過使用Plotly，可以輕松創(chuàng)建漂亮、交互式的圖表，以更好地理解和傳達數(shù)據(jù)。
二、示例
動畫
在研究這個或那個指標的演變時，我們常涉及到時間數(shù)據(jù)。Plotly 動畫工具僅需一行代碼就能讓人觀看數(shù)據(jù)隨時間的變化情況，如下圖所示：
代碼如下：
import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,
y="Entity",
x="Deaths",
animation_frame="Year",
orientation='h',
range_x=[0, df.Deaths.max()],
color="Entity")
# improve aesthetics (size, grids etc.)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)',
title_text='Evolution of Natural Disasters',
showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()
只要你有一個時間變量來過濾，那么幾乎任何圖表都可以做成動畫。下面是一個制作散點圖動畫的例子：
import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(
df,
x="gdpPercap",
y="lifeExp",
animation_frame="year",
size="pop",
color="continent",
hover_name="country",
log_x=True,
size_max=55,
range_x=[100, 100000],
range_y=[25, 90],
# color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)')
太陽圖
太陽圖（sunburst chart）是一種可視化 group by 語句的好方法。如果你想通過一個或多個類別變量來分解一個給定的量，那就用太陽圖吧。
假設我們想根據(jù)性別和每天的時間分解平均小費數(shù)據(jù)，那么相較于表格，這種雙重 group by 語句可以通過可視化來更有效地展示。
這個圖表是交互式的，讓你可以自己點擊并探索各個類別。你只需要定義你的所有類別，并聲明它們之間的層次結構（見以下代碼中的 parents 參數(shù)）并分配對應的值即可，這在我們案例中即為 group by 語句的輸出。
import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd
df = px.data.tips()
fig = go.Figure(go.Sunburst(
labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],
parents=["", "", "Female", "Female", 'Male', 'Male'],
values=np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex', 'time']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()
現(xiàn)在我們向這個層次結構再添加一層：
為此，我們再添加另一個涉及三個類別變量的 group by 語句的值。
import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=[
"Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',
'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri ', 'Sat ', 'Sun ', 'Fri ', 'Thu '
],
parents=[
"", "", "Female", "Female", 'Male', 'Male',
'Dinner', 'Dinner', 'Dinner', 'Dinner',
'Lunch', 'Lunch', 'Dinner ', 'Dinner ',
'Dinner ', 'Lunch ', 'Lunch '
],
values=np.append(
np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex',
'time']).tip.mean().values,
),
df.groupby(['sex', 'time',
'day']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()
平行類別
另一種探索類別變量之間關系的方法是以下這種流程圖。你可以隨時拖放、高亮和瀏覽值，非常適合演示時使用
代碼如下：
import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_categories(
df,
dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],
color="Genre_id",
color_continuous_scale=px.colors.sequential.Emrld,
)
fig.show()
平行坐標圖
平行坐標圖是上面的圖表的連續(xù)版本。這里，每一根弦都代表單個觀察。這是一種可用于識別離群值（遠離其它數(shù)據(jù)的單條線）、聚類、趨勢和冗余變量（比如如果兩個變量在每個觀察上的值都相近，那么它們將位于同一水平線上，表示存在冗余）的好用工具。
代碼如下：
import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_coordinates(
df,
dimensions=[
'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',
'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'
],
color='IMDB_Rating',
color_continuous_scale=px.colors.sequential.Emrld)
fig.show()
量表圖和指示器
量表圖僅僅是為了好看。在報告 KPI 等成功指標并展示其與你的目標的距離時，可以使用這種圖表。
指示器在業(yè)務和咨詢中非常有用。它們可以通過文字記號來補充視覺效果，吸引觀眾的注意力并展現(xiàn)你的增長指標。
import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
domain = {'x': [0, 1], 'y': [0, 1]},
value = 4.3,
mode = "gauge+number+delta",
title = {'text': "Success Metric"},
delta = {'reference': 3.9},
gauge = {'bar': {'color': "lightgreen"},
'axis': {'range': [None, 5]},
'steps' : [
{'range': [0, 2.5], 'color': "lightgray"},
{'range': [2.5, 4], 'color': "
以上就是使用Python實現(xiàn)炫酷的數(shù)據(jù)動態(tài)圖大全的詳細內容，更多關于Python數(shù)據(jù)動態(tài)圖的資料請關注腳本之家其它相關文章！
相關文章
這篇文章主要介紹了分享8點超級有用的Python編程建議(推薦),小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2019-10-10
PyCharm2020.1.1與Python3.7.7的安裝教程圖文詳解
這篇文章主要介紹了PyCharm2020.1.1與Python3.7.7的安裝教程，本文通過圖文并茂的形式給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下2020-08-08
Pytorch Conda環(huán)境下載慢換源/刪源/恢復默認源的簡單操作
隨著實驗增多,需要分割創(chuàng)建環(huán)境的情況時有出現(xiàn),在此情況下使用conda create --name xx python=3.10 pytorch torchvision pytorch-cuda -c nvidia -c pytorch -y這樣的指令創(chuàng)建時如果不換源,往往下載速度很慢,本文介紹了解決辦法,需要的朋友可以參考下2024-07-07
今天小編就為大家分享一篇Jupyter中直接顯示Matplotlib的圖形方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05
Docling?是一個強大的?Python?第三方庫,專注于文檔處理和轉換,所以本文將帶大家深入了解?Docling?的強大功能,展示它如何幫助我們高效處理文檔,感興趣的可以了解下2025-02-02
這篇文章主要介紹了python監(jiān)控鍵盤輸入實例代碼，分享了相關代碼示例，小編覺得還是挺不錯的，具有一定借鑒價值，需要的朋友可以參考下2018-02-02
這篇文章主要介紹了詳解Python的Django框架中的中間件,包括中間件的安裝等內容,需要的朋友可以參考下2015-07-07
守護進程(Daemon)也稱為精靈進程是一種生存期較長的一種進程。它們獨立于控制終端并且周期性的執(zhí)行某種任務或等待處理某些發(fā)生的事件。他們常常在系統(tǒng)引導裝入時啟動，在系統(tǒng)關閉時終止。2017-11-11
這篇文章主要為大家詳細介紹了python+opencv實現(xiàn)堆疊圖片，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2022-04-04
今天小編就為大家分享一篇django admin.py 外鍵,反向查詢的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07