選自TowardsDataScience
作者：Liana Mehrabyan
機器之心編譯
參與：Panda
數據可以幫助我們描述這個世界、闡釋自己的想法和展示自己的成果，但如果只有單調乏味的文本和數字，我們卻往往能難抓住觀眾的眼球。而很多時候，一張漂亮的可視化圖表就足以勝過千言萬語。本文將介紹 5 種基於 Plotly 的可視化方法，你會發現，原來可視化不僅可用直方圖和箱形圖，還能做得如此動態好看甚至可交互。
對數據科學家來說，講故事是一個至關重要的技能。為了表達我們的思想並且說服別人，我們需要有效的溝通。而漂漂亮亮的可視化是完成這一任務的絕佳工具。本文將介紹 5 種非傳統的可視化技術，可讓你的數據故事更漂亮和更有效。這裡將使用 Python 的 Plotly 圖形庫（也可通過 R 使用），讓你可以毫不費力地生成動畫圖表和交互式圖表。
那麼，Plotly 有哪些好處？Plotly 的整合能力很強：可與 Jupyter Notebook 一起使用，可嵌入網站，並且完整集成了 Dash——一種用於構建儀錶盤和分析應用的出色工具。
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
安裝完成後，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據。Plotly 動畫工具僅需一行代碼就能讓人觀看數據隨時間的變化情況，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，那麼幾乎任何圖表都可以做成動畫。下面是一個製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。
假設我們想根據性別和每天的時間分解平均小費數據，那麼相較於表格，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，讓你可以自己點擊並探索各個類別。你只需要定義你的所有類別，並聲明它們之間的層次結構（見以下代碼中的 parents 參數）並分配對應的值即可，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()
現在我們向這個層次結構再添加一層：
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係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版本。這裡，每一根弦都代表單個觀察。這是一種可用於識別離群值（遠離其它數據的單條線）、聚類、趨勢和冗餘變量（比如如果兩個變量在每個觀察上的值都相近，那麼它們將位於同一水平線上，表示存在冗餘）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 等成功指標並展示其與你的目標的距離時，可以使用這種圖表。
指示器在業務和諮詢中非常有用。它們可以通過文字記號來補充視覺效果，吸引觀眾的注意力並展現你的增長指標。
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()
原文連結：https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41