Python也太好用了吧！一个plotly库就能实现交互式数据可视化

 在本文中，我们将学习如何在Python中创建交互式可视化。我们将从仅仅以不同格式绘制数据开始，然后再探索添加更多交互式控件。

今天，我们将学习如何使用Plotly express。Plotly允许用户在肉眼可见的可视化界面上进行数据交互，并且与Web内容集成起来要容易得多。

plotly express简介

plotly express是 plotly 包装器，它允许使用更简单的语法。

受Seaborn和ggplot2的启发，它经过专门设计，具有简洁、一致且易于学习的API：只需一次导入，你就可以在一个函数调用中创建丰富的交互式图，包括刻面、地图、动画和趋势线。

如果你想了解更多信息，可访问Plotly的官方文档：
https://medium.com/plotly/introducing-plotly-express-808df010143d

只需要两行代码，你就可以拥有一个漂亮的交互式图表，非常简单：

 
 
 
    
  
  
  
  1. import plotly.express as px  
    2. 
  
  
  
  2. fig = px.line(x='x data set', y= 'y data set')  
    3. 
  
  
  
  3. fig.show()  
    4.

数据来源及准备

在本文中，我们将使用COVID-19数据集。

我们将使用以下代码来获取和格式化数据：

 
 
 
    
  
  
  
  1. import plotly.express as px  
    2. 
  
  
  
  2. import numpy as np  
    3. 
  
  
  
  3. import pandas as pd  
    4. 
  
  
  
  4. url = 'https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv'  
    5. 
  
  
  
  5. df = pd.read_csv(url, delimiter=',', header='infer')  
    6. 
  
  
  
  6. df_interest = df.loc[  
    7. 
  
  
  
  7. df['Country/Region'].isin(['United Kingdom', 'US', 'Italy', 'Brazil', 'India'])  
    8. 
  
  
  
  8. & df['Province/State'].isna()]  
    9. 
  
  
  
  9. df_interest.rename(  
    10. 
  
  
  
  10. index=lambda x: df_interest.at[x, 'Country/Region'], inplace=True)  
    11. 
  
  
  
  11. df1 = df_interest.transpose()  
    12. 
  
  
  
  12. df1 = df1.drop(['Province/State', 'Country/Region', 'Lat', 'Long'])  
    13. 
  
  
  
  13. df1 = df1.loc[(df1 != 0).any(1)]  
    14. 
  
  
  
  14. df1.index = pd.to_datetime(df1.index)  
    15. 
  
  
  
  15. df1 = df1.diff() #数据每日变化  
    16.

创建图表

1、线图

要在图形上添加一个国家的疫情数据可视化，我们只需要两行代码：

 
 
 
    
  
  
  
  1. fig = px.line(x=df1.index, y= df1[df1.columns[0]],title = 'Daily Deaths due to COVID-19', name = df1.columns[0])  
    2. 
  
  
  
  2. fig.show()  
    3.

单线图

要添加更多国家的数据，我们需要.add_scatter（）属性。通过使用循环，我们可以添加所有范围内的国家。

 
 
 
    
  
  
  
  1. fig = px.line()  
    2. 
  
  
  
  2. for i,n in enumerate(df1.columns):  
    3. 
  
  
  
  3. fig.add_scatter(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i])  
    4.

多线图

最后，我们可以考虑在图中添加更多的细节，个人喜欢在图中突出显示不同的数据点。

 
 
 
    
  
  
  
  1. fig.update_traces(mode='markers+lines')  
    2.

带标记的图形

最后，添加相关的轴标签，设置字体大小并替换默认模板。

 
 
 
    
  
  
  
  1. fig.update_layout(  
    2. 
  
  
  
  2. title = 'Daily Deaths due to COVID-19'  
    3. 
  
  
  
  3. ,xaxis_title = 'Dates'  
    4. 
  
  
  
  4. ,yaxis_title = 'Number of Deaths'  
    5. 
  
  
  
  5. ,font = dict(size = 25)  
    6. 
  
  
  
  6. ,template = 'plotly_dark' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  
    7. 
  
  
  
  7. )  
    8.

2、条形图

正如我们之前看到的，条形图可以很快就可以组合起来：

 
 
 
    
  
  
  
  1. fig = px.bar(x=df1.index, y= df1[df1.columns[0]])  
    2. 
  
  
  
  2. for i,n in enumerate(df1.columns):  
    3. 
  
  
  
  3. fig.add_bar(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i])  
    4. 
  
  
  
  4. fig.update_layout(  
    5. 
  
  
  
  5. title = 'Daily Deaths due to COVID-19'  
    6. 
  
  
  
  6. ,xaxis_title = 'Dates'  
    7. 
  
  
  
  7. ,yaxis_title = 'Number of Deaths'  
    8. 
  
  
  
  8. ,font = dict(size = 25)  
    9. 
  
  
  
  9. ,template = 'plotly_dark' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  
    10. 
  
  
  
  10. )  
    11. 
  
  
  
  11. fig.show()  
    12.

3、饼状图

和以前一样，唯一的区别是我们只显示时间序列中的最新一天。

 
 
 
    
  
  
  
  1. df1 = df1.tail(1).transpose()  
    2. 
  
  
  
  2. fig = px.pie(df1, values = str(df1.columns[0]), names = df1.index)  
    3. 
  
  
  
  3. fig.update_traces(textposition='inside', textinfo = 'percent+label')  
    4. 
  
  
  
  4. ddate = str(df1.columns[0])[:10] #时间戳  
    5. 
  
  
  
  5. fig.update_layout(  
    6. 
  
  
  
  6. title = f'Deaths on {ddate} due to COVID-19'  
    7. 
  
  
  
  7. ,xaxis_title = 'Dates'  
    8. 
  
  
  
  8. ,yaxis_title = 'Number of Deaths'  
    9. 
  
  
  
  9. ,font = dict(size = 25)  
    10. 
  
  
  
  10. ,template = 'seaborn' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  
    11. 
  
  
  
  11. )  
    12. 
  
  
  
  12. fig.show()  
    13.

交互控件

通过上文，我们知道了如何快速地将不同类型的可视化组合在一起，接下来我们用交互控件来增强数据的可视化。

1、范围滑块

首先，通过下面的一行代码来添加一个范围滑块，这是一个很好用的控件，让用户看到自己控制想看的特定部分。

  

 
 
 
    
  
  
  
  1. fig.update_xaxes(rangeslider_visible=True)  
    2.

2、范围焦点

如果我们的用户只想关注某个时间段里的某些部分呢？我们可以直接建立这些控件！

  

 
 
 
    
  
  
  
  1.  fig.update_xaxes(  
    2. 
  
  
  
  2. rangeslider_visible=True,  
    3. 
  
  
  
  3. rangeselector=dict(  
    4. 
  
  
  
  4. buttons=list([  
    5. 
  
  
  
  5. dict(count=7, label="1w", step="day", stepmode="backward"),  
    6. 
  
  
  
  6. dict(count=1, label="1m", step="month", stepmode="backward"),  
    7. 
  
  
  
  7. dict(count=2, label="2m", step="month", stepmode="backward"),  
    8. 
  
  
  
  8. dict(step="all")  
    9. 
  
  
  
  9. ]),  
    10. 
  
  
  
  10. font = dict( color='#008000', size = 11),  
    11. 
  
  
  
  11. )  
    12. 
  
  
  
  12. )  
    13.

3、自定义按钮

在体验了上面的范围焦点功能后，我们可以很容易想象到如何构建自定义按钮。Plotly express 以一种简单的方式满足了这一需求。让我们看看定制按钮，把重点放在个别国家上。

  

 
 
 
    
  
  
  
  1. fig.update_layout(  
    2. 
  
  
  
  2. updatemenus=[  
    3. 
  
  
  
  3. dict(  
    4. 
  
  
  
  4. type="buttons",  
    5. 
  
  
  
  5. direction="right",  
    6. 
  
  
  
  6. active=0,  
    7. 
  
  
  
  7. x=0.5,  
    8. 
  
  
  
  8. y=1.03,  
    9. 
  
  
  
  9. buttons=list([  
    10. 
  
  
  
  10. dict(label=df1.columns[0],  
    11. 
  
  
  
  11. method="update",  
    12. 
  
  
  
  12. args=[ {"visible": [True, False, False, False, False]},  
    13. 
  
  
  
  13. {'showlegend' : True}  
    14. 
  
  
  
  14. ]),  
    15. 
  
  
  
  15. dict(label=df1.columns[1],  
    16. 
  
  
  
  16. method="update",  
    17. 
  
  
  
  17. args=[ {"visible": [False, True, False, False, False]},  
    18. 
  
  
  
  18. {'showlegend' : True}  
    19. 
  
  
  
  19. ]),  
    20. 
  
  
  
  20. dict(label=df1.columns[2],  
    21. 
  
  
  
  21. method="update",  
    22. 
  
  
  
  22. args=[ {"visible": [False, False, True, False, False]},  
    23. 
  
  
  
  23. {'showlegend' : True}  
    24. 
  
  
  
  24. ]),  
    25. 
  
  
  
  25. dict(label=df1.columns[3],  
    26. 
  
  
  
  26. method="update",  
    27. 
  
  
  
  27. args=[ {"visible": [False, False, False, True, False]},  
    28. 
  
  
  
  28. {'showlegend' : True}  
    29. 
  
  
  
  29. ]),  
    30. 
  
  
  
  30. dict(label=df1.columns[4],  
    31. 
  
  
  
  31. method="update",  
    32. 
  
  
  
  32. args=[ {"visible": [False, False, False, False, True]},  
    33. 
  
  
  
  33. {'showlegend' : True}  
    34. 
  
  
  
  34. ]),  
    35. 
  
  
  
  35. dict(label='All',  
    36. 
  
  
  
  36. method="update",  
    37. 
  
  
  
  37. args=[ {"visible": [True, True, True, True, True]},  
    38. 
  
  
  
  38. {'showlegend' : True}  
    39. 
  
  
  
  39. ]),  
    40. 
  
  
  
  40. ]),  
    41. 
  
  
  
  41. )  
    42. 
  
  
  
  42. ]  
    43. 
  
  
  
  43. )  
    44.

4、下拉式菜单

如果你想在可视化数据中，获得一个下拉菜单，就像注释掉一行代码一样简单。在这里，你只需注释掉“type=”buttons“就可以：

结论

Plotly express绝对是一个非常棒的数据可视化工具，它非常容易获取，使用起来也非常像Python。在这篇文章里，我们只是简单地描述了它所提供的功能。我鼓励你进一步探索这个Python库，因为它具有无限可能性！

本文题目：Python也太好用了吧！一个plotly库就能实现交互式数据可视化
标题网址：http://www.shufengxianlan.com/qtweb/news33/429083.html

网站建设、网络推广公司-创新互联，是专注品牌与效果的网站制作，网络营销seo公司；服务项目有等

广告

声明：本网站发布的内容（图片、视频和文字）以用户投稿、用户转载内容为主，如果涉及侵权请尽快告知，我们将会在第一时间删除。文章观点不代表本网站立场，如需处理请联系客服。电话：028-86922220；邮箱：631063699@qq.com。内容未经允许不得转载，或转载时需注明来源： 创新互联

猜你还喜欢下面的内容

软件开发知识

同城分类信息

网页改版　　 　食品包装设计　　 　娃娃鱼鱼苗　　 　光华机房服务器托管　　 　注册域名　　 　东方电机技改服务有限公司　　 　网站制作　　 　移动机房服务器托管　　 　成都服务器托管　　 　绵阳网站制作公司　　 　广汉锦华　　 　成都茶叶销售　　 　恒温恒湿空调机组　　 　抖音短视频　　 　成都网站维护　　 　虚拟主机　　 　整合营销　　 　成都网络推广　　 　电商网店　　 　网络营销推广