-
这 5 种动态炫酷图也是用 Python 画的
2020-07-27 08:00:00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...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
-
这5种动态炫酷图,用Python可以这样画啊!
2020-04-22 16:05:445 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...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。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!)
、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()
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
-
这5种动态炫酷图,也是用Python画的
2020-04-11 22:01:33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...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 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
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
-
这5种动态炫酷图,用Python就可以画!
2020-04-13 22:06:07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...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!
-
这5种动态炫酷图,也是用Python画的!疫情图也是这样子的呀!
2020-04-18 14:07:21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,... -
你可能还不知道,这5种动态炫酷图,其实也是用Python画的
2020-04-12 15:57:48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... -
loading动态加载图炫酷.7z
2019-08-07 16:39:42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! -
C#实现炫酷启动图-动态进度条效果
2020-08-26 01:22:58主要介绍了基于C#实现炫酷启动图-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
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,下面是一些效果图: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)... -
JavaScript实现动态3D炫酷轮播图
2019-08-12 16:17:44一.效果展示 源码下载 -
炫酷动态静图40例——多图杀猫
2013-06-17 23:25:00看到标题大家会想,什么是动态静图呀?!动态静图(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。动态静图是一项将视频与图片结合起来的技术手法。这个... -
动态炫酷谢谢欣赏PPT结束页模板.zip
2019-07-16 13:35:42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; -
Qt实现炫酷启动图-动态进度条
2019-07-12 07:16:57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、启动图1、实现思路2、背景图切换a... -
python 3d绘图_Python制作炫酷的个人3D动态足迹图
2020-11-27 08:26:58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个人足迹图制作教程,先看看成果图: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足迹图... -
python制作雷达图_python制作炫酷的个人3D动态足迹图
2020-12-30 14:36:42大家周末好啊,今天给大家带来一篇3D个人足迹图制作教程,先看看成果图: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足迹图的数据接口是列表形式:所以我们要把城市的经纬度信息... -
delphi listview动态添加图片_超级炫酷吊炸天的动态壁纸,还自带音效!
2020-11-08 00:40:41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(所有动态壁纸原图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...
-
NETGEAR Nighthawk M5 5G Mobile Hotspot Review
-
ttt-5-move-rb-q-000-源码
-
StriveSchool:可以吗?-源码
-
牛牛量化策略交易
-
Crystal-Calculate.exe
-
500 kHz高速扫频光源的研制
-
app软件测试全栈系列精品课程
-
「Elasticsearch」- 使用 Curator 管理索引(学习笔记) @20210301
-
Mycat深入学习
-
高斯计G81在地磁测量上的运用
-
PowerBI重要外部工具详解
-
2021年 系统分析师 系列课
-
轴承健康诊断的非线性降噪振动分析方法
-
Unity RUST 逆向安全开发
-
MaxScale 实现 MySQL 读写分离与负载均衡
-
用Go语言来写区块链(一)
-
零基础极简以太坊智能合约开发环境搭建并开发部署
-
时滞分数阶系统PD~μ控制器参数整定的图解法
-
2021-03-01
-
基于Qt的LibVLC开发教程