5种可视化效果，以升级您的数据故事
作者 | Liana Mehrabyan
来源 | Medium
编辑 | 代码医生团队
讲故事是数据科学家必不可少的技能。为了传达想法和说服力，需要有效的沟通。美学可视化是实现这一目标的绝佳工具。在本文中，将介绍5种超越经典的可视化技术，这些技术可以使数据故事更加美观和有效。将在python中使用Plotly图形库（R中也可用），该库以最少的工作量提供了动画和交互式图。
Plotly有什么好处
图表高度可集成：它们可与jupyter笔记本一起使用，可嵌入网站中并与Dash完全集成，Dash是构建仪表板和分析应用程序的绝佳工具。
https://plotly.com/dash/
入门
如果尚未安装，只需在终端中运行以下命令：
pip install plotly1.动画
工作通常涉及时间数据，在其中研究此或该指标的演变。绘图动画是仅用一行代码即可观察数据如何随时间变化的好工具。
import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,
y="Entity",
x="Deaths",
animation_frame="Year",
orientation='h',
range_x=[0, df.Deaths.max()],
color="Entity")
# improve aesthetics (size, grids etc.)
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)',
title_text='Evolution of Natural Disasters',
showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()只要有一个要过滤的时间变量，几乎任何情节都可以设置动画。动画散点图的示例：
import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(
df,
x="gdpPercap",
y="lifeExp",
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)')2.森伯斯特图
森伯斯特图表是一种通过语句可视化团队的好方法。如果要通过一个或多个分类变量分解给定数量，请使用森伯斯特图。
假设想细分每个性别和一天中的时间的平均小费金额。这是一个按语句分组的双重语句，可以通过可视化而不是表输出有效地进行传递：
该图是交互式的，使可以单击并自行浏览每个类别。所需要做的就是定义所有类别，声明它们之间的层次结构（请参见代码中的parents参数）并分配相应的值，这将是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，在层次结构中添加另一层：
为此，将涉及三个类别变量的另一组语句添加到另一个值中。
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()3.平行类别
探索分类变量之间关系的另一种好方法是此流程图。可以随时随地拖放，突出显示和浏览值，这非常适合演示。
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()4.平行坐标
平行坐标图是以上图的连续版本。在这里，每个和弦代表一个观察。这是一个出色的工具，可用于发现离群值（与其余数据隔离的单线程），聚类，趋势和冗余变量（例如，如果每个观察值的两个变量具有相似的值，则它们将位于水平线上并表示冗余） 。
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'
],
color='IMDB_Rating',
color_continuous_scale=px.colors.sequential.Emrld)
fig.show()5.仪表图和指标
量表仅用于美学。它们是报告某些成功指标或KPI并将其与目标关联的好方法。
指标在业务和咨询方面非常有用。它们通过文字标记来补充视觉效果，吸引观众的注意力并传达增长指标。
import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
domain = {'x': [0, 1], 'y': [0, 1]},
value = 4.3,
mode = "gauge+number+delta",
title = {'text': "Success Metric"},
delta = {'reference': 3.9},
gauge = {'bar': {'color': "lightgreen"},
'axis': {'range': [None, 5]},
'steps' : [
{'range': [0, 2.5], 'color': "lightgray"},
{'range': [2.5, 4], 'color': "gray"}],
}))
fig.show()import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
title = {'text': "Success Metric"},
mode = "number+delta",
value = 300,
delta = {'reference': 160}))
fig.show()
fig = go.Figure(go.Indicator(
title = {'text': "Success Metric"},
mode = "delta",
value = 40,
delta = {'reference': 160}))
fig.show()就是这样！
希望觉得这个有帮助。待在家里，保持安全，保持生产力。
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2020-04-09，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读