Python也太好用了吧！一个plotly库就能实现交互式数据可视化
在本文中，我们将学习如何在Python中创建交互式可视化。我们将从仅仅以不同格式绘制数据开始，然后再探索添加更多交互式控件。
今天，我们将学习如何使用Plotly express。Plotly允许用户在肉眼可见的可视化界面上进行数据交互，并且与Web内容集成起来要容易得多。
plotly express简介
plotly express是 plotly 包装器，它允许使用更简单的语法。
受Seaborn和ggplot2的启发，它经过专门设计，具有简洁、一致且易于学习的API：只需一次导入，你就可以在一个函数调用中创建丰富的交互式图，包括刻面、地图、动画和趋势线。
如果你想了解更多信息，可访问Plotly的官方文档： https://medium.com/plotly/introducing-plotly-express-808df010143d
只需要两行代码，你就可以拥有一个漂亮的交互式图表，非常简单：
import plotly.express as px fig = px.line(x='x data set', y= 'y data set') fig.show() 数据来源及准备
在本文中，我们将使用COVID-19数据集。
我们将使用以下代码来获取和格式化数据：
import plotly.express as px import numpy as np import pandas as pd url = 'https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv' df = pd.read_csv(url, delimiter=',', header='infer') df_interest = df.loc[ df['Country/Region'].isin(['United Kingdom', 'US', 'Italy', 'Brazil', 'India']) & df['Province/State'].isna()] df_interest.rename( index=lambda x: df_interest.at[x, 'Country/Region'], inplace=True) df1 = df_interest.transpose() df1 = df1.drop(['Province/State', 'Country/Region', 'Lat', 'Long']) df1 = df1.loc[(df1 != 0).any(1)] df1.index = pd.to_datetime(df1.index) df1 = df1.diff() #数据每日变化 创建图表
1、线图
要在图形上添加一个国家的疫情数据可视化，我们只需要两行代码：
fig = px.line(x=df1.index, y= df1[df1.columns[0]],title = 'Daily Deaths due to COVID-19', name = df1.columns[0]) fig.show() 单线图
要添加更多国家的数据，我们需要.add_scatter（）属性。通过使用循环，我们可以添加所有范围内的国家。
fig = px.line() for i,n in enumerate(df1.columns): fig.add_scatter(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i]) 多线图
最后，我们可以考虑在图中添加更多的细节，个人喜欢在图中突出显示不同的数据点。
fig.update_traces(mode='markers+lines') 带标记的图形
最后，添加相关的轴标签，设置字体大小并替换默认模板。
fig.update_layout( title = 'Daily Deaths due to COVID-19' ,xaxis_title = 'Dates' ,yaxis_title = 'Number of Deaths' ,font = dict(size = 25) ,template = 'plotly_dark' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none" ) 2、条形图
正如我们之前看到的，条形图可以很快就可以组合起来：
fig = px.bar(x=df1.index, y= df1[df1.columns[0]]) for i,n in enumerate(df1.columns): fig.add_bar(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i]) fig.update_layout( title = 'Daily Deaths due to COVID-19' ,xaxis_title = 'Dates' ,yaxis_title = 'Number of Deaths' ,font = dict(size = 25) ,template = 'plotly_dark' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none" ) fig.show() 3、饼状图
和以前一样，唯一的区别是我们只显示时间序列中的最新一天。
df1 = df1.tail(1).transpose() fig = px.pie(df1, values = str(df1.columns[0]), names = df1.index) fig.update_traces(textposition='inside', textinfo = 'percent+label') ddate = str(df1.columns[0])[:10] #时间戳 fig.update_layout( title = f'Deaths on {ddate} due to COVID-19' ,xaxis_title = 'Dates' ,yaxis_title = 'Number of Deaths' ,font = dict(size = 25) ,template = 'seaborn' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none" ) fig.show() 交互控件
通过上文，我们知道了如何快速地将不同类型的可视化组合在一起，接下来我们用交互控件来增强数据的可视化。
1、范围滑块
首先，通过下面的一行代码来添加一个范围滑块，这是一个很好用的控件，让用户看到自己控制想看的特定部分。
fig.update_xaxes(rangeslider_visible=True) 2、范围焦点
如果我们的用户只想关注某个时间段里的某些部分呢？我们可以直接建立这些控件！
fig.update_xaxes( rangeslider_visible=True, rangeselector=dict( buttons=list([ dict(count=7, label="1w", step="day", stepmode="backward"), dict(count=1, label="1m", step="month", stepmode="backward"), dict(count=2, label="2m", step="month", stepmode="backward"), dict(step="all") ]), font = dict( color='#008000', size = 11), ) ) 3、自定义按钮
在体验了上面的范围焦点功能后，我们可以很容易想象到如何构建自定义按钮。Plotly express 以一种简单的方式满足了这一需求。让我们看看定制按钮，把重点放在个别国家上。
fig.update_layout( updatemenus=[ dict( type="buttons", direction="right", active=0, x=0.5, y=1.03, buttons=list([ dict(label=df1.columns[0], method="update", args=[ {"visible": [True, False, False, False, False]}, {'showlegend' : True} ]), dict(label=df1.columns[1], method="update", args=[ {"visible": [False, True, False, False, False]}, {'showlegend' : True} ]), dict(label=df1.columns[2], method="update", args=[ {"visible": [False, False, True, False, False]}, {'showlegend' : True} ]), dict(label=df1.columns[3], method="update", args=[ {"visible": [False, False, False, True, False]}, {'showlegend' : True} ]), dict(label=df1.columns[4], method="update", args=[ {"visible": [False, False, False, False, True]}, {'showlegend' : True} ]), dict(label='All', method="update", args=[ {"visible": [True, True, True, True, True]}, {'showlegend' : True} ]), ]), ) ] ) 4、下拉式菜单
如果你想在可视化数据中，获得一个下拉菜单，就像注释掉一行代码一样简单。在这里，你只需注释掉“type=”buttons“就可以：
结论
Plotly express绝对是一个非常棒的数据可视化工具，它非常容易获取，使用起来也非常像Python。在这篇文章里，我们只是简单地描述了它所提供的功能。我鼓励你进一步探索这个Python库，因为它具有无限可能性！
- 发表于:
- 原文链接：http://news.51cto.com/art/202006/619169.htm
- 如有侵权，请联系 cloudcommunity@tencent.com 删除。
相关快讯
扫码
添加站长 进交流群
领取专属 10元无门槛券
私享最新 技术干货
腾讯云开发者
