用Python的Plotly畫出炫酷的數據可視化(含各類圖介紹)

在談及數據可視化的時候，我們通常都會使用到matplotlylib，pyecharts這些可視化的手段。但是，今天我主要來介紹Plotly這款可視化的庫。大家參考開源項目地址：

https://github.com/plotly/plotly.js這個庫是使用js寫的前端，所以畫出來的圖非常的漂亮，不像matplotlylib畫出來的那麼生硬。plotly提供了Python的支持庫,使用pip直接安裝就可以：

在python裡面使用plotly畫圖非常的簡單，我們先來看一個簡單的柱狀圖例子：

import plotly.graph_objects as go
animals=['giraffes', 'orangutans', 'monkeys']

fig = go.Figure(data=[
    go.Bar(name='SF Zoo', x=animals, y=[20, 14, 23]),
    go.Bar(name='LA Zoo', x=animals, y=[12, 18, 29])
])
# Change the bar mode
fig.update_layout(barmode='group')
fig.show()

使用起來非常的方便，和matplotlylib畫圖步驟很像，下面我們再來看看一組關於個性化顯示的例子：利用plotly express自帶的數據集，畫一個簡單的柱狀圖：

import plotly.express as px
data_canada = px.data.gapminder().query("country == 'Canada'")
fig = px.bar(data_canada, x='year', y='pop')
fig.show()

這樣的圖看上去還是比較素，我們可以使用參數來自定義條形圖的樣式：

import plotly.express as px
data = px.data.gapminder()

data_canada = data[data.country == 'Canada']
fig = px.bar(data_canada, x='year', y='pop',
             hover_data=['lifeExp', 'gdpPercap'], color='lifeExp',
             labels={'pop':'population of Canada'}, height=400)
fig.show()

調整樣式後會明顯發現數據展示會友好很多，能夠清楚的看到數據的增長程度。除了柱狀圖之外還有其他的散點圖，折線圖，餅狀圖，條形圖，箱型圖等等（也包含一些熱圖，登高圖，地圖分布等等）。

下面，我們使用Python畫一些Plolty基本圖的Demo：
散點圖核心的價值在於發現變量之間的關係，千萬不要簡單地將這個關係理解為線性回歸關係。變量間的關係有很多，如線性關係、指數關係、對數關係等等，當然，沒有關係也是一種重要的關係。散點圖更偏向於研究型圖表，能讓我們發現變量之間隱藏的關係為我們決策作出重要的引導作用。

import plotly.express as px
fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
fig.show()

import plotly.express as px
df = px.data.iris() # px自帶數據集
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species",
                 size='petal_length', hover_data=['petal_width'])
fig.show()

折線圖

折線圖可以顯示隨時間（根據常用比例設置）而變化的連續數據，因此非常適用於顯示在相等時間間隔下數據的趨勢。比如我們經常看到的監控數據圖，一般都是折線圖。

import plotly.graph_objects as go
animals = ['giraffes', 'orangutans', 'monkeys']

fig = go.Figure(data=[
    go.Scatter(name='SF Zoo', x=animals, y=[20, 14, 23]),
    go.Scatter(name='LA Zoo', x=animals, y=[12, 18, 29])
])
fig.show()

import plotly.graph_objects as go
import numpy as np
np.random.seed(1)

N = 100
random_x = np.linspace(0, 1, N)
random_y0 = np.random.randn(N) + 5
random_y1 = np.random.randn(N)
random_y2 = np.random.randn(N) - 5

# Create traces
fig = go.Figure()
fig.add_trace(go.Scatter(x=random_x, y=random_y0,
                    mode='lines',
                    name='lines'))
fig.add_trace(go.Scatter(x=random_x, y=random_y1,
                    mode='lines+markers',
                    name='lines+markers'))
fig.add_trace(go.Scatter(x=random_x, y=random_y2,
                    mode='markers', name='markers'))

fig.show()

餅圖主要用於總體中各組成部分所佔比重的研究，可以很直觀地分析項目的組成結構與比重，一目了然地進行描述重量分成。比如我們統計各種開銷佔總支出多少的時候，這個時候使用餅圖可以很明顯看出開銷的大頭。

import plotly.express as px
# This dataframe has 244 lines, but 4 distinct values for `day`
df = px.data.tips()
fig = px.pie(df, values='tip', names='day')
fig.show()

import plotly.express as px# plotly的自帶數據集,類型:DataFrame

df = px.data.gapminder().query("year == 2007").query("continent == 'Europe'")
df.loc[df['pop'] < 2.e6, 'country'] = 'Other countries' # Represent only large countries
fig = px.pie(df, values='pop', names='country', title='Population of European continent')
fig.show()

矩形樹圖適合展現具有層級關係的數據，能夠直觀體現同級之間的比較。一個Tree狀結構轉化為平面空間矩形的狀態，就像一張地圖，指引我們發現探索數據背後的故事。

矩形樹圖採用矩形表示層次結構裡的節點，父子節點之間的層次關係用矩形之間的相互嵌套隱喻來表達。從根節點開始，屏幕空間根據相應的子節點數目被分為多個矩形，矩形的面積大小通常對應節點的屬性。每個矩形又按照相應節點的子節點遞歸的進行分割，知道葉子節點為止。

import plotly.express as px
fig = px.treemap(
    names = ["Eve","Cain", "Seth", "Enos", "Noam", "Abel", "Awan", "Enoch", "Azura"],
    parents = ["", "Eve", "Eve", "Seth", "Seth", "Eve", "Eve", "Awan", "Eve"]
)
fig.show()

和縱向柱狀圖一樣，都是用來列舉和比較多個個體之間的差值，通過柱狀圖的長短可以很明顯看出數據之間的差別。

import plotly.graph_objects as go
# 修改水平參數即可
fig = go.Figure(go.Bar(
            x=[20, 14, 23],
            y=['giraffes', 'orangutans', 'monkeys'],
            orientation='h'))

fig.show()

箱型圖

箱形圖（Box-plot）又稱為盒式圖或箱線圖，是一種用作顯示一組數據分散情況資料的統計圖。因形狀如箱子而得名。在各種領域也經常被使用，常見於品質管理。它主要用於反映原始數據分布的特徵，還可以進行多組數據分布特徵的比較。

import plotly.express as px
df = px.data.tips()
fig = px.box(df, x="time", y="total_bill")
fig.show()

有二維、三維等高線圖。在數據分析中，高度表示為該點的數量或出現次數，該指標相同則在一條環線（或高度）處。

import plotly.graph_objects as go

fig = go.Figure(data =
    go.Contour(
        z=[[10, 10.625, 12.5, 15.625, 20],
           [5.625, 6.25, 8.125, 11.25, 15.625],
           [2.5, 3.125, 5., 8.125, 12.5],
           [0.625, 1.25, 3.125, 6.25, 10.625],
           [0, 0.625, 2.5, 5.625, 10]]
    ))
fig.show()

熱圖是指用熱譜圖展示用戶在網站上的行為。瀏覽量大、點擊量大的地方呈紅色，瀏覽量小、點擊量少的地方呈無色、藍色。常見熱圖共有點擊熱圖、注意力熱圖、分析熱圖、對比熱圖、分享熱圖、浮層熱圖和歷史熱圖等七種。

import plotly.express as px
data=[[1, 25, 30, 50, 1], [20, 1, 60, 80, 30], [30, 60, 1, 5, 20]]
fig = px.imshow(data,
                labels=dict(x="Day of Week", y="Time of Day", color="Productivity"),
                x=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday'],
                y=['Morning', 'Afternoon', 'Evening']
               )
fig.update_xaxes(side="top")
fig.show()

三元圖，又稱三元相圖（Ternary plot）有三個坐標軸，它的三個坐標軸「首尾相接」成夾角為60度的等邊三角形。「元」即成分，或部分，三元圖主要用來展示不同樣本的三種成分的比例，在物理化學中比較常見。

import plotly.express as px
df = px.data.election()
fig = px.scatter_ternary(df, a="Joly", b="Coderre", c="Bergeron")
fig.show()

雷達圖以二維的形式展現了多維數據,使觀察者可以一目了然地得知對象在各種指標上的強弱，最典型的就是遊戲中衡量一個角色多維度的能力值。

import plotly.express as px
import pandas as pd
df = pd.DataFrame(dict(
    r=[1, 5, 2, 2, 3],
    theta=['processing cost','mechanical properties','chemical stability',
           'thermal stability', 'device integration']))
fig = px.line_polar(df, r='r', theta='theta', line_close=True)
fig.show()

極坐標圖主要作用就是可在一張圖上繪出整個頻率域的頻率響應特性。

import plotly.express as px
df = px.data.wind()
fig = px.scatter_polar(df, r="frequency", theta="direction")
fig.show()

瀑布圖，因為形似瀑布流水而稱之為瀑布圖( Waterfall Plot)。此種圖表採用絕對值與相對值結合的方式，適用於表達數個特定數值之間的數量變化關係。

import plotly.graph_objects as go

fig = go.Figure(go.Waterfall(
    name = "20", orientation = "v",
    measure = ["relative", "relative", "total", "relative", "relative", "total"],
    x = ["Sales", "Consulting", "Net revenue", "Purchases", "Other expenses", "Profit before tax"],
    textposition = "outside",
    text = ["+60", "+80", "", "-40", "-20", "Total"],
    y = [60, 80, 0, -40, -20, 0],
    connector = {"line":{"color":"rgb(63, 63, 63)"}},
))

fig.update_layout(
        title = "Profit and loss statement 2020",
        showlegend = True
)

fig.show()

漏鬥圖

一般表述轉化率（如營銷客戶轉化），由上而下代表不同層級，轉化率逐級降低並形成漏鬥形狀。

import plotly.express as px
data = dict(
    number=[39, 27.4, 20.6, 11, 2],
    stage=["Website visit", "Downloads", "Potential customers", "Requested price", "invoice sent"])
fig = px.funnel(data, x='number', y='stage')
fig.show()

氣泡分布圖（含配置底圖）

import plotly.express as px
df = px.data.gapminder().query("year==2007")
fig = px.scatter_geo(df, locations="iso_alpha", color="continent",
                     hover_name="country", size="pop",
                     projection="natural earth")
fig.show()

當然，除此之外，還有其他種類的圖，如果大家對plotly感興趣可以去訪問它的網站：https://plotly.com/python/statistical-charts/