目录
文章导航
一、介绍
plotly是一个基于javascript的绘图库，python语言对相关参数进行了封装，ploty默认是生成HTML网页文件，通过浏览器查看，也可以在jupyter notebook中显示。
二、安装Plotly Express
pip install plotly
三、导入Plotly Express
import plotly.express as px
四、占比类图表
1、饼图
import plotly.express as px
import pandas as pd
# 假设我们有以下数据
data = {
'类别': ['类别A', '类别B', '类别C', '类别D'],
'值': [20, 30, 15, 35]
}
df = pd.DataFrame(data)
# 绘制饼图
fig = px.pie(df, values='值', names='类别', title='饼图示例')
fig.update_traces(textposition='inside', textinfo='percent+label')
fig.show()
2、环形图
import plotly.express as px
import pandas as pd
# 环形图其实就是带孔的饼图
fig = px.pie(df, values='值', names='类别', title='环形图示例', hole=.3)
fig.update_layout(
font_family="SimHei",
title_font_size=16,
legend_title_text='类别',
legend_font_size=12
)
fig.update_traces(textposition='inside', textinfo='percent+label')
fig.show()
3、堆叠条形图
import plotly.express as px
import pandas as pd
# 假设我们有以下数据，包含多个分类和它们的值
data = {
'年份': ['2020', '2020', '2021', '2021'],
'类别': ['A', 'B', 'A', 'B'],
'值': [10, 15, 20, 25]
}
df = pd.DataFrame(data)
# 绘制堆叠条形图
fig = px.bar(df, x='年份', y='值', color='类别', barmode='stack', title='堆叠条形图示例')
def set_text(trace):
trace.text = [f"{val:.1f}" for val in trace.y]
trace.textposition = 'outside'
fig.for_each_trace(set_text)
fig.show()
4、百分比堆叠条形图
import plotly.express as px
import pandas as pd
# 假设数据
data = {
'年份': ['2020', '2020', '2021', '2021'],
'类别': ['A', 'B', 'A', 'B'],
'值': [10, 15, 20, 25]
}
df = pd.DataFrame(data)
# 计算每个年份的总值，用于计算百分比
df['总值'] = df.groupby('年份')['值'].transform('sum')
df['百分比'] = (df['值'] / df['总值']) * 100
# 绘制堆叠条形图
fig = px.bar(df, x='年份', y='百分比', color='类别', barmode='stack', title='百分比堆叠条形图示例')
# 遍历每个轨迹并设置文本
def set_text(trace):
trace.text = [f"{val:.1f}%" for val in trace.y]
trace.textposition = 'outside'
fig.for_each_trace(set_text)
# 显示图表
fig.show()
五、比较排序类
1、条形图
import plotly.express as px
import pandas as pd
# 假设我们有以下数据
data = {
'类别': ['A', 'B', 'C', 'D'],
'值': [20, 35, 30, 25]
}
df = pd.DataFrame(data)
# 绘制条形图
fig = px.bar(df, x='类别', y='值', title='条形图示例')
# 遍历每个轨迹并设置文本
def set_text(trace):
trace.text = [f"{val:.1f}" for val in trace.y]
trace.textposition = 'outside'
fig.for_each_trace(set_text)
# 显示图表
fig.show()
2、漏斗图
import plotly.express as px
import pandas as pd
data = dict(
number=[10000,7000,4000,2000,1000],
stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel(data,x='number',y='stage')
# 显示图表
fig.show()
3、面积漏斗图
import plotly.express as px
import pandas as pd
data = dict(
number=[10000,7000,4000,2000,1000],
stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel_area(names=data['stage'],values=data['number'])
# 显示图表
fig.show()
六、趋势类图表
1、折线图
import plotly.express as px
import pandas as pd
# 假设的数据集
data = {
'月份': ['1月', '2月', '3月', '4月', '5月', '6月'],
'销售额': [12000, 15000, 18000, 13000, 16000, 19000]
}
# 创建Pandas DataFrame
df = pd.DataFrame(data)
# 使用Plotly Express绘制折线图
fig = px.line(df, x='月份', y='销售额', title='每月销售额趋势', labels={'月份': '月份', '销售额': '销售额'})
# 显示图表
fig.show()
2、多图例折线图
import plotly.express as px
import pandas as pd
# 假设的数据集，包含两个不同类别的销售额
data = {
'月份': ['1月', '2月', '3月', '4月', '5月', '6月'],
'线上销售额': [12000, 15000, 18000, 13000, 16000, 19000],
'线下销售额': [8000, 10000, 12000, 14000, 11000, 13000]
}
# 创建Pandas DataFrame
df = pd.DataFrame(data)
# 使用Plotly Express绘制多图例折线图
fig = px.line(df, x='月份', y=['线上销售额', '线下销售额'], title='每月线上与线下销售额趋势')
# 显示图表
fig.show()
3、分列折线图
import plotly.express as px
import pandas as pd
import numpy as np
# 创建示例数据
np.random.seed(0)
date_rng = pd.date_range(start='2023-01-01', periods=12, freq='M') # 生成12个月的日期范围
categories = ['Category1', 'Category2'] # 分类变量
subcategories = ['Sub1', 'Sub2', 'Sub3'] # 子分类变量
# 生成时间序列数据
df = pd.DataFrame()
for cat in categories:
for subcat in subcategories:
data = np.random.rand(len(date_rng)) # 随机生成数据
df = df.append(pd.DataFrame({
'Date': date_rng,
'Category': cat,
'Subcategory': subcat,
'Value': data
}), ignore_index=True)
# 将Date列转换为pandas的日期格式
df['Date'] = pd.to_datetime(df['Date'])
# 设置Date列为索引，以便在折线图中使用它作为x轴
df.set_index('Date', inplace=True)
# 绘制分列折线图
fig = px.line(df, x=df.index, y='Value', color='Subcategory',
#facet_row='Category', # 按照Category进行分行展示
facet_col='Category', # 按照Category进行分列展示
title='分列折线图示例',
labels={'Value': '数值', 'Subcategory': '子类别'},
width=1000, height=600
)
# 显示图表
fig.show()
4、面积图
import plotly.express as px
import pandas as pd
# 假设的数据集
data = {
'月份': ['1月', '2月', '3月', '4月', '5月', '6月'],
'销售额': [12000, 15000, 18000, 13000, 16000, 19000]
}
# 创建Pandas DataFrame
df = pd.DataFrame(data)
# 计算累积销售额
df['累积销售额'] = df['销售额'].cumsum()
# 使用Plotly Express绘制面积图
fig = px.area(df, x='月份', y='累积销售额', title='累积销售额趋势', labels={'月份': '月份', '累积销售额': '累积销售额'})
# 设置面积图的颜色填充
fig.update_traces(fill='tonexty', fillcolor='lightskyblue')
# 显示图表
fig.show()
5、多图例面积图
import plotly.express as px
import pandas as pd
# 假设的数据集
data = {
'月份': ['1月', '2月', '3月', '4月', '5月', '6月'],
'产品A销售额': [1000, 1200, 1500, 1300, 1600, 1800],
'产品B销售额': [800, 1000, 1100, 1400, 1500, 1700]
}
# 创建Pandas DataFrame
df = pd.DataFrame(data)
# 使用Plotly Express绘制多图例面积图
fig = px.area(df, x='月份', y=['产品A销售额', '产品B销售额'],
title='不同产品销售额趋势',
labels={'月份': '月份', '产品A销售额': '产品A销售额', '产品B销售额': '产品B销售额'},
color_discrete_sequence=['#1f77b4', '#ff7f0e'])
# 更新图表的样式和布局
fig.update_layout(
xaxis=dict(
titlefont=dict(size=16, color='black'),
tickfont=dict(size=12),
),
yaxis=dict(
titlefont=dict(size=16, color='black'),
tickfont=dict(size=12),
),
legend=dict(
x=0.01,
y=0.99,
bgcolor='rgba(255, 255, 255, 0.8)',
bordercolor='rgba(0, 0, 0, 0.5)'
),
font=dict(
size=12,
color='black'
),
plot_bgcolor='rgba(240, 240, 240, 1)', # 设置背景色
paper_bgcolor='rgba(240, 240, 240, 1)', # 设置画布背景色
margin=dict(l=40, r=40, t=60, b=30) # 设置图表边距
)
# 显示图表
fig.show()
七、频率分布类
1、直方图
import plotly.express as px
import numpy as np
# 生成一个正态分布的数据集
np.random.seed(0) # 设置随机种子以便结果可复现
data = np.random.normal(loc=0, scale=1, size=1000) # 生成均值为0，标准差为1的正态分布数据
# 创建一个简单的DataFrame来存储数据
df = pd.DataFrame(data, columns=['值'])
# 绘制直方图
fig = px.histogram(df, x='值', nbins=30, title='数据集的直方图示例',
histnorm='probability density', # 归一化为概率密度
opacity=0.8, # 设置条形的透明度
color_discrete_sequence=['#4E79A7']) # 设置条形的颜色
# 更新布局以美化图表
fig.update_layout(
font_family="SimHei", # 使用支持中文的字体
title_font_size=16, # 标题字体大小
xaxis_title_text='值', # x轴标题
yaxis_title_text='概率密度', # y轴标题
xaxis_tickfont_size=12, # x轴刻度字体大小
yaxis_tickfont_size=12, # y轴刻度字体大小
barmode='overlay', # 设置条形的堆叠模式（如果需要的话）
bargap=0.1, # 设置条形之间的间隙
bargroupgap=0.1 # 设置组之间的间隙
)
# 显示图表
fig.show()
2、箱线图
import plotly.express as px
# 假设我们有以下数据，包含分类列'category'和数值列'value'
data = {
'category': ['A', 'A', 'B', 'B', 'C', 'C', 'D', 'D'],
'value': [1, 2, 5, 4, 3, 7, 6, 8]
}
df = pd.DataFrame(data)
# 绘制箱线图
fig = px.box(df, x='category', y='value', title='箱线图示例')
fig.show()
八、关系类图表
1、散点图
import plotly.express as px
import pandas as pd
import numpy as np
# 创建示例数据
np.random.seed(0)
df = pd.DataFrame({
'x': np.random.randn(200),
'y': np.random.randn(200),
'category': np.random.choice(['A', 'B', 'C'], 200)
})
# 绘制散点图
fig = px.scatter(df, x='x', y='y', color='category',
title='散点图示例',
labels={'x': 'X轴变量', 'y': 'Y轴变量', 'category': '类别'},
width=800, height=600)
# 显示图表
fig.show()
2、分列散点图
import plotly.express as px
import pandas as pd
import numpy as np
# 创建示例数据
np.random.seed(0)
df = pd.DataFrame({
'Category': np.repeat(['A', 'B'], 200),
'X': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),
'Y': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),
'Subcategory': np.tile(['Sub1', 'Sub2', 'Sub3', 'Sub4'], 100)
})
# 绘制分列散点图
fig = px.scatter(df, x='X', y='Y', color='Subcategory',
facet_col='Category',
title='分列散点图示例',
labels={'X': 'X轴数据', 'Y': 'Y轴数据', 'Subcategory': '子类别'},
width=1000, height=600,
facet_col_wrap=2 # 设置每行显示的子图数量
)
# 显示图表
fig.show()
3、气泡图
import plotly.express as px
import pandas as pd
import numpy as np
# 创建一个简单的DataFrame作为示例
np.random.seed(0) # 设置随机种子以便结果可复现
df = pd.DataFrame({
'x': np.random.randn(200), # x轴数据
'y': np.random.randn(200), # y轴数据
'size': np.random.uniform(10, 50, 200), # 气泡大小
'category': np.random.choice(['A', 'B', 'C', 'D'], 200) # 气泡的类别
})
# 使用px.scatter绘制气泡图
fig = px.scatter(df, x='x', y='y', size='size', color='category',
title='气泡图示例',
labels={'x': 'X轴数据', 'y': 'Y轴数据', 'size': '大小', 'category': '类别'},
hover_data=['size', 'category'], # 鼠标悬停时显示的数据
log_x=False, # 是否对X轴使用对数尺度，这里我们不使用
width=800, height=600)
# 显示图表
fig.show()
4、热力图
import seaborn as sns
# 创建随机二维数据矩阵
data = np.random.rand(10, 12)
df_heat = pd.DataFrame(data, columns=[f'Col{i}' for i in range(1, 13)],
index=[f'Row{i}' for i in range(1, 11)])
# 绘制热力图
fig = px.imshow(df_heat,
title='热力图示例',
labels=dict(x="列", y="行", color="值"),
x=df_heat.columns, y=df_heat.index,
color_continuous_scale='viridis',
width=800, height=600)
# 显示图表
fig.show()
5、成对关系图
import seaborn as sns
# 使用内置的iris数据集作为示例
df_iris = px.data.iris()
# 绘制成对关系图
fig = px.scatter_matrix(df_iris,
dimensions=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'],
color='species',
title='成对关系图示例',
width=1000, height=800)
# 显示图表
fig.show()
9021
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
