精华内容
下载资源
问答
  • 交互式数据可视化具有以下特点: 它们使您可以通过更改颜色,参数和图与数据进行交互,因此更易于探索。 它们可以轻松,即时地进行操作。 由于您可以与他们互动,因此可以在您面前更改图表。 例如,在本文中,您将...

    关联知识

    静态 vs 交互式

    虽然静态数据可视化是向提取和解释数据集所拥有的价值和信息这一目标迈出的巨大飞跃,但交互性的增加使这些可视化向前迈了一大步。

    交互式数据可视化具有以下特点:

    • 它们使您可以通过更改颜色,参数和图与数据进行交互,因此更易于探索。
    • 它们可以轻松,即时地进行操作。 由于您可以与他们互动,因此可以在您面前更改图表。 例如,在本文中,您将创建一个交互式滑块。 当更改此滑块的位置并且所看到的图形发生变化时,您还可以创建复选框,以选择想要查看的参数。
    • 它们使您能够访问实时数据及其提供的见解。 这样可以快速有效地分析趋势。
    • 它们更容易理解,从而使组织可以做出更好的基于数据的决策。
    • 他们消除了拥有多个用于相同信息的图的需求-一个交互式图能够传达相同的见解。
    • 他们可以让你观察关系。

    让我们从一个示例开始,了解通过交互式可视化可以实现的目标。 让我们考虑一个注册健身房会员的数据集:

    图略

    以下是箱形图形式的静态数据可视化,它描述了按性别分类的人们的体重(0是男性,1是女性,2是其他):

    图略

    我们从该图上可获得的唯一见解是体重与性别之间的关系 - 去该体育馆的男性顾客体重在62kg至91kg之间,女性顾客体重在57kg至86kg之间,其他顾客的体重在61kg至90kg之间。 但是,数据集中存在用于生成该箱形图的第三个特征-年龄。 在前面的静态图中添加此功能可能会导致在理解数据方面的混乱。 因此,对于使用静态可视化显示所有三个功能之间的关系,我们有些困惑。 通过创建交互式可视化文件,可以轻松解决此问题,如下所示:

    图略

    在前面的方框图中,为年龄功能引入了一个滑块。 用户可以手动滑动滑块的位置,以观察体重,性别和年龄在不同年龄值之间的关系。 此外,还有一个悬停工具,允许用户获得有关数据的更多信息。

    前面的方框图说明,在这个体育馆中,只有46岁的顾客是与众不同的顾客,最重的46岁顾客重82公斤,而最轻的人重56公斤。

    用户可以滑动到另一个位置,以观察不同年龄的体重和性别之间的关系,如下图所示:

    图略

    上图描述了34岁时的数据–没有男性健身客户; 但是,最重的34岁女性客户体重为100公斤,而最轻的女性客户体重为71公斤。

    但是,区分静态可视化和交互式可视化时还有更多方面要考虑。 让我们看一下下表:

    图略

    最终,交互式数据可视化将数据的讨论转变为讲故事的艺术,从而简化了理解数据试图告诉我们的过程。 他们既有益于创建可视化的人(因为他们试图传达的消息和信息被有效且以视觉愉悦的方式传达),也有益于查看可视化的人(因为他们几乎可以立即理解并观察模式和见解) 。 这些方面是将交互式可视化与静态可视化分开的地方。

    入门

    正如我们前面提到的,交互式数据可视化的关键方面是它能够立即或在很短的时间内响应和响应人类的输入。 因此,人工输入本身在交互式数据可视化中起着重要作用。 在此,我们将研究一些人工输入,如何将其引入数据可视化中以及它们对数据理解的影响。

    以下是一些最流行的人工输入和交互功能形式:

    • 滑块:滑块允许用户查看与一定范围内有关的数据。 当用户更改滑块的位置时,绘图实时更改。 这使用户可以实时查看多个图:

    图略

    • 悬停:将光标悬停在图的元素上方可以使用户接收到有关数据点的更多信息,而不仅仅是观察图即可看到。 当您希望传达的信息不能适合绘图本身(例如精确值或简短描述)时,这将很有帮助。 让我们看一下一个悬停工具:

    图略

    • 缩放:放大和缩小图是许多交互式数据可视化库自己创建的功能。 它们使您可以专注于绘图的特定数据点并仔细查看它们。
    • 可点击参数:可点击参数有多种类型,例如复选框和下拉菜单,它们使用户可以选择要分析和查看的数据的哪些方面。 这里给出一个例子:

    图略

    有一些Python库可用于创建这些交互式功能,从而使可视化可以接受人工输入。 因此,在开始编码和创建这些交互式功能之前,让我们快速看一下现有的一些最流行的交互式数据可视化Python库。

    我们已知两个内置的Python库:

    • matplotlib
    • seaborn

    两者在数据可视化社区中都很流行。

    有了这些,我们可以建立一个静态可视化(一个静态散点图,显示两个变量之间的关系),如下所示:

    图略

    尽管matplotlib和seaborn都非常适合静态数据可视化,但还有其他库可以很好地设计交互功能。

    以下是两个最受欢迎的交互式数据可视化Python库:

    • bokeh
    • plotly

    这些有助于我们创建如下可视化效果:

    图略

    接下来,我们将同时使用bokeh和plot来创建交互式数据可视化。

    bokeh的交互式数据可视化

    准备数据库

    创建基础静态图

    详情参阅http://viadean.com/py_visual_interactive.html

    展开全文
  • 今天给大家介绍一个基于python交互式数据可视化组件:Altair,Altair是基于Vega和Vega-Lite的Python声明式统计可视化库。 Altair提供了强大而简洁的可视化语法,使您可以快速构建各种统计可视化。只需要短短十几...

    今天给大家介绍一个基于python的交互式数据可视化组件:Altair,Altair是基于VegaVega-Lite的Python声明式统计可视化库。

    Altair提供了强大而简洁的可视化语法,使您可以快速构建各种统计可视化。只需要短短十几行代码就可以创建丰富多彩的交互的可视化统计图报表:

    这里你只需要指定数据列以及颜色的编码比如指定图表的x轴、y轴所对应的数据列及数据点的颜色编码,其余的绘图工作Altair会自动帮你完成。下面是的截图是官方文档中提供的一些例子:

    安装

    Altair组件的安装非常简单,官方文档中给出了两种安装方式:

    安装完成以后,您应该可以打开Jupyter Notebook或JupyterLab并执行示例库中的任何代码。

    Altair 图表简介

    官方文档中有对Altair的使用方法做了详细介绍,这里我们只做一些基本功能的介绍,通过基本功能的介绍你可以从无到有实现一个完整的交互式图表的开发。

    数据

    官方的例子中使用了一些内置的示例数据,这些内置数据都封装在vega_datasets包中,我们可以在安装Altair的同时一起安装Vega_datasets包。除了内置数据意外,我们仍然可以使用外部的数据如dataframe中的数据以及外部csv格式的数据等等。

    下面我们首相使用pandas包来手工创建一些数据,然后让Altair利用这些数据来创建交互式图表:

    import altair as alt
    import pandas as pd
    data = pd.DataFrame({'col-1': list('CCCDDDEEE'),
                         'col-2': [2, 7, 4, 1, 2, 6, 8, 4, 7]})
    data

    Marks方法

    创建完数据以后,需要选择各种图表,例如条形图,折线图,面积图,散点图,直方图和地图等。 mark属性是指定使用那些图表。 Altair提供了许多基本Marks属性:

    除了这些基本图表以为,Altair还提供了一些复合图表:

    下面我们将使用mark_point()的encode()方法来绘制散点图,此时并没有交互效果:

    alt.Chart(data).mark_point().encode(
        x='col-1',
        y='col-2'
    )

    Encoding属性

    Altair提供了许多在不同情况下有用的encode()属性。 下面是官方文档对它们的总结:

     

     

    交互效果的实现

    除基本图表外,Altair的独特功能之一是用户可以与图表进行交互,包括平移,缩放和选择数据范围等功能。我们可以仅通过调用interact()方法来实现平移和缩放。 例如我们可以这样做:

    alt.Chart(data).mark_point().encode(
        x='col-1',
        y='col-2'
    ).interactive()

    Altair还提供了用于创建交互式图像区域选择API:selection() , 在selection函数中,我们可以使一些更酷的高级函数,例如本文开头显示的GIF动画中自动生成选中的数据点的直方图。

    实现酷炫的交互可视化

    了解Altair的基本知识之后,我们来制作一个交互式图表。在本文中,我们将使用vega_datasets示例数据集中的汽车数据,

    from vega_datasets import data
    cars = data.cars()
    cars

    首先,我们将使用selection_interval()函数来创建一个区间选择工具brush:

    brush = alt.selection_interval()

    接下来,我们可以通过设置selection属性将该brush绑定到图表:

    alt.Chart(cars).mark_point().encode(
        x='Miles_per_Gallon:Q',
        y='Horsepower:Q',
        color='Origin:N'
    ).add_selection(
        brush
    )

     上面的代码是一个图表,可让单击鼠标左键不放并拖动鼠标便可以创建选择区域,接着可以用鼠标移动选择区域,如果想关闭选择区域用鼠标双击选择区域就可以了。

     这里我们还可以使用condition条件来颜色,我们想要让被选择区之外的点都变成灰色,在选择区域内的点都高亮显示,我们可以这样做:

    alt.Chart(cars).mark_point().encode(
        x='Miles_per_Gallon:Q',
        y='Horsepower:Q',
        color=alt.condition(brush, 'Origin:N', alt.value('lightgray'))
    ).add_selection(
        brush
    )

     

     接下来我们我们绘制一个柱状图,最后我们要让先前的散点图与该柱状图进行联动:

    alt.Chart(cars).mark_bar().encode(
        y='Origin:N',
        color='Origin:N',
        x='count(Origin):Q'
    )

    为了将柱状图与之前的散点图相关联,我们需要使用transform_filter()并传递brash。最后我们使用 “&”来关联散点图和柱状图: 

    points = alt.Chart(cars).mark_point().encode(
        x='Horsepower:Q',
        y='Miles_per_Gallon:Q',
        color=alt.condition(brush, 'Origin:N', alt.value('lightgray'))
    ).add_selection(
        brush
    )
    bars = alt.Chart(cars).mark_bar().encode(
        y='Origin:N',
        color='Origin:N',
        x='count(Origin):Q'
    ).transform_filter(
        brush
    )
    points & bars

     以下是本文的完整代码:

    import altair as alt
    from vega_datasets import data
    
    cars = data.cars()
    
    brush = alt.selection_interval()
    
    points = alt.Chart(cars).mark_point().encode(
        x='Horsepower:Q',
        y='Miles_per_Gallon:Q',
        color=alt.condition(brush, 'Origin:N', alt.value('lightgray'))
    ).add_selection(
        brush
    )
    
    bars = alt.Chart(cars).mark_bar().encode(
        y='Origin:N',
        color='Origin:N',
        x='count(Origin):Q'
    ).transform_filter(
        brush
    )
    
    points & bars

     

    本文是一个入门教程,主要向所有人展示这个出色的数据可视化库。 如果想仔细研究Altair,您必须查看文档,源代码,与研究相关的示例,然后才能将其应用于实践中。

     

     

    展开全文
  • 作者:Alark Joshi翻译:陈雨琳校对:吴金笛本文2200字,建议阅读8分钟。本文将介绍实现数据可视化的软件包。这学期(2018学年春季学期)我教授了一门关于数...

    作者:Alark Joshi 翻译:陈雨琳 校对:吴金笛

    本文2200字,建议阅读8分钟。

    本文将介绍实现数据可视化的软件包。


    这学期(2018学年春季学期)我教授了一门关于数据可视化的数据科学硕士课程。我们的数据科学硕士项目是一个为期15个月的强化项目,这个项目已经成功地培养了许多优秀的数据科学家。

     

    该项目的学生背景多元,并且他们在上这门课前都对R和Python有了很深入的理解。通过各种课程的学习,他们已经能够熟练使用ggplot2和matplotlib,为学习大型多变量数据可视化打下了基础。

     

    作为一个数据可视化的研究者,我想要介绍所有那些在数据可视化领域涌现的绝妙技术。因此,我的课程的其中一部分将会是基于研究论文,在线可视化和d3示例的讲座。

     

    Python中的数据可视化

    现在大部分的数据可视化研究都是通过D3进行的。遗憾的是,我只有短短8周跟学生相处的时间,所以我只能专注于讲授理论和实践相结合的内容来帮助他们成为数据科学家。虽然学生乐于使用可视化技术探索并解释问题,但他们中的大多数对于使用D3创建美丽的自定义可视化不太感兴趣。根据之前教授这门课的教授反馈来看,在这么短的时间内教授D3是不可能的。

     

    鉴于我自己对Python的热爱和Python给学生带来的舒适体验,我决定向他们介绍Python中神奇的(我希望是的!)软件包,它们可以实现所有我向学生展示的内容。

     

    Seaborn的静态可视化

    鉴于我过去使用seaborn的经验,我很高兴能够向学生介绍seaborn产生的美丽的可视化图案。 他们已经有了使用matplotlib的经验,所以学习seaborn时很容易,且优势巨大。 学生能够制作散点图(双变量和多变量),swarmplots,小提琴图,条形图,箱形图和带有刻面的直方图。他们了解到,使用大型数据集生成swarmplots非常耗时,而基于摘要的图(如小提琴图)是更好的选择。

     640?wx_fmt=png

    Seaborn中的可视化技术示例

     

    用Bokeh或Plot.ly实现交互式可视化

    虽然seaborn能够产生美丽的可视化图形,但它们都是静态的。我希望学生体验使用交互技术(如梳理,过滤,缩放和悬停)的好处。为此,我介绍了可视化库Bokeh和Plot.ly,利用它们可以轻松实现交互式数据可视化。对于时间序列可视化分配,学生可以选择使用Bokeh或 plot.ly来实现多线图(multi line charts),热图(heatmaps),动画气泡图(animated bubble charts)等。

     

    640?wx_fmt=png

    使用plot.ly创建的可视化示例

    图片来源:PolicyViz

     

    640?wx_fmt=png

    Bokeh中的交互式可视化

    图片来源:Christine Doig

     

    可视化树,图和网络

    在讨论分层数据可视化的技术时,我很高兴地展示树状图可视化技术,并将其与节点链接图进行了比较。遗憾的是,当我深入挖掘时,却没有找到实现多级树状图的方法L 即使在导入了squarify库之后,你也只能在Python中生成一个一级树状图!

    640?wx_fmt=jpeg

    使用squarify包只能生成一级树图

    图片来源:The Python Graph Gallery

     

    精彩的networkx软件包可以被用来分析图形和网络。 然而,网络可视化只能通过matplotlib或igraph或plotly来实现(请参阅使用plotly实现网络可视化的教程)。igraph有许多不同的选项可以帮助用户尝试配置图形,但是设置起来很不方便,因此许多学生在使用时遇到了问题。另一方面,plot.ly使用顺畅,但在自定义网络图方面几乎没有选择。

     

    地学可视化

    鉴于创建交互式映射图是数据可视化的重要组成部分,我对于找到能够创建等值区域图(choropleth maps),符号图(symbol maps),统计图(cartograms),交通图(transit maps)甚至流向图(flow maps)的软件包更有信心。以下是我在Python中发现的地学可视化库:

     

    • Plot.ly允许您创建等值区域图和符号图,但几乎无法控制图的创建过程。 

    • geoplotlib是一个小巧好用的软件包,它建立在pyglet上,但它有点不稳定,经常崩溃。它使用OpenStreetMap图块,甚至允许基于动画的空间数据可视化。我很喜欢这个包,因为它里面有一些简洁好用的示例。

    • geoplot看起来很完美,其中有一些很棒的例子,但是我和我们的学生都无法安装它。鉴于我们大多数人都不使用conda,我们应该注意这个警告 - “请谨慎使用,因为这可能不适用于Windows,并且可能无法在OSX和Linux上运行。”

    • Cartopy和geopandas+matplotlib只生成静态可视化,所有我还没有尝试过。

     

    文本可视化

    我们学习了很多关于各种文本可视化技术的知识,例如标签云(tag clouds)(例如wordle),文档散(docubursts),平行标签云(parallel tag clouds),短语网络(phrase nets)和单词树(word trees),还介绍了主题探索和情感可视化技术。

     

    不幸的是,除了word_cloud软件包之外,对于想要在Python中实现单个文档或大型文本集可视化的人来说,几乎没有其他选项。

     

    Web的交互式数据可视化

    当前,Bokeh和Plot.ly Dash是创建允许多视图刷选和过滤的交互式仪表盘的主要选择。Bokeh的示例非常少,而Plot.ly Dash对惯于在Python中创建可视化的用户来说则非常重要。

     

    Plot.ly Dash是基于Flask,Plotly.js和React.js构建的,同时增加了创建同步多视点可视化的障碍。我班上的一些学生团队使用Plot.ly Dash完成期末项目,但他们学得非常快。以下链接中是一个关于Ryan Campa和Shikhar Gupta通过Dash实现TED演讲数据集可视化的简单案例。

     http://campa-gupta.herokuapp.com/

    Altar会是理想的选择吗?

    随着课程的进展,出现了一些关于Python 和 Vega组合成为Altair的消息!我欣喜地得知我所使用的Vega来自UW Interactive Data Lab。Jim Vallandingam出色的“Altair简介”教程是一个很好的起点。

     

    Altair的主要开发人员Jake VanderPlas最近发布了他的Python笔记本和PyCon 2018视频的链接。我从那以后一直在玩它,我非常喜欢它!数据科学家们希望探索他们的数据并创建可视化图形来从内部和外部解释它们。我希望它能满足数据科学家的需求。 

    640?wx_fmt=jpeg

    Altair示例库中的交互式可视化示例集合

    图片来源:Altair Gallery

     

    总结

    数据科学家喜欢使用Python中的可视化库和包,我希望像Altair这样的工具就是最终的实现途径。诸如plotly,seaborn,bokeh,geoplotlib等软件包将继续发展,并拥有更多功能。通过Python实现的交互式数据可视化(用于Web)将有一个更光明的未来,我们期待这一天!

     

    致谢

    感谢Sophie Engle教授提供的讲座笔记,让我在整个学期的讲课都很顺利。感谢Shirley Wu和Robert Gove为早期的草稿提供了极有价值的反馈。

    原文标题:

    We need more Interactive Data Visualization tools (for the Web) in Python

    原文链接:

    https://medium.com/@alark/we-need-more-interactive-data-visualization-tools-for-the-web-in-python-ad80ec3f440e

    译者简介:陈雨琳,清华大学大二在读,英语专业。专业学习之外喜欢学些数学、计算机类课程,被数据和模型的魅力所吸引,希望未来能往这个方向发展。道阻且长,行则将至。

    转自:数据派THU 公众号;

    版权声明:本号内容部分来自互联网,转载请注明原文链接和作者,如有侵权或出处有误请和我们联系。

    END

    合作请加QQ:365242293  

    数据分析(ID : ecshujufenxi )互联网科技与数据圈自己的微信,也是WeMedia自媒体联盟成员之一,WeMedia联盟覆盖5000万人群。

    640?wx_fmt=png

    展开全文
  • plotly.py 一个交互式、基于浏览器的python图表库
  • 是用于现代Web浏览器的交互式可视化库。 它提供通用图形的优雅,简洁的构造,并在大型或流数据集上提供高性能的交互性。 Bokeh可以帮助任何想要快速轻松地进行交互式绘图,仪表板和数据应用程序的人。 最新发布的 ...
  • Interactive Jupyter widgets to visualize images in 2D and 3D
  • Geospatial data can be interesting. One interactive geospatial visualization provides a lot of information about the data and the area and ... Python has so many libraries. It is hard to know which ...

    Geospatial data can be interesting. One interactive geospatial visualization provides a lot of information about the data and the area and more. Python has so many libraries. It is hard to know which one to use. For a geospatial visualization, I will use Folium. It is very easy to use and it has several styles as well to match your choice and requirement. Let’s start.

    地理空间数据可能很有趣。 一种交互式地理空间可视化提供了大量有关数据和区域的信息以及更多信息。 Python有很多库。 很难知道要使用哪个。 对于地理空间可视化,我将使用Folium 。 它非常易于使用,并且有多种样式可以满足您的选择和要求。 开始吧。

    I used a Jupyter Notebook environment for this. If you are using a Jupyter Notebook, you need to install folium using the anaconda prompt using the following command:

    我为此使用了Jupyter Notebook环境。 如果您使用的是Jupyter Notebook,则需要使用以下命令在anaconda提示符下安装大叶草:

    conda install -c conda-forge folium=0.5.0 — yes

    conda install -c conda-forge folium = 0.5.0 —是

    Now we can import folium in the notebook. Folium has the world map built-in.

    现在我们可以在笔记本中导入叶了。 Folium具有内置的世界地图。

    import folium
    folium.Map()

    Here is the world map. As you can see, you can zoom in, zoom out, and navigate around. You may want the map of a certain country, state, or city. Latitude and longitude of that specific place can be provided as a parameter to get the map of that particular place. I want to print the map of Florida.

    这是世界地图。 如您所见,您可以放大,缩小和浏览。 您可能需要特定国家,州或城市的地图。 可以将特定地点的纬度和经度作为参数来获取该特定地点的地图。 我想打印佛罗里达州的地图。

    folium.Map(location = [27.664827, -81.516], zoom_start = 4)
    Image for post

    Here you can see the state of Florida. I put the zoom_start as 4. In your notebook, you can zoom in or zoom out and navigate to a certain part. But you can also start with a, increased zoom.

    在这里您可以看到佛罗里达州。 我将zoom_start设置为4。在您的笔记本中,您可以放大或缩小并导航到特定部分。 但您也可以从增加缩放开始。

    florida = folium.Map(location = [27.664827, -81.516], zoom_start = 7)
    Image for post

    Let’s see some different styles. Make a high contrast black and white map. You can achieve it by using parameter tiles. For a high contrast black and white map, tiles will be ‘Stamen Toner’.

    让我们看看一些不同的样式。 制作高对比度的黑白地图。 您可以使用参数图块来实现。 对于高对比度的黑白地图,图块将为“雄蕊碳粉”。

    folium.Map(location= [27.665, -81.516], zoom_start = 8, tiles = 'Stamen Toner')
    Image for post

    Isn’t it nice! This type of map is perfect for the coastal zone. Also good for data mashup.

    不好吗! 此类地图非常适合沿海地区。 同样适用于数据混搭。

    In my next example, I will use the Stamen Terrain map. This will show the natural vegetation and hills shading.

    在下一个示例中,我将使用“雄蕊地形”地图。 这将显示自然植被和山丘阴影。

    folium.Map(location= [27.665, -81.516], zoom_start = 4, tiles = 'Stamen Terrain')
    Image for post

    I am sure you are interested to see if we can plot events or incidents on the map. We certainly can. To demonstrate that I am going to use a dataset that will show the incidents in Florida. Please feel free to download the dataset from here:

    我确定您有兴趣了解我们是否可以在地图上绘制事件或事件。 我们当然可以。 为了演示我将使用一个数据集,它将显示佛罗里达州的事件。 请随时从此处下载数据集:

    I downloaded the spreadsheet from this site. Import the dataset to the notebook.

    我从该站点下载了电子表格。 将数据集导入笔记本。

    import pandas as pd
    florida_incidents = pd.read_csv('Florida_Subsidence_Incident_Reports.csv')

    The dataset is too big. So I am not showing the screenshot here. But the dataset has an X and Y column which are latitudes and longitudes of different Florida locations. We can place these locations on the map creating a features group. We will include the positions and styles of the points. For the clarity f the image I will only put 100 data points.

    数据集太大。 所以我没有在这里显示屏幕截图。 但是数据集具有X和Y列,分别是佛罗里达州不同位置的经度和纬度。 我们可以将这些位置放置在地图上以创建要素组。 我们将包括这些点的位置和样式。 为了清晰起见,我只放置100个数据点。

    florida_incidents = florida_incidents.iloc[0:100, :]florida = folium.Map(location= [27.665, -81.516], zoom_start = 7)incidents = folium.map.FeatureGroup()for lat, lng, in zip(florida_incidents.Y, florida_incidents.X):
    incidents.add_child(
    folium.features.CircleMarker(
    [lat, lng],
    radius=5,
    color='yellow',
    fill=True,
    fill_color='blue',
    fill_opacity=0.6))florida.add_child(incidents)
    Image for post

    We can go further and add the markers on those points.

    我们可以走得更远,并在这些点上添加标记。

    latitudes = list(florida_incidents.Y)
    longitudes = list(florida_incidents.X)for lat, lng in zip(latitudes, longitudes):
    folium.Marker([lat, lng]).add_to(florida)
    florida.add_child(incidents)
    Image for post

    Feel free to zoom in and navigate to see the incidents by a specific county or city.

    随意放大并导航以查看特定县或市的事件。

    结论 (Conclusion)

    I tried to show how to generate an interactive map, present some incidents or events on it with markers, and style it. This type of interactive map is always helpful in a dashboard, in a presentation, or any other information presented. I hope this was helpful.

    我试图展示如何生成交互式地图,如何用标记显示事件或事件并设置样式。 这种类型的交互式地图在仪表板,演示文稿或任何其他提供的信息中始终很有帮助。 我希望这可以帮到你。

    Recommended Reading:

    推荐读物:

    翻译自: https://towardsdatascience.com/interactive-geospatial-data-visualization-in-python-490fb41acc00

    展开全文
  • 使用Bokeh在Python中进行交互式数据可视化
  • 主要目的是要拥有一个框架,该框架可以快速,吸引人,灵活,易于应用,易于复制,尤其是可以对数据进行交互式可视化。 最终目标是通过提供灵活的可视化工具来帮助科学家,尤其是气候模型开发人员的日常工作,该...
  • 在网易云课堂看到城市数据团大鹏老师讲的《Python数据可视化利器:Pyecharts!》[传送门],于是把前一篇南京的景点数据做一个可视化。 1、还是去哪儿网景点爬取 具体可以看之前的帖子 《python爬取景点数据看该去...
  • Plotly is an interactive Python library that provides a wide range of visualisations ... Plotly是一个交互式Python库,通过简单的界面即可提供广泛的可视化效果。 There are many different visualisa...
  • 交互式数据可视化图表是 New IT 新技术的一个应用方向,在过去,用户要在网页上查看数据,基本的实现方式就是在页面上显示一个表格出来,的而且确,用表格的方式来展示数据,显示的数据量会比较大,但是,这种数据...
  • Python数据可视化实战

    2016-05-02 22:32:24
    没问题,交互式图表比静态图片更能吸引人去探究本源。好啦,要生成通过浏览器展示的动态图表,首选目前最热门的Web数据可视化库——D3。 这本书很有意思,而且对读者要求不高。不需要知道什么是数据可视化,也不用有...
  • plotly数据科学交互式可视化Python

    千次阅读 2019-12-23 00:35:08
    plotly和经典Matplotlib最大的不同是plotly可以生成交互式数据图表。Matplotlib生成的图示静态(死)的图,而plotly是活的图,具体方式是plotly可以生成一个html网页,该网页基于js支持数据交互(点击、缩放、拖拽...
  • python爬虫及数据可视化分析

    千次阅读 多人点赞 2021-01-07 09:46:58
    对于刚开始学习编程的小伙伴来说,肯定都对爬虫有一定的兴趣,对于新手来说,从Python爬虫如入门应该是简单易懂的。Python是一种跨平台的计算机程序设计语言。 是一个高层次的结合了解释性、编译性、互动性和面向...
  • Python数据分析与可视化概述

    千次阅读 2020-09-16 18:25:11
    数据聚焦于数据的采集、清理、预处理、分析和挖掘,图形聚焦于解决对光学图像进行接收、提取信息、加工变换、模式识别及存储显示,可视化聚焦于解决将数据转换成图形,并进行交互处理。 信息:是数据的内涵,信息是...
  • Parallax - 用于交互式Embedding可视化的工具
  • echarts是百度开源的一个数据可视化 JS 库,主要用于数据可视化。pyecharts 是一个用于生成 Echarts 图表的类库。实际上就是 Echarts 与 Python 的对接。 使用 pyecharts可以生成独立的网页,也可以在 flask , ...
  • 案例上手 Python 数据可视化

    万次阅读 多人点赞 2019-02-27 23:30:05
    课程亮点 ...数据可视化数据分析和机器学习的重要环节,比如数据清洗、特征工程、机器学习、数据分析(特别是报告)、评估等环节都会用到“数据可视化”技术。 数据可视化同时还广泛存在于各...
  • 学习Python是做数分析的最基础的一步,数据分析离不开数据可视化Python第三方库中我们最常用的可视化库是 pandas,matplotlib,pyecharts, 当然还有 Tableau,另外最近在学习过程中发现另一款可视化神器-Plotly,...
  • 文章转载自:http://www.zuimoban.com/jiaocheng/python/6615.htmlBokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别。正如下图所示,它说明了Bokeh如何将数据...
  • 数据分析与可视化(一)1.1 数据分析1.1.1数据、信息与数据分析 1.1 数据分析 1.1.1数据、信息与数据分析 数据数据是指对客观事件进行记录并可以鉴别的符号,是对客观事物的性质、状态以及相互关系等进行记载的...
  • 数据可视化讲习班:一种新型的交互式数据可视化学习方法
  • python bokehBokeh prides itself on being a library for interactive ... Bokeh以成为交互式数据可视化的库而自豪。 Unlike popular counterparts in the Python visualization space, like Matplotlib and Seab...
  • 点击上方“Python爬虫与数据挖掘”,进行关注回复“书籍”即可获赠Python从入门到进阶共10本电子书今日鸡汤我行殊未已,何日复归来。导读:制作提供信息的可视化(有时称为绘图)是数据...
  • netwulf - 基于Ulf Aslak的d3 Web应用程序的网络交互式可视化
  • 介绍使用来自 DonorsChoose.org 的数据集进行交互式数据可视化的构建块。 数据可视化表示按不同属性细分的学校捐赠。 资源 是一个 Python 网络微框架。 是用 C++ 编写的开源文档数据库和领先的 NoSQL 数据库。 是...
  • Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别。 Bokeh绘图步骤 ①获取数据 ②构建画布figure() ③添加图层,绘图line,circle,square,scatter,...
  • 视频针对有一定python基础的朋友,你将学到如何使用NumPy、SciPy、...接下来的内容不仅展示了诸如交互式绘图、数值、线形图解法和非线性回归、聚类和分类等先进技术,而且有助于你理解数据可视化的美学特征和最佳案例。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 26,917
精华内容 10,766
关键字:

python交互式数据可视化

python 订阅