python制作的5种非传统的可视化图(2)

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

在研究这个或那个指标的演变时，我们常涉及到时间数据。Plotly 动画工具仅需一行代码就能让人观看数据随时间的变化情况，如下图所示：

代码如下：

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()

只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子：

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)’)

太阳图

---

太阳图（sunburst chart）是一种可视化 group by 语句的好方法。如果你想通过一个或多个类别变量来分解一个给定的量，那就用太阳图吧。

假设我们想根据性别和每天的时间分解平均小费数据，那么相较于表格，这种双重 group by 语句可以通过可视化来更有效地展示。

这个图表是交互式的，让你可以自己点击并探索各个类别。你只需要定义你的所有类别，并声明它们之间的层次结构（见以下代码中的 parents 参数）并分配对应的值即可，这在我们案例中即为 group by 语句的输出。

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()

现在我们向这个层次结构再添加一层：

为此，我们再添加另一个涉及三个类别变量的 group by 语句的值。

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()

平行类别

---

另一种探索类别变量之间关系的方法是以下这种流程图。你可以随时拖放、高亮和浏览值，非常适合演示时使用。

代码如下：

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()

平行坐标图

平行坐标图是上面的图表的连续版本。这里，每一根弦都代表单个观察。这是一种可用于识别离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比如如果两个变量在每个观察上的值都相近，那么它们将位于同一水平线上，表示存在冗余）的好用工具。

代码如下：

如果你也是看准了Python，想自学Python，在这里为大家准备了丰厚的免费学习大礼包，带大家一起学习，给大家剖析Python兼职、就业行情前景的这些事儿。

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

四、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

五、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

成为一个Python程序员专家或许需要花费数年时间，但是打下坚实的基础只要几周就可以，如果你按照我提供的学习路线以及资料有意识地去实践，你就有很大可能成功！
最后祝你好运！！！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！