通過Plotly實現(xiàn)交互式數(shù)據(jù)可視化的流程步驟

更新時間：2024年05月10日 10:21:48 作者：一鍵難忘

在數(shù)據(jù)科學和數(shù)據(jù)分析領域,數(shù)據(jù)可視化是一種非常重要的技術(shù),Plotly 是一個功能強大的 Python 可視化庫,它可以幫助我們創(chuàng)建交互式的數(shù)據(jù)可視化圖表,本文將介紹如何使用 Plotly 實現(xiàn)交互式數(shù)據(jù)可視化,需要的朋友可以參考下

通過Plotly實現(xiàn)交互式數(shù)據(jù)可視化的步驟

在數(shù)據(jù)科學和數(shù)據(jù)分析領域，數(shù)據(jù)可視化是一種非常重要的技術(shù)。Plotly 是一個功能強大的 Python 可視化庫，它可以幫助我們創(chuàng)建交互式的數(shù)據(jù)可視化圖表。本文將介紹如何使用 Plotly 實現(xiàn)交互式數(shù)據(jù)可視化，包括數(shù)據(jù)準備、圖表創(chuàng)建和交互功能的添加。

步驟

1. 安裝 Plotly

首先，確保已經(jīng)安裝了 Plotly。如果沒有安裝，可以使用 pip 進行安裝：

pip install plotly

2. 準備數(shù)據(jù)

在進行數(shù)據(jù)可視化之前，需要準備好要可視化的數(shù)據(jù)。在本示例中，我們將使用一個簡單的數(shù)據(jù)集。

import pandas as pd

# 創(chuàng)建示例數(shù)據(jù)
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

3. 創(chuàng)建交互式圖表

使用 Plotly 來創(chuàng)建交互式圖表非常簡單。下面是一個簡單的例子，創(chuàng)建一個折線圖：

import plotly.graph_objs as go

# 創(chuàng)建折線圖
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales')

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 顯示圖表
fig.show()

4. 添加交互功能

Plotly 提供了豐富的交互功能，可以讓用戶與圖表進行互動。例如，我們可以添加鼠標懸停提示信息：

# 添加鼠標懸停提示信息
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 顯示圖表
fig.show()

5. 更多交互功能

除了鼠標懸停提示信息之外，Plotly 還支持許多其他交互功能，如縮放、平移、選擇和標記等。你可以根據(jù)需要添加這些功能來提升用戶體驗。

import pandas as pd
import plotly.graph_objs as go

# 創(chuàng)建示例數(shù)據(jù)
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

# 創(chuàng)建折線圖
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
fig = go.Figure(data=[trace], layout=layout)

# 顯示圖表
fig.show()

6. 導出圖表

一旦你創(chuàng)建了交互式的圖表，你可能想要將它導出到文件中以供分享或嵌入到網(wǎng)頁中。Plotly 提供了多種導出圖表的方法，包括靜態(tài)圖片和交互式 HTML 文件。

導出靜態(tài)圖片

# 導出為靜態(tài)圖片
fig.write_image("sales_plot.png")

導出為 HTML 文件

# 導出為 HTML 文件
fig.write_html("sales_plot.html")

這樣，你就可以輕松地將交互式圖表分享給其他人或者嵌入到網(wǎng)頁中。

import pandas as pd
import plotly.graph_objs as go

# 創(chuàng)建示例數(shù)據(jù)
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

# 創(chuàng)建折線圖
trace = go.Scatter(x=df['Year'], y=df['Sales'], mode='lines', name='Sales',
                   hoverinfo='x+y', line=dict(color='blue'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year'), yaxis=dict(title='Sales'))

# 創(chuàng)建圖表對象
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"
    )
)

# 導出為靜態(tài)圖片
fig.write_image("sales_plot.png")

# 導出為 HTML 文件
fig.write_html("sales_plot.html")

# 顯示圖表
fig.show()

通過以上步驟，你可以輕松地創(chuàng)建、定制并分享交互式的數(shù)據(jù)可視化圖表，為數(shù)據(jù)分析工作增添更多的樂趣和效率！

7. 自定義圖表樣式

Plotly 允許你對圖表樣式進行高度定制，以滿足特定需求或者提升可視化效果。

修改線條樣式

# 修改線條樣式
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'))

調(diào)整布局

# 調(diào)整布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year', showgrid=False), yaxis=dict(title='Sales', showgrid=False))

添加標題和標簽

# 添加標題和標簽
fig.update_layout(title_text="Yearly Sales", xaxis_title="Year", yaxis_title="Sales")

通過以上調(diào)整，你可以根據(jù)需要自定義圖表的外觀和布局。

import pandas as pd
import plotly.graph_objs as go

# 創(chuàng)建示例數(shù)據(jù)
data = {
    'Year': [2015, 2016, 2017, 2018, 2019],
    'Sales': [100, 150, 200, 250, 300]
}

df = pd.DataFrame(data)

# 創(chuàng)建折線圖
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'))

# 創(chuàng)建布局
layout = go.Layout(title='Yearly Sales', xaxis=dict(title='Year', showgrid=False), yaxis=dict(title='Sales', showgrid=False))

# 創(chuàng)建圖表對象
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"
    )
)

# 添加標題和標簽
fig.update_layout(title_text="Yearly Sales", xaxis_title="Year", yaxis_title="Sales")

# 導出為靜態(tài)圖片
fig.write_image("sales_plot.png")

# 導出為 HTML 文件
fig.write_html("sales_plot.html")

# 顯示圖表
fig.show()

通過以上步驟，你可以更加靈活地定制和分享交互式的數(shù)據(jù)可視化圖表！

總結(jié)

在這篇文章中，我們學習了如何使用 Plotly 實現(xiàn)交互式數(shù)據(jù)可視化的步驟。以下是我們探討的主要內(nèi)容：

安裝 Plotly：首先，我們確保安裝了 Plotly 庫，它是一個功能強大的 Python 可視化庫。
準備數(shù)據(jù)：在進行數(shù)據(jù)可視化之前，我們需要準備好要可視化的數(shù)據(jù)。我們使用了一個簡單的示例數(shù)據(jù)集作為演示。
創(chuàng)建交互式圖表：我們使用 Plotly 創(chuàng)建了一個交互式折線圖，并學習了如何調(diào)整布局和添加交互功能，例如鼠標懸停提示信息和范圍選擇器。
導出圖表：我們還學習了如何將交互式圖表導出為靜態(tài)圖片或 HTML 文件，以便分享或嵌入到網(wǎng)頁中。
自定義圖表樣式：最后，我們探討了如何自定義圖表樣式，包括修改線條樣式、調(diào)整布局以及添加標題和標簽，以滿足特定需求或提升可視化效果。

通過以上步驟，你可以輕松地創(chuàng)建、定制并分享交互式的數(shù)據(jù)可視化圖表，為數(shù)據(jù)分析工作增添更多的樂趣和效率！

拓展：Plotly實現(xiàn)數(shù)據(jù)可視化的五種動圖形式

啟動

如果你還沒安裝 Plotly，只需在你的終端運行以下命令即可完成安裝：

pip install plotly

安裝完成后，就開始使用吧！

動畫

在研究這個或那個指標的演變時，我們常涉及到時間數(shù)據(jù)。Plotly 動畫工具僅需一行代碼就能讓人觀看數(shù)據(jù)隨時間的變化情況，如下圖所示：

代碼如下：

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()

只要你有一個時間變量來過濾，那么幾乎任何圖表都可以做成動畫。下面是一個制作散點圖動畫的例子：

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)')

太陽圖

太陽圖（sunburst chart）是一種可視化 group by 語句的好方法。如果你想通過一個或多個類別變量來分解一個給定的量，那就用太陽圖吧。

假設我們想根據(jù)性別和每天的時間分解平均小費數(shù)據(jù)，那么相較于表格，這種雙重 group by 語句可以通過可視化來更有效地展示。

這個圖表是交互式的，讓你可以自己點擊并探索各個類別。你只需要定義你的所有類別，并聲明它們之間的層次結(jié)構(gòu)（見以下代碼中的 parents 參數(shù)）并分配對應的值即可，這在我們案例中即為 group by 語句的輸出。

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()

現(xiàn)在我們向這個層次結(jié)構(gòu)再添加一層：

為此，我們再添加另一個涉及三個類別變量的 group by 語句的值。

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()

平行類別

另一種探索類別變量之間關(guān)系的方法是以下這種流程圖。你可以隨時拖放、高亮和瀏覽值，非常適合演示時使用。

代碼如下：

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()

平行坐標圖

平行坐標圖是上面的圖表的連續(xù)版本。這里，每一根弦都代表單個觀察。這是一種可用于識別離群值（遠離其它數(shù)據(jù)的單條線）、聚類、趨勢和冗余變量（比如如果兩個變量在每個觀察上的值都相近，那么它們將位于同一水平線上，表示存在冗余）的好用工具。

代碼如下：

 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()

量表圖和指示器

量表圖僅僅是為了好看。在報告 KPI 等成功指標并展示其與你的目標的距離時，可以使用這種圖表。

指示器在業(yè)務和咨詢中非常有用。它們可以通過文字記號來補充視覺效果，吸引觀眾的注意力并展現(xiàn)你的增長指標。

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()

到此這篇關(guān)于通過Plotly實現(xiàn)交互式數(shù)據(jù)可視化的流程步驟的文章就介紹到這了,更多相關(guān)Plotly交互式數(shù)據(jù)可視化內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: