5种炫酷的数据可视动态图，用Python轻松实现

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：

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_coordinates(

df,

dimensions=[

‘IMDB_Rating’, ‘IMDB_Votes’, ‘Production_Budget’, ‘Running_Time_min’,

‘US_Gross’, ‘Worldwide_Gross’, ‘US_DVD_Sales’

],

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

Python所有方向的技术点做的整理，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。

👉Python必备开发工具👈

工欲善其事必先利其器。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。

👉Python全套学习视频👈

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。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

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。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

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！