Plotly(一) —— 配置项&图表类型

大家好，欢迎来到IT知识分享网。

Plotly(一) —— 配置项&图表类型

大家可以关注知乎或微信公众号的share16，我们也会同步更新此文章。

   Plotly官网

   关于Plotly的内容 ¹

一、Plotly简介

   对数据的分析离不开数据的可视化，相对于Python在数据分析、人工智能、量化投资等领域中的发展，在数据可视化方面的发展有些滞后。最经典的Python可视化绘图库莫过于 Matplotlib了；为了绘出更漂亮的图像，Python开源社区开发出了Seaborn绘图模块，它本质上是对 Matplotlib的封装，绘图效果更符合现代人的审美观。

• 就使用的经验而言，Matplotlib主要存在两大缺陷：
• • Matplotlib是一个静态的绘图模块，即我们绘出的图像是静态的，就像用看图软件打开图片一样，没有网页绘图的交互式效果；
• • Matplotlib绘图结果的分享很不方便，在绘图结果分享给别人时只能以图片的方式分享，别人看到的绘图结果完全是静态的，分享体验很不好；
• Matplotlib一直以来都是Python可视化的主力军，但是确实存在无法克服的缺陷，并且其他的Python绘图模块如Ggplot、Bokeh、Pygal等都比较小众，绘图功能比较单一，完成不了对Matplotlib的替代。

   为了解决 Python在可视化中存在的问题， Plotly 应运而生，它是一个基于JavaScript的动态绘图模块。Plotly的绘图效果与我们在网页上看到的动态交互式绘图效果是一样的，其默认的绘图结果是一个HTML网页文件，通过浏览器就可以查看。我们可以把这个HTML文件分享给其他人，对方看到的效果与我们在本机上看到的效果完全一样。Plotly在绘图模块上是Matplotlib强有力的竞争对手，Plotly绘图的种类丰富、效果美观、易于保存与分享，因而越来越受数据分析人士的喜爱。

   Plotly绘图底层使用的是plotly.js，plotly.js基于D3.js、stack.gl和SVG，用JavaScript在网页上实现类似MATLAB和Matplotlib的图形展示功能，支持数十种图形，包括2D和3D图形，交互流畅，可以满足一般科学计算的需要。目前已经有Python、MATLAB、R语言、Jupyter等多种版本的API接口。

• Plotly的内置信息
• • 内置数据集，如px.data.gapminder()；
• • 内置颜色面板，如px.colors.carto.swatches() 、px.colors.sequential.swatches()；

    
    

• Plotly的基本绘图流程
• • 添加图轨数据(add_trace)，使用的是Scatter等函数命令；
• • 设置画面布局，使用layout命令；
• • 集成图形、布局数据，命令有Data、Figure；
• • 绘制图形的输出；

    
    

• Plotly的离线绘图功能 允许在没有网络的情况下绘图，并把图像保存到本地。
• • init_notebook_mode(connected=False) ：默认False，plotly.js库将从本地plotly加载；若为True，plotly.js库将从在线CDN加载；
• • plotly.offline.plot() ：在本地新建一个HTML文件，并可以选择是否在浏览器中打开这个文件；
• • plotly.offline.iplot() ：在Jupyter中直接绘图，而不需要新建一个HTML文件；
• • 参数解读
• • • show_link：是否显示右下角的链接，默认为False；
• • • link_text：右下角文字，默认为Export to plot.ly；
• • • validate：默认为True，确保所有关键字是有效的；
• • • filename：设置绘图结果的存储路径；
• • • image：默认为None，表示不下载图片；还可取值为png/jpeg/svg/webp，表示下载图片的格式；

      
      

二、Plotly基础图形

2.1 散点图

• 参数解读
• • mode：默认None，取值范围有markers、lines、lines+markers、text等；
• • opacity：透明度参数，范围时是0～1；

import pandas as pd import plotly.graph_objs as go import plotly.express as px from plotly.subplots import make_subplots #子图 from plotly.offline import init_notebook_mode,iplot,plot #初始化、绘图 init_notebook_mode(connected=False) df = pd.DataFrame({    'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]}) trace1 = go.Scatter(x=df.x,y=df.y1,mode='markers',name='y1',marker={    'symbol':'square'}) trace2 = go.Scatter(x=df.x,y=df.y2,mode='markers',name='y2',marker={    'symbol':'circle'}) trace = [trace1,trace2] layout = {    'title':{    'text':'<b>散点图</b>','x':0.5,'font':{    'color':'red','size':26}}, 'showlegend':False} fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_scatter']) fig.add_trace(px.scatter(data_frame=df,x='x',y='y1',symbol_sequence=['square']).data[0],row=1,col=1) fig.add_trace(px.scatter(data_frame=df,x='x',y='y2',symbol_sequence=['circle']).data[0],row=1,col=1) fig.add_trace(trace1,row=1,col=2) fig.add_trace(trace2,row=1,col=2) fig.add_scatter(x=df.x,y=df.y1,mode='markers',name='y1',row=1,col=3) fig.add_scatter(x=df.x,y=df.y2,mode='markers',name='y2',row=1,col=3) fig.update_layout(layout) #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

2.2 线形图

init_notebook_mode(connected=False) df = pd.DataFrame({ 
    'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]}) trace1 = go.Scatter(x=df.x,y=df.y1,mode='lines+markers',name='y1', marker={ 
    'symbol':'square'},line={ 
    'dash':'solid','shape':'linear'}) trace2 = go.Scatter(x=df.x,y=df.y2,mode='lines+markers',name='y2', marker={ 
    'symbol':'circle'},line={ 
    'dash':'dashdot','shape':'spline'}) trace = [trace1,trace2] layout = { 
    'title':{ 
    'text':'<b>线形图</b>','x':0.5,'font':{ 
    'color':'red','size':26}}, 'showlegend':False} fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_scatter']) fig.add_trace(px.line(data_frame=df,x='x',y='y1',line_dash_sequence=['solid'],line_shape='linear',\ markers=True,symbol_sequence=['square']).data[0],row=1,col=1) fig.add_trace(px.line(data_frame=df,x='x',y='y2',line_dash_sequence=['dot'],line_shape='spline',\ markers=True,symbol_sequence=['circle']).data[0],row=1,col=1) fig.add_trace(trace1,row=1,col=2) fig.add_trace(trace2,row=1,col=2) fig.add_scatter(x=df.x,y=df.y1,mode='lines+markers',name='y1',row=1,col=3) fig.add_scatter(x=df.x,y=df.y2,mode='lines+markers',name='y2',row=1,col=3) fig.update_layout(layout) #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

2.3 柱状图/条形图

   条形图 是由柱状图修改参数(即orientation=‘h’)而来的。

• 参数解读
• • base：柱状图的起始参数；
• • orientation：图形显示方向，包括v(垂直)和h(水平)；
• • barmode：取值stack、relative、group、overlay；使用go.Bar时，只能在go.Layout中定义这个参数；而使用px.bar时，此函数中就有这个参数；

init_notebook_mode(connected=False) df = pd.DataFrame({ 
     'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]}) trace1 = go.Bar(x=df.x,y=df.y1,name='y1') trace2 = go.Bar(x=df.x,y=df.y2,name='y2') trace = [trace1,trace2] layout = { 
     'title':{ 
     'text':'<b>柱状图</b>','x':0.5,'font':{ 
     'color':'red','size':26}}, 'showlegend':False, 'barmode':'stack'} fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_bar']) fig.add_trace(px.bar(data_frame=df,x='x',y='y1',color_discrete_sequence=['orange']).data[0],row=1,col=1) fig.add_trace(px.bar(data_frame=df,x='x',y='y2',color_discrete_sequence=['lightskyblue']).data[0],row=1,col=1) fig.add_trace(trace1,row=1,col=2) fig.add_trace(trace2,row=1,col=2) fig.add_bar(x=df.x,y=df.y1,name='y1',row=1,col=3) fig.add_bar(x=df.x,y=df.y2,name='y2',row=1,col=3) fig.update_layout(layout) #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

2.4 饼图/环形饼图

   Pie函数中最常用的两个属性一个是values，用于赋给其需要可视化的数据；另一个是labels，表示不同数据对应的标签；绘制环形饼图，只需在Pie函数中设置控制环形中心空白大小的hole属性即可实现。
   在子图中，绘制饼图时，要对子图进行设置(即参数specs)，子图默认的type是xy，要修正为pie，代码如下。

• 参数解读
• • rotation：扇区旋转角度，默认0(12点位置)，取值范围是0～360；
• • direction：饼图方向，默认counterclockwise(逆时针)，还可取值为clockwise(顺时针)；
• • hole：环形饼图内径孔的半径，默认0，取值范围是0～1；
• • pull：组成饼图的各个扇形的突出程度，默认0(即不突出)，取值范围是0～1；
• • textinfo：在扇形上显示的内容样式，取值范围有label、value、percent等；使用px.pie时，只能在fig.update_traces中定义这个参数；而使用go.Pie时，此函数中就有这个参数；

init_notebook_mode(connected=False) df = pd.DataFrame({ 
      'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]}) trace1 = go.Pie(labels=df.x,values=df.y1) trace = [trace1] layout = { 
      'title':{ 
      'text':'<b>饼图</b>','x':0.5,'font':{ 
      'color':'red','size':26}}, 'showlegend':False} fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_pie'], specs=[[{ 
      'type':'pie'},{ 
      'type':'pie'},{ 
      'type':'pie'}]]) fig.add_trace(px.pie(data_frame=df,labels='x',values='y1').data[0],row=1,col=1) fig.add_trace(trace1,row=1,col=2) fig.add_pie(labels=df.x,values=df.y1,textinfo='label+percent',row=1,col=3) fig.update_traces(textinfo='label+percent',textposition='inside') fig.update_layout(layout) #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

2.5 热力图

   构建热力图的方法有：go.Heatmap、px.imshow、px.density_heatmap、plotly.figure_factory.create_annotated_heatmap。

• 参数解读
• • 显示数据：Heatmap使用参数texttemplate，imshow、density_heatmap使用参数text_auto；
• • 设置颜色：Heatmap使用参数colorscale，imshow、density_heatmap使用Layout中的参数colorscale-sequential；
• • 不显示颜色条：Heatmap使用参数showscale，imshow、density_heatmap使用Layout中的参数coloraxis-showscale；

init_notebook_mode(connected=False) df = pd.DataFrame({ 
       'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]}) df1 = df.corr() trace1 = go.Heatmap(x=df1.index,y=df1.columns,z=df1,texttemplate='%{z:.2f}', colorscale='greens',showscale=False) layout = { 
       'title':{ 
       'text':'<b>热力图</b>','x':0.5,'font':{ 
       'color':'red','size':26}}} fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_heatmap']) fig.add_trace(px.imshow(df1,text_auto='.2f').data[0],row=1,col=1) fig.update_layout(colorscale={ 
       'sequential':'sunset'},coloraxis={ 
       'showscale':False}) fig.add_trace(trace1,row=1,col=2) fig.add_heatmap(x=df1.index,y=df1.columns,z=df1,texttemplate='%{z:.2f}', colorscale='rainbow',showscale=False,row=1,col=3) fig.update_layout(layout) #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

init_notebook_mode(connected=False) df = pd.DataFrame({ 
        'x':[1,2,3,4,5],'y1':[22,30,27,32,30],'y2':[26,31,32,33,32]}) df1 = df.corr().stack().reset_index() df1.columns = ['left','right','value'] layout = { 
        'title':{ 
        'text':'<b>热力图：px.density_heatmap</b>','x':0.5,'font':{ 
        'color':'red','size':26}}, 'colorscale':{ 
        'sequential':'sunset'}, # density_heatmap函数 可设置参数color_continuous_scale 'coloraxis':{ 
        'showscale':False}} px.density_heatmap(data_frame=df1,x='left',y='right',z='value',text_auto='.2f', template={ 
        'layout':layout}) 

2.6 点地图

   构建点地图的方法有：go.Scattergeo、px.scatter_geo；此外，地图函数还有go.Scattermapbox、go.Choropleth、px.scatter_mapbox、px.choropleth等等。

• 参数解读
• • 根据 fig.data 中 geo键对应的值，设置projection(rotation旋转)；

init_notebook_mode(connected=False) df = pd.read_csv('XXX/directory.csv',encoding='gbk') trace = go.Scattergeo(lat=df.Latitude,lon=df.Longitude,text=df[['Store Name','Ownership Type']]) layout = { 
         'title':{ 
         'text':'<b>点地图</b>','x':0.5,'font':{ 
         'color':'red','size':26}}, #根据fig.data中geo键对应的值，设置projection(rotation旋转) 'geo2':{ 
         'projection':{ 
         'rotation':{ 
         'lat':30,'lon':110}}}, 'geo3':{ 
         'projection':{ 
         'type':'orthographic', 'rotation':{ 
         'lat':30,'lon':110}}}, 'showlegend':False} fig = make_subplots(rows=1,cols=3,subplot_titles=['express','graph_objects','add_scattergeo'], specs=[[{ 
         'type':'scattergeo'},{ 
         'type':'scattergeo'},{ 
         'type':'scattergeo'}]]) fig.add_trace(px.scatter_geo(data_frame=df,lat='Latitude',lon='Longitude', hover_name='City',hover_data=['Store Name','Ownership Type']).data[0], row=1,col=1) fig.add_trace(trace,row=1,col=2) fig.add_scattergeo(lat=df.Latitude,lon=df.Longitude,row=1,col=3) fig.update_layout(layout) #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

三、Plotly高级图形

   在Plotly中，animation_frame和animation_group用于控制动画的效果。这两个参数通常一起使用，可以创建更加丰富的动画效果。例如，在时间序列数据的折线图中，可以使用animation_frame参数来控制每一帧所显示的时间点，而使用animation_group参数来控制不同数据序列的动画效果。
   此外，px.scatter、px.line、px.bar等函数中有这两个参数。

3.1 时间序列-时间线轮播图

• 参数解读
• • animation_frame：表示动画帧的数量，它通常用于时间序列数据或者三维图形的动画中，表示动画中每一帧的索引或者名称。通过设置此参数，你可以控制动画中每一帧所显示的内容；
• • animation_group：表示动画的分组方式，它通常用于多个数据序列的动画中，可以将数据序列按照不同的分组方式进行动画展示。通过设置此参数，你可以控制同一组动画中不同数据序列的动画效果；

init_notebook_mode(connected=False) df = px.data.gapminder() layout = { 
          'title':{ 
          'text':'<b>时间线轮播图</b>','x':0.5,'font':{ 
          'color':'red','size':26}}} fig = px.scatter(data_frame=df,x='gdpPercap',y='lifeExp',size='pop',size_max=55, color='continent',hover_name='country',log_x=True,range_x=[100,], range_y=[25,90],animation_frame='year',animation_group='country') fig.update_layout(layout) fig['layout'].pop('updatemenus') #删除 animation buttons #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

3.2 时间序列-滑块和选择器

• 参数解读
• • rangeslider：滑块；rangeselector：选择器；
• • step：rangeselector参数，取值范围month、year、day、hour、minute、second、all；例如“count=1,step=‘month’”时，这个选择器覆盖的时间长度是(1*month)，即一个月；
• • stepmode：rangeselector参数，取值范围backward、todate；例如①当取值backward时，表示从后往前推进(count*step)时间，即当“count=1,step=‘year’”时，表示时间范围将近一年；②当取值todate时，就是计算今年以来的时间，即从最后日期到最后日期所在的年初，而不是近一年；

init_notebook_mode(connected=False) df = pd.read_csv('XXX/s.csv',encoding='gbk',parse_dates=['开奖日期']) df = df.iloc[:,1:10] '''滑块 : rangeslider , 选择器 : rangeselector''' layout = { 
           'title':{ 
           'text':'<b>时间序列</b>', 'x':0.5, 'font':{ 
           'color':'red','size':26}}, 'xaxis':{ 
           'tickformat':'%Y-%m-%d', 'range':[df.开奖日期.min().replace(day=1), df.开奖日期.max().replace(day=df.开奖日期.max().daysinmonth)], 'rangeselector':{ 
           'x':0.2, 'buttons':[{ 
           'label':'近一年','count':1,'step':'year','stepmode':'backward'}, { 
           'label':'今年','count':1,'step':'year','stepmode':'todate'}, { 
           'label':'近一月','count':1,'step':'month','stepmode':'backward'}, { 
           'label':'all','step':'all'}]}, 'rangeslider':{ 
           'visible':False}}} fig = px.line(data_frame=df,x='开奖日期',y='蓝球',line_dash_sequence=['solid'], markers=False,symbol_sequence=['circle']) fig.update_layout(layout) #plot(fig,image=None,filename='temp-plot.html') iplot(fig,image=None,filename='plot_image') 

3.3 其他图形

import plotly.figure_factory as ff 

• • 等高线图：px.density_contour；
• • 散点矩阵图：px.scatter_matrix；
• • 并行分类图：px.parallel_categories；
• • 联合分布图：px.scatter，涉及的参数有：marginal_x、marginal_y；
• • 热力图：ff.create_annotated_heatmap；
• • 甘特图：ff.create_gantt；
• • 表格：ff.create_table；

谢谢大家 🌹