Python数据可视化神器Plotly：小白指南篇

先插一个我觉得特别好的教程
或者说是范例?
简单易懂的plotly范例
超详细的教程
这边还是安利一下百度echart这个应用，数据可视化很强大，很炫酷，想了解的话可以去官网了解以下

Plotly简介

• Plotly是一个基于Javascript的绘图库。相比matplotlib使用更为便捷，效果也非常美观
• Plotly的保存与分享很方便，可以与Web应用集成，分享后的效果与本机现实一致
• Plotly的默认绘图结果是Html网页文件

Plotly基础

Plotly基本使用

（使用jupyter notebook进行编写）

plotly绘制二维图像

折线图

首先安装plotly。使用国内源pip install plotly -i https://pypi.mirrors.ustc.edu.cn/simple会快一点。
然后就可以进行导入了。

• 首先导入plotly库

import plotly

• 然后用pandas导入已经准备好的数据集

import pandas as pd


data = pd.read_csv('path/database.csv')

导入数据集后，假设要绘制以名为dataA的列数据为自变量(x)，以名为dataB的列数据为应变量(y)。
首先需要提取两列的内容（以列表的形式），并预览。
（写的时候小心传入字符串时不要忘记写 ’ '）

data['dataA'], data['dataB']

截取一段数据的话可以对数据进行逻辑运算，如：

data1 = data[(data['dataA'] >= '_data01') & (data['dataA'] <= 'data02')]

绘图工具一般是plotly中的graph_objects工具，因此对该工具进行导入。
因此对该工具进行导入。

import plotly.graph_objects as go

进行绘图。
plotly中画线和画点都使用Scatter方法。

#首先画一条线
line = go.Scatter(x=data['dataA'],y=['dataB'])
#其次创建一个图表fig用来显示这条线
fig = go.Figure(line)
#显示
fig.show()

此时我遇到的问题是图像无法显示…就是一片空白orz，各种方法都不好使，所以转战pycharm。所有的代码还是原样输入pycharm运行，世界都清净了。
跑出图以后点右上角小摄像机图标可以下载图片。
如果需要同时画多条曲线，则需要将代码更改为：

#首先画一条线
line1 = go.Scatter(x=data['dataA'],y=['dataB'])
line2 = go.Scatter(x=data['dataC'],y=['dataD'])
#其次创建一个图表fig用来显示这条线
fig = go.Figure([line1,line2])
#显示
fig.show()

条形图

基本同上，把绘图命令直接修改为：

bar = go.Bar(x='dataA', y='dataB')

在使用条形图时，有时需要在条形图上方显示数字等操作。实现代码如下：
(textposition可更改为’auto’, ‘inside’, ‘outside’)

bar = go.Bar(x='dataA', y='dataB', text='dataB', textposition='auto')

如果需要两组数据对比，则在fig=go.figure中添加一组数据，效果如下

直方图

基本同上。但是这边只需要传入一个参数，如下：

hist = go.Histogram(x=data['DataB'])
fig = go.Figure(hist)
fig.show()

hist中有一个常用参数：bargap，至每一段图的间距，修改如下：

fig.update_layout(
    bargap=0.1
)

修改后与修改前对比如下：

另一个常用参数，用于更改每条bar的间距，也就是组距：用xbins修改。

hist = go.Histogram(x=data['DataB'], xbins={size:10})

散点图

与折线图同样使用Scatter，但需要在命令中加入新的参数：mode='markers’：

points = go.Scatter(x=data['Data1'],  y=data['Data2'], mode='markers')

散点图一般负责表达趋势、规律。所以需要更多的参数来更改图表中的点的表现。

• 改变部分点的颜色

代码加入marker参数。marker传入一列数据如data3，表示按照data3来将颜色分为不同的类。注意，color中传入的参数必须是数字或颜色，因此需要把用来区分的data转换为数字。
这种转换实现的传统方法思路如下：

#按照data3这列数据分类
#找出所有的类的名字及类的数量
#返回一个列表，例如：
#Index(['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'], dtype='object', name='Name')
data.groupby('Name').count().index
#知道所有类后，编写一个字典
#使每个类都对应一种颜色
name_to_color = {
    'name1':0,
    'name2':1,
    'name3':2
}
#最后给数据集加入新的一列：color
#把name映射到新的一列
data['color'] = data['Name'].map(name_to_color)
#给点上色
points = go.Scatter(x=data['Data1'], 
 y=data['Data2'], 
 mode='markers'，
 marker={'color': data['data3']}
 )

但是potly给出了自己的方法：express，用法如下

from plotly import express as px
fig = px.scatter(data, x=data['data1'], y=data['data2'],color=data['data3'])
fig.show()

而且还会自动更改图例！效果如图：
（标签是我自己加的）

而且express在多维度绘图中也表现极佳
以众所周知的鸢尾花数据集为例

import plotly
from plotly import graph_objects as go
import pandas as pd
from plotly import express as px


data = pd.read_csv('C:/Users/MI/Documents/学习/data/iris.csv')
fig = px.scatter_matrix(data, color='Name',                        dimensions=['SepalLength','SepalWidth','PetalLength','PetalWidth'])
fig.show()
#dimension即维度，不写的话会有多余的图像

Plotly绘制三维图像

同样使用plotly.graph_objects进行绘图，导入plotly.graph_objects和pandas同二维图。

折线图

绘制方法和二位相似，只不过需要使用Scatter3d方法绘制。代码如下：

line = go.Scatter3d(x=data['x'], y=data['y'], z=data['z'])
fig = go.Figure(line)
fig.show()

这种方法会把所有的数据点和折线都画出来。如果不需要画点/线的话，绘图时加入参数mode：
只画点：mode=‘markers’
只画线：mode=‘lines’

line = go.Scatter3d(x=data['x'], y=data['y'], z=data['z'], mode='lines')

如果要更改点的大小和颜色：在如上的代码行加入参数markers，假设设置大小为5、颜色为红色，即marker={‘size’ : 5, ‘color’ : ‘red’}

from plotly import graph_objects as go
import pandas as pd


line = go.Scatter3d(x=data['x'], y=data['y'], z=data['z'], mode='markers'
, marker={'size' : 5, 'color' : 'red'})
fig = go.Figure(line)
fig.show()

如果使用express方法绘图，代码如下：

from plotly import graph_objects as go
import pandas as pd
from plotly import express as px

data = pd.read_csv('C:/Users/MI/Documents/学习/data/3d-line1.csv')

fig = px.scatter_3d(x=data['x'], y=data['y'], z=data['z'], color=data['color'])

fig.show()

Plotly图表优化

在go.Scatter中，可以加入其他各种参数。一般常用参数如下：

• name：
  表示图线名称。显示在图例中。

line = go.Scatter(x=data['data1'], y=data['data2'], name='data_name')

• title：图表名
• xaxis_title/yaxis_title：相当于matplotlib中的xlable/ylable，坐标轴标签
• tickmode: 刻度类型。可自行更改为：‘str‘即字符串型，’auto’表示自动根据输入的数据来决定，’linear’表示线性的数值型，’array’表示由自定义的数组来表示（用数组来自定义刻度标签时必须选择此项）
• tickvals：坐标轴刻度标签的替代（tickmode此时必须被设置为’array’）
• ticktext: 标签值
  (以上参数修改方法如下)

fig.update_layout(
    title='title',
    xaxis_title='xlable',
    yaxis_title='ylable',
)

• 改变点的大小
  此处data[‘size’]是我根据数据集中的某一类名称映射的列表

fig = px.scatter(data, x=data['SepalLength'], y=data['PetalLength'],
                 color=data['Name'], size=data['size'],size_max=5)