python制作的5种非传统的可视化图

骑猪看日落 2023-02-17 05:04 2阅读 0赞

## 前言 ##

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：机器之心

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

[python免费学习资料以及群交流解答点击即可加入][python]

--------------------

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。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70]  
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。

## 安装库 ##

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：  
![在这里插入图片描述][20200612142444570.gif]  
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。  
![在这里插入图片描述][20200612142524980.gif]  
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：  
![在这里插入图片描述][20200612143110130.gif]  
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。  
![在这里插入图片描述][20200612144413302.gif]  
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。  
![在这里插入图片描述][20200612144451940.gif]  
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**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 1]  
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()

[python]: https://jq.qq.com/?_wv=1027&k=ThcV4SNF
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200612141811555.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA==,size_16,color_FFFFFF,t_70
[20200612142444570.gif]: https://img-blog.csdnimg.cn/20200612142444570.gif
[20200612142524980.gif]: https://img-blog.csdnimg.cn/20200612142524980.gif
[20200612143110130.gif]: https://img-blog.csdnimg.cn/20200612143110130.gif
[20200612144413302.gif]: https://img-blog.csdnimg.cn/20200612144413302.gif
[20200612144451940.gif]: https://img-blog.csdnimg.cn/20200612144451940.gif
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/2020061214451381.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2ZlaTM0Nzc5NTc5MA==,size_16,color_FFFFFF,t_70