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
 

 
 

 
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！
 
 

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）。

02、打开我们之前准备好的图片素材，选择动作面板，选择动作“制作炫酷动态光效背景GIF效果PS动作”第一个选项,然后点击播放动作。

03、弹出的窗口点击“继续”，选中我们的素材文件，适当调整大小、位置。


04、浏览一下动画效果，然后再进行大小、位置调整。


05、接下来重复操作第二、三、四步骤，最终完成效果。





06、最后就是导出GIF效果，具体参数可以参考一下图片。

 
这是一款使用js和CSS制作的动态炫酷数字时钟。该js数字时钟采用LED数字时钟样式，效果十分逼真。
 
使用方法
 
HTML结构
 
该js数字时钟的HTML结构如下：
 
CSS样式
 
为该js数字时钟添加下面的css样式。
 
.clock {
 
height:200px;
 
position:absolute;
 
top:50%;
 
left:50%;
 
width:900px;
 
margin-left:-450px;
 
margin-top:-100px;
 
text-align:center;
 
}
 
.digit {
 
width:120px;
 
height:200px;
 
margin:0 5px;
 
position:relative;
 
display:inline-block;
 
}
 
.digit .segment {
 
background:#c00;
 
border-radius:5px;
 
position:absolute;
 
opacity:0.15;
 
transition:opacity 0.2s;
 
-webkit-transition:opacity 0.2s;
 
-ms-transition:opacity 0.2s;
 
-moz-transition:opacity 0.2s;
 
-o-transition:opacity 0.2s;
 
}
 
.digit .segment.on, .separator {
 
opacity:1;
 
box-shadow:0 0 50px rgba(255,0,0,0.7);
 
transition:opacity 0s;
 
-webkit-transition:opacity 0s;
 
-ms-transition:opacity 0s;
 
-moz-transition:opacity 0s;
 
-o-transition:opacity 0s;
 
}
 
.separator {
 
width:20px;
 
height:20px;
 
background:#c00;
 
border-radius:50%;
 
display:inline-block;
 
position:relative;
 
top:-90px;
 
}
 
.digit .segment:nth-child(1) {
 
top:10px;
 
left:20px;
 
right:20px;
 
height:10px;
 
}
 
.digit .segment:nth-child(2) {
 
top:20px;
 
right:10px;
 
width:10px;
 
height:75px;
 
height:calc(50% - 25px);
 
}
 
.digit .segment:nth-child(3) {
 
bottom:20px;
 
right:10px;
 
width:10px;
 
height:75px;
 
height:calc(50% - 25px);
 
}
 
.digit .segment:nth-child(4) {
 
bottom:10px;
 
right:20px;
 
height:10px;
 
left:20px;
 
}
 
.digit .segment:nth-child(5) {
 
bottom:20px;
 
left:10px;
 
width:10px;
 
height:75px;
 
height:calc(50% - 25px);
 
}
 
.digit .segment:nth-child(6) {
 
top:20px;
 
left:10px;
 
width:10px;
 
height:75px;
 
height:calc(50% - 25px);
 
}
 
.digit .segment:nth-child(7) {
 
bottom:95px;
 
bottom:calc(50% - 5px);
 
right:20px;
 
left:20px;
 
height:10px;
 
}
 
初始化插件
 
然后通过下面的js代码来初始化该js数字时钟。
 
var digitSegments = [
 
[1,2,3,4,5,6],
 
[2,3],
 
[1,2,7,5,4],
 
[1,2,7,3,4],
 
[6,7,2,3],
 
[1,6,7,3,4],
 
[1,6,5,4,3,7],
 
[1,2,3],
 
[1,2,3,4,5,6,7],
 
[1,2,7,3,6]
 
]
 
document.addEventListener('DOMContentLoaded', function() {
 
var _hours = document.querySelectorAll('.hours');
 
var _minutes = document.querySelectorAll('.minutes');
 
var _seconds = document.querySelectorAll('.seconds');
 
setInterval(function() {
 
var date = new Date();
 
var hours = date.getHours(), minutes = date.getMinutes(), seconds = date.getSeconds();
 
setNumber(_hours[0], Math.floor(hours/10), 1);
 
setNumber(_hours[1], hours%10, 1);
 
setNumber(_minutes[0], Math.floor(minutes/10), 1);
 
setNumber(_minutes[1], minutes%10, 1);
 
setNumber(_seconds[0], Math.floor(seconds/10), 1);
 
setNumber(_seconds[1], seconds%10, 1);
 
}, 1000);
 
});
 
var setNumber = function(digit, number, on) {
 
var segments = digit.querySelectorAll('.segment');
 
var current = parseInt(digit.getAttribute('data-value'));
 
// only switch if number has changed or wasn't set
 
if (!isNaN(current) && current != number) {
 
// unset previous number
 
digitSegments[current].forEach(function(digitSegment, index) {
 
setTimeout(function() {
 
segments[digitSegment-1].classList.remove('on');
 
}, index*45)
 
});
 
}
 
if (isNaN(current) || current != number) {
 
// set new number after
 
setTimeout(function() {
 
digitSegments[number].forEach(function(digitSegment, index) {
 
setTimeout(function() {
 
segments[digitSegment-1].classList.add('on');
 
}, index*45)
 
});
 
}, 250);
 
digit.setAttribute('data-value', number);
 
}
 
}