python简单进阶之数据可视化：Plotly Express使用教程

这是简单进阶教程系列第三篇，本系列文章主要介绍那些可以很快上手的进阶库。

说起数据可视化，大多数人第一反应是matplotlib，我以前也尝试过。但是，一方面是matplotlib设置稍微有点复杂，另一方面是它有点丑（也可能是我不会调），思来想去还不如直接用excel作图呢，于是一直也没有python作过图。但是后来发现了这样一款神器Plotly Express，不仅设置简单，刚好和我比较熟练的DataFrame联系起来了。而且颜值巨高，那还说什么，学起来。

先看看它的颜值有多高：

https://pan.yanshu.work/article/pic.html

安装导入

pip install plotly_express # 安装
import plotly.express as px # 导入

IDE中无法显示图像？

Plotly貌似只能在Jupyter中直接显示，而在代码编辑器中，如Spyder，无法直接显示。一个间接的解决方案是利用浏览器显示，下面是一个示例。（来源于http://liyangbit.com/pythonvisualization/Plotly-Express-IDE/）

import plotly.express as px
import plotly
plotly.offline.init_notebook_mode(connected=True)

iris = px.data.iris()
iris_plot = px.scatter(iris, x='sepal_width', y='sepal_length',
           color='species', marginal_y='histogram',
          marginal_x='box', trendline='ols')

plotly.offline.plot(iris_plot)

Plotly生成的图像居然是可交互式的，太完美了。

使用方法

散点图

import plotly.express as px
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", y="sepal_length")
fig.show() # Jupyter中有用

按种类上色

fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species")

在散点图上添加频率分布直方图，散点图右添加rug图

fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species", marginal_y="rug", marginal_x="histogram")

添加趋势线

fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species",trendline="ols")

给每个点添加一个范围

df["e"] = df["sepal_width"]/100
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species", error_x="e", error_y="e")

其中error_x是x方向的范围，error_y是y方向的范围

多重分类散点图

import plotly.express as px
df = px.data.tips()
fig = px.scatter(df, x="total_bill", y="tip", facet_row="time", facet_col="day", color="smoker", trendline="ols",
          category_orders={"day": ["Thur", "Fri", "Sat", "Sun"], "time": ["Lunch", "Dinner"]})

横向按周几分，纵向按时间分，category_orders可以不加，但是没有这个参数，它就会按默认的顺序排列

气泡图

本质上和散点图一样，加上size='col_name'即可生成

df = px.data.gapminder()

fig = px.scatter(df.query("year==2007"), x="gdpPercap", y="lifeExp", size="pop", color="continent",
           hover_name="country", log_x=True, size_max=60)

就是按照2007年数据，气泡大小与人口有关（size="pop"），气泡显示标题为国家名（color="continent"），对x轴取对数，气泡最大60

动态气泡图

df = px.data.gapminder()
fig = px.scatter(df, x="gdpPercap", y="lifeExp", animation_frame="year", animation_group="country",
           size="pop", color="continent", hover_name="country", facet_col="continent",
           log_x=True, size_max=45, range_x=[100,100000], range_y=[25,90])

最重要的参数就是animation_frame="year"，它表示按年份绘制动态气泡图，至于animation_group，说实话我不知它有啥用，删掉好像也没有影响

下面图其实是动图，但我懒得录制gif了……

矩阵散点图

矩阵散点图

df = px.data.iris()
fig = px.scatter_matrix(df)

简单来说就是把df中所有变量（列名）按照不同方式进行组合然后作散点图

矩阵散点图选定几个变量

fig = px.scatter_matrix(df, dimensions=["sepal_width", "sepal_length", "petal_width", "petal_length"], color="species")

有时候我只想看其中几个变量的相关关系

三元散点图

df = px.data.election()
fig = px.scatter_ternary(df, a="Joly", b="Coderre", c="Bergeron", color="winner", size="total", hover_name="district",
                   size_max=15, color_discrete_map = {"Joly": "blue", "Bergeron": "green", "Coderre":"red"} )

3D散点图

df = px.data.election()
fig = px.scatter_3d(df, x="Joly", y="Coderre", z="Bergeron", color="winner", size="total", hover_name="district",
                  symbol="result", color_discrete_map = {"Joly": "blue", "Bergeron": "green", "Coderre":"red"})

symbol="result"指的是按结果设置不同的图例形状

雷达散点图

df = px.data.wind()
fig = px.scatter_polar(df, r="frequency", theta="direction", color="strength", symbol="strength")

平行图

平行坐标图

平行坐标图主要分析多维变量之间的关系

df = px.data.iris()
fig = px.parallel_coordinates(df, color="species_id", labels={"species_id": "Species",
                  "sepal_width": "Sepal Width", "sepal_length": "Sepal Length",
                  "petal_width": "Petal Width", "petal_length": "Petal Length", },
                    color_continuous_scale=px.colors.diverging.Tealrose, color_continuous_midpoint=2)

label是个字典，主要是把变量名改成容易理解的标签，可以去掉，那么图上显示的就是变量名。

color_continuous_scale貌似是指色域范围，感觉没有必要掌握，color_continuous_midpoint也一样。（这两参数都是可以去掉的）

平行类别图

df = px.data.tips()
fig = px.parallel_categories(df, color="size", color_continuous_scale=px.colors.sequential.Inferno)

折线图

df = px.data.gapminder()
fig = px.line(df, x="year", y="lifeExp", color="continent", line_group="country", hover_name="country",
        line_shape="spline", render_mode="svg")

line_group参数去掉后，线的密集程度明显增加了。

line_shape="spline"大概是折线的样式，

render_mode="svg"这次必须带这个参数

三元折线图

df = px.data.election()
fig = px.line_ternary(df, a="Joly", b="Coderre", c="Bergeron", color="winner", line_dash="winner")

line_dash="winner"，使折线变成不同样式（实线、虚线等）

3D折线图

df = px.data.election()
fig = px.line_3d(df, x="Joly", y="Coderre", z="Bergeron", color="winner", line_dash="winner")

雷达折线图

df = px.data.wind()
fig = px.line_polar(df, r="frequency", theta="direction", color="strength", line_close=True)

line_close=True指的是折线是否首尾相接

面积图

df = px.data.gapminder()
fig = px.area(df, x="year", y="pop", color="continent", line_group="country")

等高线图

df = px.data.iris()
fig = px.density_contour(df, x="sepal_width", y="sepal_length")

热力图

df = px.data.iris()
fig = px.density_heatmap(df, x="sepal_width", y="sepal_length")

条形图

df = px.data.tips()
fig = px.bar(df, x="sex", y="total_bill", color="smoker", barmode="group")

barmode="group"指的是是否按照smoker分开展示。用图说明吧，下面第一张图是带参数的，第二张图是不带参数的。

雷达条形图

df = px.data.wind()
fig = px.bar_polar(df, r="frequency", theta="direction", color="strength", template="plotly_dark")

直方图

df = px.data.tips()
fig = px.histogram(df, x="total_bill", y="tip", color="sex", marginal="rug", hover_data=df.columns)

hover_data=df.columns展示相应数据的所有信息，必须与marginal连用才有效

类似地，可以添加barmode="group"参数以分开展示

带状图

df = px.data.tips()
fig = px.strip(df, x="total_bill", y="time", orientation="h", color="smoker")

orientation="h"，水平方向绘图

箱型图

df = px.data.tips()
fig = px.box(df, x="day", y="total_bill", color="smoker", notched=True)

notched=True是下面的形状，如果notched=False，那么就完全变成蜡烛图了。

小提琴图

df = px.data.tips()
fig = px.violin(df, y="tip", x="smoker", color="sex", box=True, points="all", hover_data=df.columns)

box=True为是否展示里面的小箱子，points="all"为是否展示小提琴旁边的点，hover_data=df.columns为是否详细展示所有数据点信息

地图

用Poltly Express制作地图，可以离线用的只有世界地图，其他类型的地图需要申请token（大概是在这里申请的：https://www.mapbox.com/）。或者自己制作，可以在github上找如“China geojson”类型的json数据。等我以后尝试一下看怎么做

给个例子：

df = px.data.gapminder()
fig = px.choropleth(df, locations="iso_alpha", color="lifeExp", hover_name="country", animation_frame="year", range_color=[20,80])

总结

基本用法px.pic_type(df,x='col_name',y='col_name')

注意：三元图（三元折线图、三元散点图），x,y变成a,b,c了

3D图是xyz

雷达图是r,theta

图片种类：

scatter，散点图
scatter_matrix，矩阵散点图
scatter_ternary，三元散点图
scatter_3d，3D散点图
scatter_polar，雷达散点图
line，折线图
line_ternary，三元折线图
line_3d，3D折线图
line_polar，雷达折线图
area，面积图
density_contour，等高线图
density_heatmap，热力图
bar，条形图
bar_polar，雷达条形图
histogram，直方图
strip，带状图
violin，小提琴图
box，箱形图

通用参数：

template="plotly_dark"，图片模板
color="col_name" 按某一列的种类进行着色
color_discrete_map = {"col_name": "blue", "col_name": "green", "col_name":"red"}，设定不同的颜色
symbol="col_name"按某一列的种类设置不同的形状
marginal_x="pic_type"在图片上方添加一个同样数据做出来的其他类型图
marginal_y="pic_type"在图片右方添加一个同样数据做出来的其他类型图
labels=dict把变量名改成标签
facet_row="col_name"横向分成小图
facet_col="col_name"纵向分成小图
category_orders=dict小图按顺序排列（可选）
color_continuous_scale=px.colors.sequential.Viridis，color_continuous_midpoint=2都是颜色参数，不要也可
range_x=[100,100000]x轴范围，y轴类似
hover="col_name"，元素标题（比如设置为country，那么折线图中每一条线的标题即国家名，气泡图中每个气泡的标题是国家名）
render_mode="webgl"不知道是个啥东西，有些好像必须带这个参数比如折线图第一个案例

散点图参数

trendline="ols"趋势线
error_x='col_name'是给点加上x方向的范围
error_y='col_name'是给点加上y方向的范围

气泡图参数（其实还是scatter）

size="col_name"，气泡大小影响因素
log_x=True，对x轴取对数
size=60，气泡最大大小
animation_frame="col_name"动态气泡图按指定参数动（比如年份）（加上这个参数就能动了）

矩阵散点图参数

dimensions=list 选定的参数列表

折线图参数

line_group="col_name"
line_shape="spline"
render_mode
line_dash="col_name"最好和color的值一样，使折线变成不同样式（如虚线）（包括三元折线图）

面积图参数

line_group="col_name"

条形图、直方图参数

barmode="group"，是否分开展示？
marginal="pic_type"在图片上方添加一个同样数据做出来的其他类型图
hover_data=df.columns展示相应数据所有信息

带状图参数

orientation="h"，水平方向绘图

箱型图参数

notched=True

小提琴图

box=True为是否展示里面的小箱子
points="all"为是否展示小提琴旁边的点
hover_data=df.columns为是否详细展示所有数据点信息

图片保存

保存为html

fig.write_html("file.html")
fig.write_html("file.html",include_plotlyjs='cdn') # 意味着你生成的html中引用了官方的CDN资源，这样会减小html大小，但同时也使其离线不可用。

保存为静态图片

首先你需要安装orca，官方说可以pip或conda安装

conda install -c plotly plotly-orca

但是我并没有成功，因此只能下载二进制文件安装了。

首先在https://github.com/plotly/orca/releases找到适合你系统的版本，我的是windows，因此就下载windows-release.zip。（其他系统参考https://github.com/plotly/orca）

然后解压缩，点击exe文件安装。

安装完毕后桌面会出现orca的快捷图标，右键打开属性菜单，复制起始位置的路径，然后添加该路径到系统变量。

打开cmd，输入orca --help，若能正常输出则说明安装成功。

接着重启编辑器，就可以成功生成图片啦。

fig.write_image("fig1.png") # 生成png格式
fig.write_image("fig1.jpeg") # 生成jpeg格式
fig.write_image("ifig1.webp") # 生成webp格式
fig.write_image("fig1.svg") # 生成svg格式
fig.write_image("fig1.pdf") # 生成pdf格式
fig.write_image("fig1.eps") # 这个好像还需要再安装poppler，算了算了

png，jpg，webp都好模糊啊，还不如我在html上截图呢……

报错解决

ImportError: cannot import name 'factorial'

原因：Plotly_Express依赖了scipy这个库的一个misc模块，但是由于最新版本的scipy中，scipy.misc 已经迁移到 scipy.special 里面了，所以提示无法找到

解决方案：

一、scipy降级成1.2.1

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scipy==1.2.1

二、按照提示的路径，把scipy.misc都改成 scipy.special

比如我的路径是C:\Users\51445\Anaconda3\Lib\site-packages\statsmodels，只要把这个文件夹拖到VScode中然后批量替换即可

版权属于：作者名称
本文链接：https://www.sitstars.com/archives/84/
转载时须注明出处及本声明

页面

分类

python简单进阶之数据可视化：Plotly Express使用教程