关于Python可视化Dash工具—plotly中级图表

Plotly Express是对 Plotly.py 的高级封装，内置了大量实用、现代的绘图模板，用户只需调用简单的API函数，即可快速生成漂亮的互动图表，可满足90%以上的应用场景。

本文借助Plotly Express提供的几个样例库进行密度图、小提琴图、箱线图、地图、趋势图，还有用于实现数据预探索的各种关系图、直方图等基本图形的实现。

plotly介于seaborn和pyechart之间，在表达丰富度形式上优于seaborn，在定制化程度上高于pyechart。

代码示例

1.  import plotly.express as px  

2.  df = px.data.iris().query('species_id==1')  

3.  # marginal_x–'rug' 密度图, 'box' 箱线图, 'violin' 小提琴图, or 'histogram'直方图。  

4.  # 如果设置，则在主图上方绘制一个水平子图，以可视化x分布。  

5.  # marginal_y–地毯、盒子、小提琴或柱状图中的一种。  

6.  # 如果设置，则在主图的右侧绘制一个垂直子图，以显示y分布。  

7.  # 鸢尾花类型=1的sepal_width，sepal_length散点图，x轴为密度图，y轴为直方图  

8.  fig = px.scatter(df, x="sepal_width", y="sepal_length",  

9.  marginal_x="rug", marginal_y="histogram")

10.  fig.show()  

13.  # 鸢尾花类型=1的sepal_width，sepal_length散点图，x轴为箱线图，y轴为小提琴图  

14.  fig = px.scatter(df, x="sepal_width", y="sepal_length",  

15.  marginal_x="box", marginal_y="violin")

16.  fig.show()  

19.  df = px.data.iris()  

20.  # 所有花卉，x轴为箱线图，y轴为小提琴图,颜色以鸢尾花类型分类  

21.  fig = px.scatter(df, x="sepal_width", y="sepal_length",  

22.  color="species", size='petal_length',

23.  hover_data=['petal_width'], hover_name="species",

24.  title="鸢尾花分类展示",

25.  marginal_x="box", marginal_y="violin")

26.  fig.show()  

29.  # 密度热力图，鸢尾花类型=1的sepal_width，sepal_length散点图，x轴为密度图，y轴为直方图  

30.  fig = px.density_heatmap(df.query('species_id==1'),  

31.  x="sepal_width", y="sepal_length",

32.  marginal_x="rug",

33.  marginal_y="histogram"

34.  )

35.  fig.show()  

38.  # 密度热力图，行轴用sex，列轴用smoker进行多维度展示  

39.  df = px.data.tips()  

40.  fig = px.density_heatmap(df, x="total_bill", y="tip",  

41.  facet_row="sex", facet_col="smoker")

42.  fig.show()  

44.  df = px.data.iris()  

45.  # 直方图，只有x轴，箱线图  

46.  fig = px.histogram(df, x="sepal_length", color="species",  

47.  marginal="box")

48.  fig.show()  

51.  # 在原有直方图基础上，增加20个区间  

52.  fig = px.histogram(df, x="sepal_length", color="species",  

53.  marginal="box" ,nbins=20)

54.  fig.show()  

57.  # 箱线图  

58.  fig = px.box(df, x="species", y="sepal_length",  

59.  color='species')

60.  fig.show()  

63.  # 在箱线图上追加散点  

64.  fig = px.box(df, x="species", y="sepal_length",  

65.  color='species',points='all')

66.  fig.show()  

69.  # 散点图矩阵，不指定列会把所有列带出来展示  

70.  df = px.data.iris()  

71.  fig = px.scatter_matrix(df)  

72.  fig.show()  

75.  # 散点图矩阵，以鸢尾花颜色分类  

76.  fig = px.scatter_matrix(df,  

77.  dimensions=["sepal_width", "sepal_length",

78.  "petal_width", "petal_length"],

79.  color="species")

80.  fig.show()  

83.  # 散点图，用年份做列分割，每行限定4列  

84.  df = px.data.gapminder()  

85.  fig = px.scatter(df, x='gdpPercap', y='lifeExp', color='continent', size='pop',  

86.  facet_col='year', facet_col_wrap=4)

87.  fig.show()  

90.  # 地图展示，不过精确度太差  

91.  df = px.data.election()  

92.  # pandas.melt(frame, id_vars=None, value_vars=None,  

93.  # var_name=None, value_name='value', col_level=None)  

94.  # 参数解释：宽数据--->>长数据  

95.  # frame:要处理的数据集。  

96.  # id_vars:不需要被转换的列名。  

97.  # value_vars:需要转换的列名，如果剩下的列全部都要转换，就不用写了。  

98.  # var_name和value_name是自定义设置对应的列名。  

99.  # col_level :如果列是MultiIndex，则使用此级别。  

100.  df = df.melt(id_vars="district", value_vars=["Coderre", "Bergeron", "Joly"],  

101.  var_name="candidate", value_name="votes")

102.  # 获取地图  

103.  geojson = px.data.election_geojson()  

104.  # 地图展示  

105.  fig = px.choropleth(df, geojson=geojson, color="votes", facet_col="candidate",  

106.  locations="district", featureidkey="properties.district",

107.  projection="mercator"

108.  )

109.  fig.update_geos(fitbounds="locations", visible=False)  

110.  fig.show()  

113.  # 条带图  

114.  df = px.data.iris()  

115.  fig = px.strip(df, x="sepal_width", y="sepal_length",  

116.  color="species", facet_col="species")

117.  fig.show()  

120.  # 密度轮廓图  

121.  df = px.data.gapminder().query("year == 2007 | year==1957 | year==1982")  

122.  fig = px.density_contour(df, x="gdpPercap", y="lifeExp", z="pop",  

123.  facet_col="year",color="continent")

124.  fig.show()  

127.  df = px.data.gapminder().query("year == 2007")  

128.  fig = px.density_contour(df, x="gdpPercap", y="lifeExp", z="pop")  

129.  fig.update_traces(contours_coloring="fill",  

130.  contours_showlabels = True)

131.  fig.show()  

134.  # 散点图加趋势线图  

135.  df = px.data.tips()  

136.  fig = px.scatter(  

137.  df, x='total_bill', y='tip', opacity=0.65,

138.  trendline='ols', trendline_color_override='darkblue'

139.  )  

140.  # 散点图加趋势线图  

141.  df = px.data.iris()  

142.  fig = px.scatter(df, x="sepal_width", y="sepal_length",  

143.  color="species", facet_col="species",

144.  trendline='ols',

145.  trendline_color_override='darkblue')

146.  fig.show()  

最后请多多关注，谢谢！