吹爆了这个可视化神器，上手后直接开大~

太过爱你忘了你带给我的痛 2022-10-15 10:58 166阅读 0赞

点击上方“**Python爬虫与数据挖掘**”，进行关注

回复“**书籍**”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

漾漾泛菱荇，澄澄映葭苇。

![9c2297306cb2e5ca570b88c8127384af.png][]

**大家好，我是明哥。**

今天给大家推荐一个可视化神器 - Plotly\_express ，上手非常的简单，基本所有的图都只要一行代码就能绘出一张非常酷炫的可视化图。

以下是这个神器的详细使用方法，文中附含大量的 GIF 动图示例图。

**注：源代码（ .ipypnb 文件）的获取方式，我放在文末了。记得下载**

## 1. 环境准备 ##

本文的是在如下环境下测试完成的。

*  Python3.7
 *  Jupyter notebook
 *  Pandas1.1.3
 *  Plotly\_express0.4.1

其中 Plotly\_express0.4.1 是本文的主角，安装它非常简单，只需要使用 pip install 就可以

$ python3 -m pip install plotly_express

## 2. 工具概述 ##

在说 `plotly_express`之前，我们先了解下`plotly`。`Plotly`是新一代的可视化神器，由`TopQ`量化团队开源。虽然`Ploltly`功能非常之强大，但是一直没有得到重视，主要原因还是其设置过于繁琐。因此，`Plotly`推出了其简化接口：`Plotly_express`，下文中统一简称为`px`。

`px`是对`Plotly.py`的一种高级封装，其内置了很多实用且现代的绘图模板，用户只需要调用简单的API函数即可实用，从而快速绘制出漂亮且动态的可视化图表。

`px`是完全免费的，用户可以任意使用它。最重要的是，`px`和`plotly`生态系统的其他部分是完全兼容的。用户不仅可以在`Dash`中使用，还能通过`Orca`将数据导出为几乎任意文件格式。

官网的学习资料：https://plotly.com/

px的安装是非常简单的，只需要通过`pip install plotly_express`来安装即可。安装之后的使用：

import plotly_express as px

## 3. 开始绘图 ##

接下来我们通过px中自带的数据集来绘制各种精美的图形。

*  gapminder
 *  tips
 *  wind

### 3.1 数据集 ###

首先我们看下`px`中自带的数据集：

import pandas as pd
    import numpy as np
    import plotly_express as px  # 现在这种方式也可行：import plotly.express as px
    
    # 数据集
    gapminder = px.data.gapminder()
    gapminder.head()  # 取出前5条数据

![c152d5e0adb27c86009c0716370695c3.png][]

我们看看全部属性值：

![3327b81c1b98362b04ac54b04f2fbce9.png][]

### 3.2 线型图 ###

线型图line在可视化制图中是很常见的。利用px能够快速地制作线型图：

# line 图
    fig = px.line(
      gapminder,  # 数据集
      x="year",  # 横坐标
      y="lifeExp",  # 纵坐标
      color="continent",  # 颜色的数据
      line_group="continent",  # 线性分组
      hover_name="country",   # 悬停hover的数据
      line_shape="spline",  # 线的形状
      render_mode="svg"  # 生成的图片模式
    )
    fig.show()

![d3809b484e986be9c08634d237541734.png][]

再来制作面积图：

# area 图
    fig = px.area(
      gapminder,  # 数据集
      x="year",  # 横坐标
      y="pop",  # 纵坐标
      color="continent",   # 颜色
      line_group="country"  # 线性组别
    )
    fig.show()

![9b825c3cd88efda0134b06e243f2cb38.gif][]

### 3.3 散点图    ###

散点图的制作调用`scatter`方法：

![e58df6ede57af7e47d8d0662fbf05a38.gif][]

指定size参数还能改变每个点的大小：

px.scatter(
      gapminder2007   # 绘图DataFrame数据集
      ,x="gdpPercap"  # 横坐标
      ,y="lifeExp"  # 纵坐标
      ,color="continent"  # 区分颜色
      ,size="pop"   # 区分圆的大小
      ,size_max=60  # 散点大小
    )

![228b9475390548976fa43904f92c81e1.gif][]

通过指定`facet_col`、`animation_frame`参数还能将散点进行分块显示：

px.scatter(
      gapminder   # 绘图使用的数据
      ,x="gdpPercap" # 横纵坐标使用的数据
      ,y="lifeExp"  # 纵坐标数据
      ,color="continent"  # 区分颜色的属性
      ,size="pop"   # 区分圆的大小
      ,size_max=60  # 圆的最大值
      ,hover_name="country"  # 图中可视化最上面的名字
      ,animation_frame="year"  # 横轴滚动栏的属性year
      ,animation_group="country"  # 标注的分组
      ,facet_col="continent"   # 按照国家country属性进行分格显示
      ,log_x=True  # 横坐标表取对数
      ,range_x=[100,100000]  # 横轴取值范围
      ,range_y=[25,90]  # 纵轴范围
      ,labels=dict(pop="Populations",  # 属性名字的变化，更直观
                   gdpPercap="GDP per Capital",
                   lifeExp="Life Expectancy")
    )

![f6af02ef26aa7e6e30a633658f5164de.gif][]

### 3.4 地理数据绘图    ###

在实际的工作中，我们可能会接触到中国地图甚至是全球地图，使用px也能制作：

px.choropleth(
      gapminder,  # 数据集
      locations="iso_alpha",  # 配合颜色color显示
      color="lifeExp", # 颜色的字段选择
      hover_name="country",  # 悬停字段名字
      animation_frame="year",  # 注释
      color_continuous_scale=px.colors.sequential.Plasma,  # 颜色变化
      projection="natural earth"  # 全球地图
                 )

![5f8997ceddc37d1134679d98cef481ac.gif][]

fig = px.scatter_geo(
      gapminder,   # 数据
      locations="iso_alpha",  # 配合颜色color显示
      color="continent", # 颜色
      hover_name="country", # 悬停数据
      size="pop",  # 大小
      animation_frame="year",  # 数据帧的选择
      projection="natural earth"  # 全球地图
                        )
    
    fig.show()

![acca8f2070043b371bb274fdfc1642e8.gif][]

px.scatter_geo(gapminder, # 数据集
      locations="iso_alpha",  # 配和color显示颜色
      color="continent",  # 颜色的字段显示
      hover_name="country",  # 悬停数据
      size="pop",  # 大小
      animation_frame="year"  # 数据联动变化的选择
      #,projection="natural earth"   # 去掉projection参数
    )

![718f9bb728473385cc87f0cf098c4353.png][]

使用line\_geo来制图：

fig = px.line_geo(
      gapminder2007,  # 数据集
      locations="iso_alpha",  # 配合和color显示数据
      color="continent",  # 颜色
      projection="orthographic")   # 球形的地图
    fig.show()

![3285aaca4ccef258210b8a23d5564e2e.gif][]

### 3.5 使用内置iris数据    ###

我们先看看怎么使用px来查看内置数据的文档：

![bfe3a4fe0a651fca32138c5b9016b2c7.png][]

#### 选择两个属性制图 ####

选择两个属性作为横纵坐标来绘制散点图

fig = px.scatter(
      iris,  # 数据集
      x="sepal_width",  # 横坐标
      y="sepal_length"  # 纵坐标
                    )
    fig.show()

![cb64d8cfcdd08783657ec81baa554c15.png][]

通过color参数来显示不同的颜色：

![0ea681a57514a6ac40d9a483c09d2908.png][]

### 3.6 联合分布图 ###

我们一个图形中能够将散点图和直方图组合在一起显示：

px.scatter(
      iris,  # 数据集
      x="sepal_width", # 横坐标
      y="sepal_length",  # 纵坐标
      color="species",  # 颜色
      marginal_x="histogram",  # 横坐标直方图
      marginal_y="rug"   # 细条图
    )

![eeae2f1cb36c5a0aff48ea5d91a672af.png][]

### 3.7 小提琴图 ###

小提琴图能够很好的显示数据的分布和误差情况，一行代码利用也能显示小提琴图：

px.scatter(
      iris,  # 数据集
      x="sepal_width",  # 横坐标
      y="sepal_length",  # 纵坐标
      color="species",  # 颜色
      marginal_y="violin",  # 纵坐标小提琴图
      marginal_x="box",  # 横坐标箱型图
      trendline="ols"  # 趋势线
    )

![04568a5d8dd875d5a89dbac791cf8e23.png][]

### 3.8 散点矩阵图 ###

px.scatter_matrix(
      iris,  # 数据
      dimensions=["sepal_width","sepal_length","petal_width","petal_length"],  # 维度选择
      color="species")  # 颜色

![68f9e490a0c7298c8543833588d4539c.png][]

### 3.9 平行坐标图 ###

px.parallel_coordinates(
      iris,   # 数据集
      color="species_id",  # 颜色
      labels={"species_id":"Species",  # 各种标签值
              "sepal_width":"Sepal Width",
              "sepal_length":"Sepal Length",
              "petal_length":"Petal Length",
              "petal_width":"Petal Width"},
      color_continuous_scale=px.colors.diverging.Tealrose,
      color_continuous_midpoint=2)

![4c840fb49fd7998db4c7eceafb7e34c7.png][]

### 3.10 箱体误差图 ###

# 对当前值加上下两个误差值
    iris["e"] = iris["sepal_width"] / 100
    px.scatter(
      iris,  # 绘图数据集
      x="sepal_width",  # 横坐标
      y="sepal_length",  # 纵坐标
      color="species",  # 颜色值
      error_x="e",  # 横轴误差
      error_y="e"  # 纵轴误差
              )

![bf76d1cdb4606af287e3be8d8d35a24b.png][]

### 3.11 等高线图 ###

等高线图反映数据的密度情况：

px.density_contour(
      iris,  # 绘图数据集
      x="sepal_width",  # 横坐标
      y="sepal_length",  # 纵坐标值
      color="species"  # 颜色
    )

![1f5fac9031202a1399b1d0e79879c83a.png][]

等高线图和直方图的俩和使用：

px.density_contour(
      iris, # 数据集
      x="sepal_width",  # 横坐标值
      y="sepal_length",  # 纵坐标值
      color="species",  # 颜色
      marginal_x="rug",  # 横轴为线条图
      marginal_y="histogram"   # 纵轴为直方图
                      )

![00543409a6e8575972dfa5a8eb2486b6.png][]

### 3.12 密度热力图 ###

px.density_heatmap(
      iris,  # 数据集
      x="sepal_width",   # 横坐标值
      y="sepal_length",  # 纵坐标值
      marginal_y="rug",  # 纵坐标值为线型图
      marginal_x="histogram"  # 直方图
                      )

![ab94491b109fe933a608f846a2099268.png][]

### 3.13 并行类别图 ###

在接下来的图形中我们使用的小费tips实例，首先是导入数据：

![8ea6a588dc1ec22d418fccc8bd74622e.png][]

fig = px.parallel_categories(
      tips,  # 数据集 
      color="size",  # 颜色
      color_continuous_scale=px.colors.sequential.Inferno)  # 颜色变化取值
    fig.show()

### 3.14 柱状图 ###

![ae1b84d9db83bb83e78b509d5a9d1e3a.png][] ![8262893b8707bc681940663c9b9fb553.png][]

fig = px.bar(
      tips,  # 数据集
      x="sex",  # 横轴
      y="total_bill",  # 纵轴
      color="smoker",  # 颜色参数取值
      barmode="group",  # 柱状图模式取值
      facet_row="time",  # 行取值
      facet_col="day",  # 列元素取值
      category_orders={
        "day": ["Thur","Fri","Sat","Sun"],  # 分类顺序
        "time":["Lunch", "Dinner"]})
    fig.show()

![21282352ee392097ad4bd5b30c71a6fc.png][]

### 3.15 直方图 ###

fig = px.histogram(
      tips,  # 绘图数据集
      x="sex",  # 横轴为性别
      y="tip",  # 纵轴为费用
      histfunc="avg",  # 直方图显示的函数
      color="smoker",  # 颜色
      barmode="group",  # 柱状图模式
      facet_row="time",  # 行取值
      facet_col="day",   # 列取值
      category_orders={  # 分类顺序
        "day":["Thur","Fri","Sat","Sun"],
        "time":["Lunch","Dinner"]}
    )
    
    fig.show()

![f7a6067af4c83bf248bac6b588ca3faa.png][]

### 3.16 箱型图 ###

箱型图也是现实数据的误差和分布情况：

# notched=True显示连接处的锥形部分
    px.box(tips,  # 数据集
           x="day",  # 横轴数据
           y="total_bill",  # 纵轴数据
           color="smoker",  # 颜色
           notched=True)  # 连接处的锥形部分显示出来

![56e2243063408ceb2d30ec9963a5f613.png][]

px.box(
      tips,  # 数据集
      x="day",  # 横轴
     y="total_bill",  # 纵轴 
     color="smoker",  # 颜色
    #         notched=True   # 隐藏参数
          )

![4e2970d1511151665cd944d6825ec132.png][]

再来画一次小提琴图：

px.violin(
        tips,   # 数据集
        x="smoker",  # 横轴坐标
        y="tip",  # 纵轴坐标  
        color="sex",   # 颜色参数取值
        box=True,   # box是显示内部的箱体
        points="all",  # 同时显示数值点
        hover_data=tips.columns)  # 结果中显示全部数据

![91905f2b1132c6a18f44bb8046731b13.png][]

### 3.17 极坐标图 ###

在这里我们使用的是内置的wind数据：

![960bc0704901e3e6091d047302efcf78.png][]

#### 散点极坐标图 ####

![33ebf1dddd1e80e2c4063756bc26d426.png][]

#### 线性极坐标图 ####

fig = px.line_polar(
        wind,  # 数据集
        r="frequency",  # 半径
        theta="direction",  # 角度
        color="strength",  # 颜色
        line_close=True,  # 线性闭合
        color_discrete_sequence=px.colors.sequential.Plasma_r)  # 颜色变化
    fig.show()

![d30ee2d403597b5180188c465d9a32a0.png][]

#### 柱状极坐标图 ####

fig = px.bar_polar(
        wind,   # 数据集
        r="frequency",   # 半径
        theta="direction",  # 角度
        color="strength",  # 颜色
        template="plotly_dark",  # 主题
        color_discrete_sequence=px.colors.sequential.Plasma_r)  # 颜色变化
    fig.show()

![27e20cd2e90bda0c25102914198ccb75.png][]

## 4. 颜色面板 ##

在px中有很多的颜色可以供选择，提供了一个颜色面板：

px.colors.qualitative.swatches()

![80d4d9d0a19d9b9899c7f784f8cba307.png][]

px.colors.sequential.swatches()

![202c736f93c856ef5acd728293e6b068.png][]

## 5. 主题 ##

px中存在3种主题：

*  plotly
 *  plotly\_white
 *  plotly\_dark

px.scatter(
        iris,  # 数据集
        x="sepal_width",  # 横坐标值
        y="sepal_length",  # 纵坐标取值
        color="species",  # 颜色
        marginal_x="box",  # 横坐标为箱型图
        marginal_y="histogram",  # 纵坐标为直方图
        height=600,  # 高度
        trendline="ols",  # 显示趋势线
        template="plotly")  # 主题

![95e452e66cc9c31104315da59b8f5431.png][]

![f78d6bfdedcadc0863ac1c4b3767ce09.png][]

![df3d912e85daf4e269aaeb0aa4b48b1d.png][]

## 6. 总结一下 ##

本文中利用大量的篇幅讲解了如何通过plotly\_express来绘制：**柱状图、线型图、散点图、小提琴图、极坐标图**等各种常见的图形。通过观察上面`Plotly_express`绘制图形过程，我们不难发现它有三个主要的优点：

*  快速出图，少量的代码就能满足多数的制图要求。基本上都是几个参数的设置我们就能快速出图
 *  图形漂亮，绘制出来的可视化图形颜色亮丽，也有很多的颜色供选择。
 *  图形是动态可视化的。文章中图形都是截图，如果是在`Jupyter notebook`中都是动态图形

希望通过本文的讲解能够帮助堵住快速入门plotly\_express可视化神器。

**---\--\---\---\---\--\---** End **---\--\---\--\---\---\--\-**

往期精彩文章推荐：

*  ## [Python自带爬虫库urllib使用大全][Python_urllib] ##
 *  ## [一篇文章教会你使用Python定时抓取微博评论][Python] ##
 *  ## [一篇文章教会你使用Python图片格式转换器并识别图片中的文字][Python 1]    ##

![539b3adeeb21e30ca6d948c56f376d96.png][]

欢迎大家**点赞，****留言，****转发，转载，**感谢大家的相伴与支持

想加入Python学习群请在后台回复【**入群**】

万水千山总是情，点个【**在看**】行不行

**/今日留言主题/**

随便说一两句吧~~

[9c2297306cb2e5ca570b88c8127384af.png]: /images/20221014/4105a5e5e5824edfa1481249459d2e64.png
[c152d5e0adb27c86009c0716370695c3.png]: /images/20221014/d7fb6101a0c94507a06ac571273812f3.png
[3327b81c1b98362b04ac54b04f2fbce9.png]: /images/20221014/5a2f87b159f0462fac05d16c710db7a6.png
[d3809b484e986be9c08634d237541734.png]: /images/20221014/a3e74cb71a114d579549142b3aaedead.png
[9b825c3cd88efda0134b06e243f2cb38.gif]: /images/20221014/139d20dff01342fda75e97be8f8799df.png
[e58df6ede57af7e47d8d0662fbf05a38.gif]: /images/20221014/946d1f358d334261af56a5d16e84544e.png
[228b9475390548976fa43904f92c81e1.gif]: /images/20221014/dbdeb62956b44539b8fc6b825ef6b2e5.png
[f6af02ef26aa7e6e30a633658f5164de.gif]: /images/20221014/4be6994d9f4c4fb88e83882a9a2b8869.png
[5f8997ceddc37d1134679d98cef481ac.gif]: /images/20221014/7b5552363e914a0eae1bea9f27ba6bda.png
[acca8f2070043b371bb274fdfc1642e8.gif]: /images/20221014/016339d29add4a74bf1fde22abbda0ff.png
[718f9bb728473385cc87f0cf098c4353.png]: /images/20221014/d8b6111e9adb4ca1a862e24a17bec46b.png
[3285aaca4ccef258210b8a23d5564e2e.gif]: /images/20221014/25072b2e84264bc6bfc62b81cd86fd2f.png
[bfe3a4fe0a651fca32138c5b9016b2c7.png]: /images/20221014/7bb9d948892d4c979e43f8b86ff28ee8.png
[cb64d8cfcdd08783657ec81baa554c15.png]: /images/20221014/1fadcce580a642b79b44caa120582142.png
[0ea681a57514a6ac40d9a483c09d2908.png]: /images/20221014/479837c57c5b43b3a6f567ca3c1740e3.png
[eeae2f1cb36c5a0aff48ea5d91a672af.png]: /images/20221014/148a6e71301245e9aba67930dd28d963.png
[04568a5d8dd875d5a89dbac791cf8e23.png]: /images/20221014/291a8eb59a604cdba96fe7c8ef9a07f1.png
[68f9e490a0c7298c8543833588d4539c.png]: /images/20221014/cd2cc4f9a0b449b6b28ab7e0f54ae9cb.png
[4c840fb49fd7998db4c7eceafb7e34c7.png]: /images/20221014/312c11265c6b4e559a7996a3c2c63789.png
[bf76d1cdb4606af287e3be8d8d35a24b.png]: /images/20221014/6fcc90236c50451cba32db1d8f9b2f2e.png
[1f5fac9031202a1399b1d0e79879c83a.png]: /images/20221014/539c496344094b258eb1567b0678f717.png
[00543409a6e8575972dfa5a8eb2486b6.png]: /images/20221014/1c8e4826701344778d315c123c452f7d.png
[ab94491b109fe933a608f846a2099268.png]: /images/20221014/cfcb6688782b498bac60e9608bf3df5c.png
[8ea6a588dc1ec22d418fccc8bd74622e.png]: /images/20221014/4c1366c7eeb84737b042607b6ec136cf.png
[ae1b84d9db83bb83e78b509d5a9d1e3a.png]: https://img-blog.csdnimg.cn/img_convert/ae1b84d9db83bb83e78b509d5a9d1e3a.png
[8262893b8707bc681940663c9b9fb553.png]: /images/20221014/89ad0d815ab04897a0a0e5679695a295.png
[21282352ee392097ad4bd5b30c71a6fc.png]: /images/20221014/cc82bb865b704378a6c0c19711f6c714.png
[f7a6067af4c83bf248bac6b588ca3faa.png]: /images/20221014/929db24c7a0e48cf9868f7a85aa68bcb.png
[56e2243063408ceb2d30ec9963a5f613.png]: /images/20221014/bce64502d51a4a2aa62e61972695050f.png
[4e2970d1511151665cd944d6825ec132.png]: /images/20221014/a7da9f53e0e14a23849a77c84314aa0d.png
[91905f2b1132c6a18f44bb8046731b13.png]: /images/20221014/13ee2de465a241bb9d5d0603f41b6bb2.png
[960bc0704901e3e6091d047302efcf78.png]: /images/20221014/e316fc81c5f74da6bf4fec42fc3533ff.png
[33ebf1dddd1e80e2c4063756bc26d426.png]: /images/20221014/bcf671aad68d4f82a5aef2555ec94ed4.png
[d30ee2d403597b5180188c465d9a32a0.png]: /images/20221014/ae6fb6c1565b432db6ebd1560fb740c6.png
[27e20cd2e90bda0c25102914198ccb75.png]: /images/20221014/1abe34e33afe4afc8267c0b2802ce00f.png
[80d4d9d0a19d9b9899c7f784f8cba307.png]: /images/20221014/8b5005a0565b4da2b1c2df34a48f48bc.png
[202c736f93c856ef5acd728293e6b068.png]: /images/20221014/352f94e0c6f5411ab56196c822ac9fc8.png
[95e452e66cc9c31104315da59b8f5431.png]: /images/20221014/6cfdfa6abbaf41f5887fbd8dd58bffae.png
[f78d6bfdedcadc0863ac1c4b3767ce09.png]: /images/20221014/0795ff88c75145b19bbf948c19a0c124.png
[df3d912e85daf4e269aaeb0aa4b48b1d.png]: /images/20221014/2c2b5ea109454bfc892b3784b2baf71f.png
[Python_urllib]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc3587ecbb4d168e9efa50fa95a4d190d5fee7e62e326551ae9fc94c02fb57c52f96388e254&idx=1&mid=2247491157&scene=21&sn=9ee3a9b6f62bc1d209ded1fd43d11baf#wechat_redirect
[Python]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc3587fcbb4d1697dfc598205d3b03d5ac37722263c623b47ee690324909c3a953dbf5bf4c8&idx=2&mid=2247491156&scene=21&sn=d92d98c077ac686d4e75586b6b81c0d4#wechat_redirect
[Python 1]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc35865cbb4d17312f67837c8748e43198b7ba538f2b5ff9f772f05168d3877dcae71612c2c&idx=1&mid=2247491150&scene=21&sn=5d69c0d58a9b7b965f07874f12990793#wechat_redirect
[539b3adeeb21e30ca6d948c56f376d96.png]: /images/20221014/cf8c16458f0d4a1184c1d46b02b533d1.png