精华内容
下载资源
问答
  • 本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方和箱形,还能做得如此动态好看甚至可交互。 对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们...

    作者:Liana Mehrabyan

    来源:机器之心

    数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果,但如果只有单调乏味的文本和数字,我们却往往能难抓住观众的眼球。而很多时候,一张漂亮的可视化图表就足以胜过千言万语。本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方图和箱形图,还能做得如此动态好看甚至可交互。

    对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍 5 种非传统的可视化技术,可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库(也可通过 R 使用),让你可以毫不费力地生成动画图表和交互式图表。

    那么,Plotly 有哪些好处?Plotly 的整合能力很强:可与 Jupyter Notebook 一起使用,可嵌入网站,并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。

    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:

    pip install plotly

    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:

    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:

    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。

    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。

    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:

    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:

     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。

     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()
    

    原文链接:https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41

    
    分享或在看是对我最大的支持 
    
    展开全文
  • 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方和箱形,还能做得如此动态好看甚至可交互。 对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们需要有...

    在这里插入图片描述

    数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果,但如果只有单调乏味的文本和数字,我们却往往能难抓住观众的眼球。而很多时候,一张漂亮的可视化图表就足以胜过千言万语。本文将介绍
    5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方图和箱形图,还能做得如此动态好看甚至可交互。

    对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍 5 种非传统的可视化技术,可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库(也可通过 R 使用),让你可以毫不费力地生成动画图表和交互式图表。
    在这里插入图片描述
    那么,Plotly 有哪些好处?Plotly 的整合能力很强:可与 Jupyter Notebook 一起使用,可嵌入网站,并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。

    需要Python学习资料可以加群1084028245,群里资料免费赠予大家!(书籍太多,我就随便发一点咯!)​

    在这里插入图片描述

    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:

    pip install plotly
    

    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:
    在这里插入图片描述

    代码如下:

    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:

    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。在这里插入图片描述

    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。

    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:
    在这里插入图片描述
    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。

    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。
    在这里插入图片描述
    代码如下:

    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。
    在这里插入图片描述
    代码如下:

    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()
    
                                                      量表图和指示器
    

    在这里插入图片描述
    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。

    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()
    

    最后 如果你还是不会编写这个脚本,可以关注小编+转发此文,就可以拿到完成代码,或者找我指导实现定位!

    已经在学习Python,或者想学Python的小伙伴们,如需要文中书籍、Python学习资料可以加群1084028245,小编将免费送给大家!在这里插入图片描述在这里插入图片描述

    展开全文
  • 本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方和箱形,还能做得如此动态好看甚至可交互。 对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们...

    点击上方“Python高校”,关注

    文末干货立马到手

    选自TowardsDataScience    作者:Liana Mehrabyan

    机器之心编译     与:Panda

    数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果,但如果只有单调乏味的文本和数字,我们却往往能难抓住观众的眼球。而很多时候,一张漂亮的可视化图表就足以胜过千言万语。本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方图和箱形图,还能做得如此动态好看甚至可交互。

    对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍 5 种非传统的可视化技术,可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库(也可通过 R 使用),让你可以毫不费力地生成动画图表和交互式图表。

    那么,Plotly 有哪些好处?Plotly 的整合能力很强:可与 Jupyter Notebook 一起使用,可嵌入网站,并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。

    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:

    pip install plotly

    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:

    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:

    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。

    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。

    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:

    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:

     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。

     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()
    

    原文链接:https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41

    
    来和小伙伴们一起向上生长呀!扫描下方二维码,添加Gao微信,可领 Python和AI 学习大礼包,想发推文、广告、砍价小程序的敬请绕道!一定记得备注「交流学习」。
    ????长按识别,添加微信(添加人数较多,会自动通过)
    推荐:
    开源库
    Python 开发者必知的 11 个 Python GUI 库10款 Web开发最佳的 Python 框架推荐 GitHub 上100天学习 Python的开源项目Python绘图还在用Matplotlib?out了 !发现一款手绘可视化神器!
    
    
    面试
    我用  Python 爬了天猫内衣店的数据Python爬完数据后,我终于买车不用坐引擎盖哭啦1年工作经验,拿下今日头条 Python 开发面经分享!
    Python 面试中 8 个必考问题面试 4 个月,最终入职微软!
    10 家公司 Python 面试题总结面试了9家公司,拿到5份Offer
    面试Python怕? 你想要的315道题都在这了
    如何拿到半数面试公司Offer——我的Python求职之路
    
    学习路线
    基于TensorFlow 2.0的中文深度学习开源书来了!GitHub趋势日榜第一,斩获2K+星微软官方上线了Python 教程,7个章节就把Python说通了
    最全 14 张思维导图:教你构建 Python 编程的核心知识体系  Python 从入门到精通:一个月就够了!  24招加速你的Python,超级实用!即学即用的 30 段 Python 非常实用的代码
    
    工具
    最靠谱的Pycharm 汉化安装+ 破解详细教程!
    Python数据分析、挖掘常用工具Python 最强 IDE 详细使用指南!一款 Python 自动抢票神器,收藏起来回家不愁!
    
    
    实践和数据分析
    Python 开发植物大战僵尸游戏用 Python 来找合适的妹子一键分析你上网行为,看你是在认真工作还是摸鱼Python给照片换底色,基于opencv模块
    10个经典的小技巧:快速用 Python 进行数据分析
    使用 Python 进行微信好友分析
    爬虫
    我给曾经暗恋的初中女同学,用Python实现了她飞机上刷抖音
    为了能早点买房,我用 Python 预测房价走势!
    被女朋友三番五次拉黑后,我用 Python 写了个“舔狗”必备神器
    谁偷偷删了你的微信?别慌!Python 揪出来为了给女友挑合适的内衣,我用  Python 爬了天猫内衣店的数据Python爬完数据后,我终于买车不用坐引擎盖哭啦
    这里除了干货一无所有人生苦短,我选在看
    
    
    展开全文
  • 本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方和箱形,还能做得如此动态好看甚至可交互。 对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们...

    点击上方“AI遇见机器学习”,选择“星标”公众号

    重磅干货,第一时间送达

    作者丨Liana Mehrabyan

    转自 | 机器之心     参与 | Panda

    数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果,但如果只有单调乏味的文本和数字,我们却往往能难抓住观众的眼球。而很多时候,一张漂亮的可视化图表就足以胜过千言万语。本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方图和箱形图,还能做得如此动态好看甚至可交互。

    对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍 5 种非传统的可视化技术,可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库(也可通过 R 使用),让你可以毫不费力地生成动画图表和交互式图表。

    那么,Plotly 有哪些好处?Plotly 的整合能力很强:可与 Jupyter Notebook 一起使用,可嵌入网站,并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。

    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:

    pip install plotly
    

    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:

    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:

    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。

    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。

    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:

    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:

     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。

     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()
    
    

    原文链接:https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41

    欢迎关注我们,看通俗干货

    展开全文
  • 本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方和箱形,还能做得如此动态好看甚至可交互。 对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,...
  • 本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方和箱形,还能做得如此动态好看甚至可交互。 对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们...
  • 前端gif加载动画,大部分透明背景,51种gif格式的loading图片,上传只为分享,导入即用,大神必备神器!
  • 主要介绍了基于C#实现炫酷启动-动态进度条 效果,本文通过实例代码给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下
  • ps如何制作炫酷gif动态光效图片

    千次阅读 2018-05-18 22:52:29
    制作简单效果又棒,方便我们快速制作一些动态GIF图片效果,喜欢用PS动作制作各种GIF动画效果的小伙伴可以了解一下,下面是一些效果:01、解压我们下载来的“制作炫酷动态光效背景GIF效果PS动作”载入动作(.atn)...
  • 一.效果展示 源码下载
  • 看到标题大家会想,什么是动态呀?!动态(Cinemagraphs)指的是一些静止的图片,可是里面含有一些动态的元素,让人可以反复的 回味一些短暂的瞬间。动态是一项将视频与图片结合起来的技术手法。这个...
  • 这是一张动态炫酷谢谢欣赏PPT结束页模板,第一PPT模板网提供幻灯片背景图片免费下载; 关键词:PPT结束页模板,谢谢欣赏幻灯片模板下载,.PPTX格式;
  • 文章目录一、简述二、动效进度条1、光效进度条a、paintEvent函数b、drawCache绘制动效c、定时刷新2、延迟到达进度条a、setValueb、定时器3、接口说明a、修改动画模式b、其他接口三、启动1、实现思路2、背景切换a...
  • 以下内容来源:python数据分析之禅作者:作者小dull鸟大家周末好啊,今天给大家带来一篇3D个人足迹制作教程,先看看成果:下面给大家详细介绍一下制作步骤:一、准备足迹城市数据因为本次用pyecharts画3D足迹...
  • 大家周末好啊,今天给大家带来一篇3D个人足迹制作教程,先看看成果:下面给大家详细介绍一下制作步骤:一、准备足迹城市数据因为本次用pyecharts画3D足迹的数据接口是列表形式:所以我们要把城市的经纬度信息...
  • 能动的壁纸总是让人觉得hin酷炫整个手机不知不觉都时尚了起来前天给IPhone宝宝发了苹果livephoto同时肯定也不会忘记我们安卓宝宝(所有动态壁纸原资源获取教程在文章末尾)看下下面几张GIF慢慢欣赏哈【GIF效果较模糊...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 383
精华内容 153
关键字:

动态炫酷图