通过Plotly实现交互式数据可视化的步骤
在数据科学和数据分析领域，数据可视化是一种非常重要的技术。Plotly 是一个功能强大的 Python 可视化库，它可以帮助我们创建交互式的数据可视化图表。本文将介绍如何使用 Plotly 实现交互式数据可视化，包括数据准备、图表创建和交互功能的添加。
步骤
1. 安装 Plotly
首先，确保已经安装了 Plotly。如果没有安装，可以使用 pip 进行安装：
2. 准备数据
在进行数据可视化之前，需要准备好要可视化的数据。在本示例中，我们将使用一个简单的数据集。
|
1
2
3
4
5
6
7
8
9
|
import pandas as pd
# 创建示例数据
data = {
'Year': [2015, 2016, 2017, 2018, 2019],
'Sales': [100, 150, 200, 250, 300]
}
df = pd.DataFrame(data)
|
3. 创建交互式图表
使用 Plotly 来创建交互式图表非常简单。下面是一个简单的例子，创建一个折线图：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import plotly.graph_objs as go
# 创建折线图
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales')
# 创建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))
# 创建图表对象
fig = go.Figure(data=[trace], layout=layout)
# 显示图表
fig.show()
|
4. 添加交互功能
Plotly 提供了丰富的交互功能，可以让用户与图表进行互动。例如，我们可以添加鼠标悬停提示信息：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
# 添加鼠标悬停提示信息
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
hoverinfo='x+y', line=dict(color='blue'))
# 创建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))
# 创建图表对象
fig = go.Figure(data=[trace], layout=layout)
# 显示图表
fig.show()
|
5. 更多交互功能
除了鼠标悬停提示信息之外，Plotly 还支持许多其他交互功能，如缩放、平移、选择和标记等。你可以根据需要添加这些功能来提升用户体验。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
import pandas as pd
import plotly.graph_objs as go
# 创建示例数据
data = {
'Year': [2015, 2016, 2017, 2018, 2019],
'Sales': [100, 150, 200, 250, 300]
}
df = pd.DataFrame(data)
# 创建折线图
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
hoverinfo='x+y', line=dict(color='blue'))
# 创建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))
# 创建图表对象
fig = go.Figure(data=[trace], layout=layout)
# 显示图表
fig.show()
|
6. 导出图表
一旦你创建了交互式的图表，你可能想要将它导出到文件中以供分享或嵌入到网页中。Plotly 提供了多种导出图表的方法，包括静态图片和交互式 HTML 文件。
导出静态图片
|
1
2
|
# 导出为静态图片
fig.write_image("sales_plot.png")
|
导出为 HTML 文件
|
1
2
|
# 导出为 HTML 文件
fig.write_html("sales_plot.html")
|
这样，你就可以轻松地将交互式图表分享给其他人或者嵌入到网页中。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
|
import pandas as pd
import plotly.graph_objs as go
# 创建示例数据
data = {
'Year': [2015, 2016, 2017, 2018, 2019],
'Sales': [100, 150, 200, 250, 300]
}
df = pd.DataFrame(data)
# 创建折线图
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
hoverinfo='x+y', line=dict(color='blue'))
# 创建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))
# 创建图表对象
fig = go.Figure(data=[trace], layout=layout)
# 添加交互功能
fig.update_layout(
xaxis=dict(
rangeselector=dict(
buttons=list([
dict(count=1, label="1年", step="year", stepmode="backward"),
dict(count=2, label="2年", step="year", stepmode="backward"),
dict(count=3, label="3年", step="year", stepmode="backward"),
dict(count=4, label="4年", step="year", stepmode="backward"),
dict(step="all")
])
),
rangeslider=dict(visible=True),
type="date"
)
)
# 导出为静态图片
fig.write_image("sales_plot.png")
# 导出为 HTML 文件
fig.write_html("sales_plot.html")
# 显示图表
fig.show()
|
通过以上步骤，你可以轻松地创建、定制并分享交互式的数据可视化图表，为数据分析工作增添更多的乐趣和效率！
7. 自定义图表样式
Plotly 允许你对图表样式进行高度定制，以满足特定需求或者提升可视化效果。
修改线条样式
|
1
2
3
|
# 修改线条样式
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines+markers', name='Sales',
hoverinfo='x+y', line=dict(color='blue', width=2), marker=dict(size=8, color='red'))
|
调整布局
|
1
2
|
# 调整布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year', showgrid=False), yaxis=dict(title='Sales', showgrid=False))
|
添加标题和标签
|
1
2
|
# 添加标题和标签
fig.update_layout(title_text="Yearly Sales", xaxis_title="Year", yaxis_title="Sales")
|
通过以上调整，你可以根据需要自定义图表的外观和布局。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
|
import pandas as pd
import plotly.graph_objs as go
# 创建示例数据
data = {
'Year': [2015, 2016, 2017, 2018, 2019],
'Sales': [100, 150, 200, 250, 300]
}
df = pd.DataFrame(data)
# 创建折线图
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines+markers', name='Sales',
hoverinfo='x+y', line=dict(color='blue', width=2), marker=dict(size=8, color='red'))
# 创建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year', showgrid=False), yaxis=dict(title='Sales', showgrid=False))
# 创建图表对象
fig = go.Figure(data=[trace], layout=layout)
# 添加交互功能
fig.update_layout(
xaxis=dict(
rangeselector=dict(
buttons=list([
dict(count=1, label="1年", step="year", stepmode="backward"),
dict(count=2, label="2年", step="year", stepmode="backward"),
dict(count=3, label="3年", step="year", stepmode="backward"),
dict(count=4, label="4年", step="year", stepmode="backward"),
dict(step="all")
])
),
rangeslider=dict(visible=True),
type="date"
)
)
# 添加标题和标签
fig.update_layout(title_text="Yearly Sales", xaxis_title="Year", yaxis_title="Sales")
# 导出为静态图片
fig.write_image("sales_plot.png")
# 导出为 HTML 文件
fig.write_html("sales_plot.html")
# 显示图表
fig.show()
|
通过以上步骤，你可以更加灵活地定制和分享交互式的数据可视化图表！
总结
在这篇文章中，我们学习了如何使用 Plotly 实现交互式数据可视化的步骤。以下是我们探讨的主要内容：
-
安装 Plotly：首先，我们确保安装了 Plotly 库，它是一个功能强大的 Python 可视化库。
-
准备数据：在进行数据可视化之前，我们需要准备好要可视化的数据。我们使用了一个简单的示例数据集作为演示。
-
创建交互式图表：我们使用 Plotly 创建了一个交互式折线图，并学习了如何调整布局和添加交互功能，例如鼠标悬停提示信息和范围选择器。
-
导出图表：我们还学习了如何将交互式图表导出为静态图片或 HTML 文件，以便分享或嵌入到网页中。
-
自定义图表样式：最后，我们探讨了如何自定义图表样式，包括修改线条样式、调整布局以及添加标题和标签，以满足特定需求或提升可视化效果。
通过以上步骤，你可以轻松地创建、定制并分享交互式的数据可视化图表，为数据分析工作增添更多的乐趣和效率！
拓展：Plotly实现数据可视化的五种动图形式
启动
如果你还没安装 Plotly，只需在你的终端运行以下命令即可完成安装：
安装完成后，就开始使用吧！
动画
在研究这个或那个指标的演变时，我们常涉及到时间数据。Plotly 动画工具仅需一行代码就能让人观看数据随时间的变化情况，如下图所示：
代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
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()
|
只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
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)')
|
太阳图
太阳图（sunburst chart）是一种可视化 group by 语句的好方法。如果你想通过一个或多个类别变量来分解一个给定的量，那就用太阳图吧。
假设我们想根据性别和每天的时间分解平均小费数据，那么相较于表格，这种双重 group by 语句可以通过可视化来更有效地展示。
这个图表是交互式的，让你可以自己点击并探索各个类别。你只需要定义你的所有类别，并声明它们之间的层次结构（见以下代码中的 parents 参数）并分配对应的值即可，这在我们案例中即为 group by 语句的输出。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
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()
|
现在我们向这个层次结构再添加一层：
为此，我们再添加另一个涉及三个类别变量的 group by 语句的值。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
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()
|
平行类别
另一种探索类别变量之间关系的方法是以下这种流程图。你可以随时拖放、高亮和浏览值，非常适合演示时使用。
代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
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()
|
平行坐标图
平行坐标图是上面的图表的连续版本。这里，每一根弦都代表单个观察。这是一种可用于识别离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比如如果两个变量在每个观察上的值都相近，那么它们将位于同一水平线上，表示存在冗余）的好用工具。
代码如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
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()
|
量表图和指示器
量表图仅仅是为了好看。在报告 KPI 等成功指标并展示其与你的目标的距离时，可以使用这种图表。
指示器在业务和咨询中非常有用。它们可以通过文字记号来补充视觉效果，吸引观众的注意力并展现你的增长指标。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
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': "gray"}\],
}))
fig.show()
|
|
