Plotly.py 入门教程（二）

2024-02-19 10:36:46

文章目录

Plotly.py 中的散点图和折线图

Plotly.py 中的散点图和折线图

用 Plotly Express 绘制散点图

Plotly Express 是一种易于使用的高阶 Plotly 接口，它提供了面向各种数据形式的操作方法，可以用来生成方便个性化的图表。

使用 px.scatter ，所有的数据点都会视为一个标记点，它们的坐标由给定的 x 和 y 数据列定义。

提示：

我们假设以下部分的 Python 源代码是在一个 Jupyter Notebook 环境中从上至下运行的，对于一些 import 导入命令，我们不再进行重复导入。

同时，由于 Jupyter Notebook 无法将 Plotly.py 生成的图表进行导出，此处不提供图表可视化效果。

from plotly import express as px

# x 和 y 是列表形式的对象
fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
fig.show()

import plotly.express as px

# 这是一个 pandas.DataFrame 数据集
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", y="sepal_length")
fig.show()

提示：

这也解释了为什么 Plotly 需要 pandas 作为前置依赖的原因～

根据特定列指定大小和颜色

具有可变圆形散点大小的散点图也被称为 气泡图 。请注意，color 和 size 数据会被添加到悬浮信息栏中，你可以借助 px.scatter 的 hover_data 参数将其他数据列添加到悬浮信息栏。

fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species",
                 size='petal_length', hover_data=['petal_width'])
fig.show()

色彩既可以像下面这样是连续的，也可以像上面那样是离散/类别值。

fig = px.scatter(df, x="sepal_width", y="sepal_length", color='petal_length')
fig.show()

symbol 参数也可以和数据列建立映射，有一大堆的标记样式可以使用。

fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species", symbol="species")
fig.show()

散点图与离散坐标轴

散点图可以在任意的笛卡尔坐标系下绘制，包括常规坐标系、对数坐标系、类别坐标系和时间坐标系。

当散点图的其中一个坐标轴是类别值时，这种图一般被额外叫做 点状图 。

df = px.data.medals_long()
fig = px.scatter(df, y="nation", x="count", color="medal", symbol="medal")
fig.update_traces(marker_size=10)
fig.show()

误差柱

散点图支持为每一个数据点添加 误差柱 。

df = px.data.iris()
df["e"] = df["sepal_width"]/100
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species",
                 error_x="e", error_y="e")
fig.show()

边际分布图

散点图支持添加 边际分布图 。

fig = px.scatter(df, x="sepal_length", y="sepal_width",
                 marginal_x="histogram", marginal_y="rug")
fig.show()

分面

散点图支持进行分面。

df = px.data.tips()
fig = px.scatter(df, x="total_bill", y="tip", color="smoker", 
                 facet_col="sex", facet_row="time")
fig.show()

线性回归或其他趋势线

散点图支持 线性或非线性趋势线 。

# 其中的 OLS 表示线性回归使用的『最小二乘法』
fig = px.scatter(df, x="total_bill", y="tip", trendline="ols")
fig.show()

使用 Plotly Express 绘制曲线图

import numpy as np

t = np.linspace(0, 2*np.pi, 100)
fig = px.line(x=t, y=np.cos(t), labels={'x':'t', 'y':'cos(t)'})
fig.show()

# 这也是一个 pandas.DataFrame 数据集
df = (px.data.gapminder()
        # 根据给定的布尔表达式字符串查询数据
        # 类似于 SQL 中的 WHERE 关键字
        .query("continent == 'Oceania'"))
fig = px.line(df, x='year', y='lifeExp', color='country')
fig.show()

提示：

pandas.DataFrame.query 方法的具体用法可以查阅 Pandas 文档。

将 markers 参数设置为 True 可以在曲线上显示标记点。

fig = px.line(df, x='year', y='lifeExp', color='country', markers=True)
fig.show()

与散点图相同，带标记的曲线图也支持各式各样的标记样式。

fig = px.line(df, x='year', y='lifeExp', color='country', symbol="country")
fig.show()

时间坐标系上的曲线图

与散点图相同，曲线图也支持在包括线性坐标系、对数坐标系、类别坐标系和时间坐标系在内的笛卡尔坐标系上绘制。在时间坐标系上绘制的曲线图一般也被称为 时间序列图 。

当指定的数据类型是以下三种之一时，Plotly 会自动地将相应坐标轴类型设置为日期格式：

ISO 格式的日期字符串
以日期格式存储的 Pandas 数据列
以日期格式存储的 NumPy 数组

df = px.data.stocks()
fig = px.line(df, x='date', y="GOOG")
fig.show()

散点图和曲线图中的时间顺序

Plotly 曲线图是以『用线段连接的散点图』形式实现的，这说明所有的数据点会以数据集提供的顺序绘制并连接，并不会自动地重新排序。

这种机制让我们能够生成下面这样的图表，也说明我们可能需要在将数据传递给 Plotly 之前显式地进行排序以避免曲线在图表中『反向』移动。

import pandas as pd

df = pd.DataFrame(dict(
    x = [1, 3, 2, 4],
    y = [1, 2, 3, 4]
))
fig = px.line(df, x="x", y="y", title="Unsorted Input") 
fig.show()

df = df.sort_values(by="x")
fig = px.line(df, x="x", y="y", title="Sorted Input") 
fig.show()

线段连接式散点图

在一个线段连接式散点图中，两个连续的变量值会被独立绘制，并用一条线段将它们以某种具有意义的顺序连接起来，通常情况下会以时间变量来连接。在下面这张图表的源代码中，我们展示了由一对国家在人均 GDP 和寿命上的『趋势』。

df = px.data.gapminder().query("country in ['Canada', 'Botswana']")
fig = px.line(df, x="lifeExp", y="gdpPercap", color="country", text="year")
fig.update_traces(textposition="bottom right")
fig.show()

用 `go.Scatter` 绘制散点图和曲线图

如果 Plotly Express 无法提供很好的绘图入口，也可以使用 plotly.graph_objects 中更为通用的 go.Scatter 对象。尽管 plotly.express 提供了 scatter 和 line 两个函数，go.Scatter 却可以用来同时绘制它们两个，取决于 mode 参数的取值。go.Scatter 更多的参数请查阅参考手册。

简单散点图

from plotly import graph_objects as go
import numpy as np

N = 1000
t = np.linspace(0, 10, 100)
y = np.sin(t)
fig = go.Figure(data=go.Scatter(x=t, y=y, mode='markers'))
fig.show()

连线散点图

使用 mode 参数在『标记点』、『折线』或『两者』之间选择。关于折线图的更多选项，同样请参考折线图教程和区域填充图教程。

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

fig = go.Figure()
fig.add_trace(go.Scatter(
  x=random_x, y=random_y0,
  mode='markers', name='markers'
))
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='lines', name='lines'
))
fig.show()

气泡散点图

在 气泡图 中，数据集的第三个维度以标记的大小呈现。更多的可视化示例请查阅气泡图教程。

fig = go.Figure(data=go.Scatter(
    x=[1, 2, 3, 4],
    y=[10, 11, 12, 13],
    mode='markers',
    marker={
      'size': [40, 60, 80, 100],
      'color': [0, 1, 2, 3]
    }
))
fig.show()

个性化散点图

t = np.linspace(0, 10, 100)

fig = go.Figure()
fig.add_trace(go.Scatter(
    x=t, y=np.sin(t),
    name='sin',
    mode='markers',
    marker_color='rgba(152, 0, 0, .8)'
))
fig.add_trace(go.Scatter(
    x=t, y=np.cos(t), name='cos',
    marker_color='rgba(255, 182, 193, .9)'
))

# 我们通常使用 fig.update_trace 为所有的 Trace 设置相关参数
fig.update_traces(mode='markers', marker_line_width=2, marker_size=10)
fig.update_layout(
  title='Styled Scatter',
  yaxis_zeroline=False, 
  xaxis_zeroline=False
)

fig.show()

悬浮数据标签

data= pd.read_csv(
  "https://raw.githubusercontent.com/plotly/" +
  "datasets/master/2014_usa_states.csv"
)

fig = go.Figure(data=go.Scatter(
  x=data['Postal'], y=data['Population'], mode='markers',
  marker_color=data['Population'], text=data['State']
))
fig.update_layout(title='Population of USA States')
fig.show()

具有色彩维度的散点图

fig = go.Figure(data=go.Scatter(
    y = np.random.randn(500),
    mode='markers',
    marker=dict(
        size=16,
      	color=np.random.randn(500),		# 设置色彩为一组数值
        colorscale='Viridis',					# Plotly 提供的其中一种色彩映射表
        showscale=True								# 展示色柱
    )
))

fig.show()

大型数据集

现在，在 Plotly 中你可以用 Scattergl() 取代 Scatter() ，使用 WebGL 提升运行速度、提高可交互性，甚至还能提升绘制更多数据的能力！

N = 100000
fig = go.Figure(data=go.Scattergl(
    x = np.random.randn(N),
    y = np.random.randn(N),
    mode='markers',
    marker=dict(
        color=np.random.randn(N),
        colorscale='Viridis',
        line_width=1
    )
))
fig.show()

N = 100000
r = np.random.uniform(0, 1, N)
theta = np.random.uniform(0, 2*np.pi, N)

fig = go.Figure(data=go.Scattergl(
    x = r * np.cos(theta),		# 非均匀分布
    y = r * np.sin(theta),		# 借助缩放让更多的数据位于图表中心
    mode='markers',
    marker=dict(
        color=np.random.randn(N),
        colorscale='Viridis',
        line_width=1
    )
))
fig.show()

码农公寓