使用Python實(shí)現(xiàn)炫酷的數(shù)據(jù)動(dòng)態(tài)圖大全

更新時(shí)間：2024年06月16日 13:34:27 作者：知來(lái)者逆

數(shù)據(jù)可視化是通過(guò)圖形、圖表、地圖等可視元素將數(shù)據(jù)呈現(xiàn)出來(lái),以便更容易理解、分析和解釋,它是將抽象的數(shù)據(jù)轉(zhuǎn)化為直觀形象的過(guò)程,本文給大家介紹了使用Python實(shí)現(xiàn)炫酷的數(shù)據(jù)動(dòng)態(tài)圖大全,需要的朋友可以參考下

前言

數(shù)據(jù)可視化是通過(guò)圖形、圖表、地圖等可視元素將數(shù)據(jù)呈現(xiàn)出來(lái)，以便更容易理解、分析和解釋。它是將抽象的數(shù)據(jù)轉(zhuǎn)化為直觀形象的過(guò)程，有助于發(fā)現(xiàn)數(shù)據(jù)中的模式、趨勢(shì)和關(guān)系。數(shù)據(jù)可視化對(duì)于數(shù)據(jù)科學(xué)、商業(yè)分析、決策制定等領(lǐng)域都至關(guān)重要。當(dāng)我們想用數(shù)據(jù)描述世界、闡釋想法和展示成果時(shí)，如果只有單調(diào)的文本和數(shù)字，很難吸引觀眾的注意。漂亮的可視化圖表有時(shí)能夠在表達(dá)信息上勝過(guò)大量文字。

一、 plotly庫(kù)

Plotly是一款交互式的數(shù)據(jù)可視化庫(kù)，支持多種編程語(yǔ)言，包括Python、R、JavaScript等。它可以用于創(chuàng)建各種類(lèi)型的圖表，從簡(jiǎn)單的折線圖和散點(diǎn)圖到復(fù)雜的熱力圖和3D圖。Plotly的圖表具有動(dòng)態(tài)性和交互性，使用戶(hù)能夠在圖表中進(jìn)行縮放、拖動(dòng)、懸停等操作，以更深入地探索數(shù)據(jù)。

安裝 Plotly： 在Python中，可以使用以下命令安裝Plotly庫(kù)：

pip install plotly

導(dǎo)入 Plotly： 在Python腳本或Jupyter Notebook中，導(dǎo)入Plotly庫(kù)：

import plotly.graph_objects as go

創(chuàng)建圖表對(duì)象： 使用graph_objects模塊創(chuàng)建圖表對(duì)象，例如：

fig = go.Figure()

添加圖表元素： 向圖表對(duì)象添加不同類(lèi)型的圖表元素，如散點(diǎn)、線條、柱形等。

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6], mode='markers', name='Scatter'))

自定義圖表： 設(shè)置圖表的標(biāo)題、坐標(biāo)軸標(biāo)簽、布局等。

fig.update_layout(title='My Plotly Chart', xaxis_title='X-axis', yaxis_title='Y-axis')

顯示圖表： 在Jupyter Notebook中，可以使用以下命令顯示圖表：

fig.show()

Plotly還支持通過(guò)Dash創(chuàng)建交互式的Web應(yīng)用程序，可以在數(shù)據(jù)可視化和用戶(hù)界面方面提供更高級(jí)的功能。Dash是基于Plotly構(gòu)建的開(kāi)源框架，用于創(chuàng)建儀表板和數(shù)據(jù)分析應(yīng)用。通過(guò)使用Plotly，可以輕松創(chuàng)建漂亮、交互式的圖表，以更好地理解和傳達(dá)數(shù)據(jù)。

二、示例

動(dòng)畫(huà)

在研究這個(gè)或那個(gè)指標(biāo)的演變時(shí)，我們常涉及到時(shí)間數(shù)據(jù)。Plotly 動(dòng)畫(huà)工具僅需一行代碼就能讓人觀看數(shù)據(jù)隨時(shí)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(gè)時(shí)間變量來(lái)過(guò)濾，那么幾乎任何圖表都可以做成動(dòng)畫(huà)。下面是一個(gè)制作散點(diǎn)圖動(dòng)畫(huà)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(yáng)圖

太陽(yáng)圖（sunburst chart）是一種可視化 group by 語(yǔ)句的好方法。如果你想通過(guò)一個(gè)或多個(gè)類(lèi)別變量來(lái)分解一個(gè)給定的量，那就用太陽(yáng)圖吧。

假設(shè)我們想根據(jù)性別和每天的時(shí)間分解平均小費(fèi)數(shù)據(jù)，那么相較于表格，這種雙重 group by 語(yǔ)句可以通過(guò)可視化來(lái)更有效地展示。

這個(gè)圖表是交互式的，讓你可以自己點(diǎn)擊并探索各個(gè)類(lèi)別。你只需要定義你的所有類(lèi)別，并聲明它們之間的層次結(jié)構(gòu)（見(jiàn)以下代碼中的 parents 參數(shù)）并分配對(duì)應(yīng)的值即可，這在我們案例中即為 group by 語(yǔ)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(gè)層次結(jié)構(gòu)再添加一層：

為此，我們?cè)偬砑恿硪粋€(gè)涉及三個(gè)類(lèi)別變量的 group by 語(yǔ)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(lèi)別

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

平行坐標(biāo)圖是上面的圖表的連續(xù)版本。這里，每一根弦都代表單個(gè)觀察。這是一種可用于識(shí)別離群值（遠(yuǎn)離其它數(shù)據(jù)的單條線）、聚類(lèi)、趨勢(shì)和冗余變量（比如如果兩個(gè)變量在每個(gè)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(bào)告 KPI 等成功指標(biāo)并展示其與你的目標(biāo)的距離時(shí)，可以使用這種圖表。

指示器在業(yè)務(wù)和咨詢(xún)中非常有用。它們可以通過(guò)文字記號(hào)來(lái)補(bǔ)充視覺(jué)效果，吸引觀眾的注意力并展現(xiàn)你的增長(zhǎng)指標(biāo)。

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': "

以上就是使用Python實(shí)現(xiàn)炫酷的數(shù)據(jù)動(dòng)態(tài)圖大全的詳細(xì)內(nèi)容，更多關(guān)于Python數(shù)據(jù)動(dòng)態(tài)圖的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: