作者 | 阳哥
出品 | Python数据之道 （ID：PyDataLab）
大家好，我是阳哥。今天跟大家分享的是 Plotly Express 的详细使用教程。
Plotly Express 是 Python 交互式可视化库 Plotly 的高级组件，受 Seaborn 和 ggplot2 的启发，它专门设计为具有简洁，一致且易于学习的 API ：只需一次导入，您就可以在一个函数调用中创建丰富的交互式绘图，包括分面绘图（faceting）、地图、动画和趋势线等。
使用 Plotly Express 可以轻松地进行数据可视化，一旦导入Plotly Express（通常简称 px ），大多数绘图只需要一个函数调用，接受一个整洁的 Pandas dataframe，并简单描述你想要制作的图。如果你想要一个基本的散点图，它只是px.scatter（dataframe，x =“column_name”，y =“column_name”）。
Plotly Express 语法简洁，同时功能强大，可以绘制咱们遇到的大部分图表类型，比如线形图、散点图、柱状图、面积图、树形图、旭日图、甘特图等，本文将从如下20个方面，详细介绍 Plotly Express 的使用，看完内容介绍后，相应你也会喜欢上这个工具的。
部分动态图如下：
Plotly 以及 Plotly Express 是交互式可视化工具，阳哥录制了一段简短的视频，来展示下其强大与优雅之处。（建议将视频最大化后横屏浏览）
00 环境与数据准备
环境准备
现在 Plotly Express 不需要单独安装，它是包含在 Plotly 中的，用 pip install plotly 命令可以安装 Plotly，如果你用的是 Anaconda，也可以用 conda install plotly 命令来安装，然后导入如下：
import plotly.express as px
本文中，还用到 Pandas 等工具，完整的导入如下：
import plotly.express as px
import plotly.io as pio
import plotly.graph_objects as go
import pandas as pd
本文代码测试的时候，使用的环境如下：
Mac系统
Jupyter Notebook
Python版本为 v3.8
Plotly version: 5.1.0
Pandas version: 1.3.0rc1
数据准备
本文涉及的图形种类比较多，原本阳哥想用一份数据来覆盖这些图形的，后来发现不太现实，因此使用了多份数据。
对于大部分图形，阳哥在文中使用的是 covid-19 的数据，此外，还使用了跟股票投资相关的一些数据。
这里，先介绍下 covid-19 相关的数据。
我们需要读取并整理出需要的DataFrame，以便在后续可视化时使用。
分为三个小的步骤
(a) 读取数据及调整格式
data = pd.read_csv('./data/covid-19.csv',parse_dates=['date'],index_col=0)
# 将数据复制一份
df_all = data.copy()
# 将时间格式转为字符串格式的日期，以 YYYY-mm-dd 的形式保存
df_all['dates'] = df_all['date'].apply(lambda x:x.strftime('%Y-%m-%d'))
# 添加现存确诊列
df_all['current'] = df_all['confirmed'] - df_all['cured'] - df_all['dead']
df_all.fillna('', inplace=True)
print(df_all.info())
df_all
(b) 获取全球的数据
# 国内总计数量
df_cn = df_all.query("country=='中国' and province==''")
df_cn = df_cn.sort_values('date',ascending=False)
# 国外，按国家统计
df_oversea = df_all.query("country!='中国'")
df_oversea = df_oversea.fillna(value="")
df_oversea = df_oversea.sort_values('date',ascending=False)
df_global = df_cn.append(df_oversea)
df_global = df_global.sort_values(['country','date'])
df_global
(c) 更新全球的数据
countries_all = list(df_global['country'].unique())
df_global_new = pd.DataFrame()
for item in countries_all:
df_item = df_global.query('country==@item')
df_i = df_item.copy(deep=False)
df_i['new-confirmed'] = df_i['confirmed'].diff()
df_i['new-cured'] = df_i['cured'].diff()
df_global_new = df_global_new.append(df_i)
df_global_new = df_global_new.dropna()
df_global_new
这两个 DataFrame：df_global 和 df_global_new我们会在后续可视化时多次用到。
说明：
文中使用的数据文件，在文末提供获取方式。
01 线形图（Line）
线形图是所有可视化工具中最常见的图表之一，在 px 中，用 px.line() 来进行可视化。
单条曲线
def plot_line():
df = df_global.groupby('date')[['confirmed','current','cured','dead']].sum()
df['new-confirmed'] = df['confirmed'].diff()
df = df.dropna()
df = df.sort_index().loc['20200122':,:]
fig = px.line(df,x=df.index,y='confirmed')
return fig
fig = plot_line()
# fig.write_image('./images/px/01-line-1.png')
fig.show()
代码函数说明：
需要说明的是，在最简洁的情况下，绘制线形图只需要用 px.line(df,x =“column_name”，y =“column_name”) 来绘制即可，比如上面示例中的 px.line(df,x=df.index,y='confirmed')
由于本文涉及可视化图表比较多，需要调整的DataFrame也比较多，因此，阳哥一般以自定义函数的形式进行封装，这样显得逻辑要清楚些。
实际上， Plotly Express 默认的可视化，一般就是一行代码，这点咱们需要在脑海里有个印象。
同时，在本文后续的图表可视化中，也是以这种形式进行的。
图片保存
在使用 Plotly 绘制图片时，是可以将静态图片保存下来的，具体方法请前往下面的链接查看：
多条曲线绘制
在 Plotly v4.8 版本以后，支持同时绘制多条曲线，其语法格式为 px.line(df,x =“column_name”，y =[“column_name_1”,“column_name_2”,“column_name_3”,……])
示例如下：
def plot_line_multi():
df = df_global.groupby('date')[['confirmed','current','cured','dead']].sum()
df['new-confirmed'] = df['confirmed'].diff()
df = df.dropna()
df = df.sort_index().loc['20200122':,:]
fig = px.line(df,x=df.index,y=['confirmed','current','dead'])
return fig
fig = plot_line_multi()
# fig.write_image('./images/px/01-line-2.png')
fig.show()
分列绘制曲线
Plotly Express 支持绘制分列或行的曲线图，通过设置参数 facet_row 或 facet_col 来实现，示例如下：
# 绘制分列或行的曲线图
def plot_line_facet():
df = df_global_new.set_index('date').loc['20201204':'20201208',:]
countries_list = ['美国','印度','俄罗斯','巴西','法国']
df = df[df['country'].isin(countries_list)]
fig = px.line(df,
x=df.index,
y='new-confirmed',
color='country',
line_group='country',
facet_col='country',
# log_y=True,
)
fig.update_traces(mode='markers+lines')
return fig
fig = plot_line_facet()
# fig.write_image('./images/px/01-line-3.png')
fig.show()
在 Plotly Express 中，不止 px.line() 支持参数 facet_row 或 facet_col ，还有其他一些图形也是支持的，比如散点图、柱状图等，大家可以在 Jupyter Notebook 中查看其是否有这两个参数：
02 面积图（Area）
面积图，跟线形图有点类似，曲线下带阴影面积，因此称之为面积图。
Plotly Express 中通过 px.area() 来实现，示例如下：
# 绘制填充的面积曲线图
def plot_area():
df = df_global_new.set_index('date').loc['20200904':'20201208',:]
countries_list = ['美国','印度','俄罗斯','巴西','法国']
df = df[df['country'].isin(countries_list)]
fig = px.area(df,
x=df.index,
y='confirmed',
color='country',
line_group='country'
)
return fig
fig = plot_area()
# fig.write_image('./images/px/02-area-1.png')
fig.show()
03 散点图（Scatter）
散点图，也是咱们常用的图形之一，Plotly Express 中通过 px.scatter() 来实现，示例如下：
def plot_scatter_line():
df = df_global.groupby('date')[['confirmed','current','cured','dead']].sum()
df['new-confirmed'] = df['confirmed'].diff()
df = df.dropna()
df = df.sort_index().loc['20200122':,:]
fig = px.scatter(df,x='confirmed',y='dead')
return fig
fig = plot_scatter_line()
# fig.write_image('./images/px/03-sactter-1.png')
fig.show()
上面这张图，初看起来，跟线形图有点类似，实际它是散点图，只是点比较密集。
再来看一个示例，对全球多个国家的数据进行可视化后，散点分布就明显了：
def plot_scatter():
df = df_global_new.set_index('date').loc['20201208':'20201208']
df = df.sort_values('confirmed',ascending=False).head(30)
fig = px.scatter(df,x='confirmed',y='dead',
color='country',size='confirmed'
)
return fig
fig = plot_scatter()
# fig.write_image('./images/px/03-sactter-2.png')
fig.show()
散点矩阵图
在 Plotly Express 中，针对散点矩阵图，专门有一个API来实现 px.scatter_matrix()，示例如下：
def plot_scatter_matrix():
df = df_global_new.set_inde
最低0.47元/天 解锁文章
974
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
