Python数据可视化 课件 09章Poltly交互可视化库

Python数据可视化第9章

Poltly交互可视化库教师：xxx2024.07第1节Poltly概述第9章

Poltly交互可视化库第2节基本图形第3节新式图形第4节统计类图形与地图前面章节介绍了Matplotlib、Seaborn和Pyecharts三个可视化库。Matplotlib历史久远，使用广泛，它可以对图形做精细控制，但设置命令较繁琐，图形类型有限；Seaborn用于统计数据绘图，支持语义着色，可自动生成分类多子图，两者绘制的都是静态图片。Pyecharts生成动态交互网页，可绘制诸如漏斗图、树图和地图等新颖图形，但不支持Numpy和Pandas的数据类型。Poltly集成了上述软件的优点，生成动态网页交互图形，支持Pandas数据结构，支持类似Seaborn的统计绘图，可以说Poltly是目前Python平台下功能最强大的可视化库。第1节Poltly概述本章代码在plotly5.9版下测试通过。本节代码见"09.1.ipynb"文件。各代码段首部默认含有以下语句，后续部分代码段为节省空间不再列出下列语句。Poltly支持多种编程语言接口，例如Python、R和JavaScript等，这些接口都基于poltly.js库，而poltly.js又基于d3.js这个最强大的JavaScript可视化库。本章介绍的是其中针对Python接口的部分。在Anaconda平台中已包含poltly，如需升级可在命令行上执行pipinstall-Upoltly。其官网为/python。该库目前中文资料较少，学习主要依靠其完备的英文在线文档。importnumpyasnpimportpandasaspdimportplotly.expressaspx #引入plotly的px接口importplotly.graph_objectsasgo #引入plotly的go接口(一)绘图示例Poltly产生的图形是交互网页，代码应在jupyternotebook中运行。下面是简单柱状图示例。importpandasaspdimportplotly.expressaspx #引入px接口df=pd.DataFrame({"x":["A","B","C"],"y1":[4,1,2],"y2":[2,4,5]}) #构造数据框fig=px.bar(df,x="x",y=["y1","y2"],barmode="group") #利用px和df生成簇状柱形图fig.update_layout(width=500,height=360,title="Bar图") #设置图形宽、高、标题fig.show() #默认在notebook中显示图形一、Poltly简介点击图例"y1y2"或移动鼠标可观察到图形变换。右图只显示了“y1”，隐藏了“y2”。图形可以在notebook中显示，也可生成网页再显示，如下所示。生成的网页文件较大，约有3M，这是因为其中直接包含了所需的javascript可视化库。fig.write_html("bar1.html",auto_open=True) #生成网页bar1.html并弹出浏览器显示一、Poltly简介(二)代码格式Poltly的版本迭代较快，不同版本的代码格式变化较大。以前3.x版包含线上和线下两种模式，线上模式将代码放在plotly云端运行。代码如要在线下运行需写为plotly.offline的形式。2019年7月发布的4.0版做了重大改变，将线上模式剥离，单独放在chartstudio库中，plotly仅保留线下模式。读者参考网上代码时，含有offline字样的是旧版3.x格式，不要采用旧格式。4.0版提供了express高级接口，使图形生成更简洁。目前5.x版代码主要使用plotly.graph_objects和plotly.express这两个接口，后者是高级接口，对前者进行了再包装。有少量图形会使用第三种接口plotly.figure_factory创建。接上页：Plotly支持多种图形构造方法，目前官方推荐使用plotly.express接口。导入接口后命名为px，接口支持直接使用Pandas的DataFrame对象。上例在px.bar()中使用df数据框，指定x轴对应“x”列，y轴对应“y1,y2”两列，这种语法类似seaborn。柱状图模式为“group”簇状图，如不设置则产生堆叠图。fig.update_layout()是后续学习中常见的命令，用于修改图形外观。下面的代码使用较低级的go接口重写了上例的柱状图，代码关键之处是go.Figure()。此处将生成一个图形对象，创建时通过“data=[bar1,bar2]”加入两个Bar对象，这表明plotly是通过Figure对象组织图形的。importplotly.graph_objectsasgo #引入graph_objects命名为gox=["A","B","C"]bar1=go.Bar(x=x,y=[4,1,2],name="y1") #先创建bar1对象,name是图例bar2=go.Bar(x=x,y=[2,4,5],name="y2") #bar2对象fig=go.Figure(data=[bar1,bar2]) #创建Figure对象时加入bar1,bar2fig.update_layout(width=500,height=360,title="Bar图",barmode="group")#宽、高、标题、group组模式fig.show() #图略，图形和上例柱状图一样一、Poltly简介有时我们还会看到如下写法：x=["A","B","C"]bar1=go.Bar(x=x,y=[4,1,2],name="y1")fig=go.Figure(data=bar1) #创建Figure并加入bar1fig.add_trace(go.Bar(x=x,y=[2,4,5],name="y2")) #用add_trace()再添加一个Barfig.update_layout(width=500,height=360,title="Bar图",barmode="group")fig.show() #图略，图形和上例柱状图一样在一个Figure中可添加多个trace，例如柱状图、折线图等，这样可将不同的图形组合在一起，这是Plotly和其它可视化库在管理多图形对象上存在较大差异的地方。Figure对象很重要，所有操作都依赖于此。代码fig=px.bar()利用px接口产生的fig变量也是Figure对象，只是创建更方便，代码更精简。一、Poltly简介(三)

作图步骤(概括为如下5步)(1).准备数据。Poltly支持列表、元组及Numpy和Pandas中的数据类型。一般可用Pandas处理数据，然后将DataFrame传递给绘图函数作图。(2).创建Figure对象，利用px或go接口均可。importplotly.expressaspx fig=px.bar(x=["A","B"],y=[3,5]) #利用px接口创建Figure类型的对象figimportplotly.graph_objectsasgofig=go.Figure() #利用go接口创建空白Figure(3).添加图形子对象bar1=go.Bar(x=["A","B"],y=[4,2],name="y1") #先创建bar1,bar1可视为tracefig.add_trace(bar1) #再在fig中添加bar1fig.add_trace(go.Bar(x=["A","B"],y=[2,3],name="y2")) #或直接添加一个Bar接上页：上述加入的对象被视为trace轨迹，可以用update_traces()修改。下面的命令设置了fig内所有柱体的颜色、柱体边线颜色、边线宽度和整个图形的不透明度opacity，opacity为0~1间的小数，取1时颜色最深。一、Poltly简介(4).设置图形layout，update_layout()可集中设置多个参数，不像Matplotlib需使用多条命令分设各个参数。fig.update_traces(marker_color='#FFFF00',marker_line_color='rgb(8,48,107)',marker_line_width=1.5,opacity=0.6) #颜色用HTML格式或rgb格式均可(5).输出图形fig.update_layout(width=500,height=360,title="Bar图",barmode="group")#宽、高、标题、模式fig.show() #默认在notebook中显示fig.write_html('网页.html',auto_open=True) #或在浏览器中显示网页Plotly支持多种渲染输出环境，还可输出为图片或PDF，详见教材和官网。学习Plotly主要通过阅读官方文档，读者可先查看/python/首页的“Fundamentals”部分。其中“TheFigureDataStructure”解释了图形对象的内部数据结构。Figure对象可近似认为是一个嵌套字典，对象以json格式包装在网页中。下面创建一个Figure对象并输出内部结构。二、图形对象的数据结构Figure({'data':[{'alignmentgroup':'True','marker':{'color':'#636efa'},'name':'','orientation':'v','showlegend':False,'textposition':'auto','type':'bar','x':array(['A','B'],dtype=object),'xaxis':'x','y':array([3,5]),'yaxis':'y'},{'name':'y2','type':'bar','x':['A','B'],'y':[2,3]}],'layout':{'barmode':'relative','height':400,'legend':{'tracegroupgap':0},'template':'...','width':600,'xaxis':{'anchor':'y','domain':[0.0,1.0],'title':{'text':'x'}},'yaxis':{'anchor':'x','domain':[0.0,1.0],'title':{'text':'y'}}}})importplotly.expressaspxfig=px.bar(x=["A","B"],y=[3,5],width=600,height=400) #创建内含一个Bar的Figurefig.add_trace(go.Bar(x=["A","B"],y=[2,3],name="y2")) #再添加一个Barprint(fig) #输出fig对象的内部结构，如下所示Figure内有三个顶级数据属性：data、layout和frames。data是列表，内含各个trace子轨迹，例如“fig=px.bar()”先创建了一个bar，后续用add_trace()添加了一个bar，因此data列表中含两个柱状图。layout包含窗口参数，例如宽度、高度和标题。图形设置主要就是设置data和layout属性。要注意区分Figure和trace，只有Figure对象具有上述属性，可以设置标题等内容，trace对象没有这些属性。第三个顶级属性frames只在动画图形中出现，代表帧，本例未包含。Figure对象内部的数据是多层嵌套字典，plotly提供了称之为魔术下划线(magicunderscore)的表达形式，用“_”下划线将字典各层连接起来作为形参名，这样参数名很简洁，不用表达为多层嵌套字典。设置时也可以直接设置属性的值，读者可对比下面三行效果相同的命令。二、图形对象的数据结构fig.update_layout(xaxis_title_font_size=20) #设置X轴标签文字大小，采用魔术下划线语法fig.update_layout(xaxis=dict(title=dict(font=dict(size=20)))) #功能同上，使用嵌套字典语法，很繁琐fig.layout.xaxis.title.font.size=20 #功能同上，使用属性直接设置fig.data[0].name="y1" #将上例中的第0个Bar命名为y1,name即图例fig.data[0].showlegend=True #True显示图例fig.layout.barmode="group" #柱状图由默认的relative改为group(簇状)#下面两条命令等效，配置时直接修改字典或用update_layout()修改均可fig.layout.title="标题"fig.update_layout(title="标题")接上页：了解Figure的内部结构有助于理解各种图形设置命令，设置图形时常常设置data和layout属性。表9.1中某些图形被同时归入多个类别，有些图形绘图效果相似，只是命令名不同。官网有各种图形的详尽示例，一般先给出px接口编码，再给出go接口编码。“FigureReference”页面详细解释了图形函数的参数。三、图形类型importplotly.ioaspioprint(pio.templates) #显示所有模板名pio.templates.default="plotly_white" #设置为默认模板plotly.graph_objects接口(简称go)内含40余种图形，plotly.express接口(简称px)对go接口进行了再包装，支持其中绝大多数类型。Plotly官方建议首选使用px接口，对于px不支持的图形类型才使用go接口，例如某些3D图形。教材表9.1列出了当前版本支持的大多数图形类型。四、模板和配置每个可视化库都可以设置主题风格，Plotly中的主题(theme)也被称为模板(template)。模板除具有传统主题的功能，还兼具一些自定义内容，例如图形大小、图形水印等。执行下面的命令可显示Plotly中的所有模板。系统常用模板有：plotly、ggplot2、seaborn、simple_white、plotly_white、plotly_dark和none等。默认使用“plotly”模板，如设为“none”则禁用模板。绘图时选用模板示例如下。fig=px.line(x=[1,2,3],y=[3,6,5],template='ggplot2') #选用ggplot2模板importplotly.graph_objectsasgomytpl=dict(layout=go.Layout(title="标题",title_font_size=20,width=400,height=300))mytpl2=dict(layout_title="标题",layout_title_font_size=20,layout_width=400,layout_height=300)四、模板和配置模板对象的类型是Template类，Template类又是从plotly.graph_objects.layout类派生的。该类对象拥有layout和data这两个顶级属性，设置这两个属性即可自定义模板。自定义模板示例如下。上面两条语句定义了两个同样效果的模板mytpl和mytpl2，都包含了标题、标题字号、图形宽度和高度的定义。fig=px.line(x=[1,2,3],y=[3,6,5],template=mytpl2) #使用自定义模板mytpl2fig.show() #左下图

该模板代码见"09.1.ipynb"。importplotly.expressaspxx=np.random.random(50)y=np.random.random(50)fig=px.scatter(x=x,y=y) #散点图config={'displayModeBar':True,'scrollZoom':True} #配置:显示工具箱，滚动缩放fig.show(config=config) #输出时可设置config配置四、模板和配置除了模板设置，在图形输出时还可定义config配置项，设定图形的显示方式，如下所示。图形原本默认只有当鼠标移到图形上时才显示工具箱，经过上面的config配置，就将一直显示工具箱，同时还支持鼠标滚轮滚动缩放图形。更多设置参考官网如下链接：设置字体/标题/图例/轴标签

设置图形大小子图

坐标轴

图例legend配置图形对象

提示框信息(hovertext)设置坐标轴刻度

点和线的样式本节介绍几种读者熟悉的基本图形，借此说明Poltly的一些常用设置参数和方法。某些图形会分别给出go和px接口的示例，读者可对比两种接口的异同。第2节基本图形散点图是常见的二维图形，用go或px接口均可创建。两个接口的函数名有大小写上的差异，分别是go.Scatter()和px.scatter()，在内部的参数名上也有不同。importplotly.graph_objectsasgosca=go.Scatter(x=[0,1,2,3,4],y=[0,1,4,9,16],mode="lines+markers",marker={'size':8})fig=go.Figure(data=sca,layout_width=400,layout_height=400)fig.show() 一、散点图go接口创建散点图时可指定mode参数，其值可设为"markers"(点)、"lines"(线)或"lines+markers"(线+点)。散点数超过20个时默认为"lines"模式，点数小于20时默认为"lines+markers"模式。使用px接口生成散点图的代码如下。px.scatter不支持mode和marker参数，但可以在后续的fig.update_traces()中设置。importplotly.expressaspxfig=px.scatter(x=[0,1,2,3,4],y=[0,1,4,9,16],width=400,height=400)fig.update_traces(mode="markers",marker={"size":8}) #设置散点mode和大小fig.add_annotation(x=2,y=5,text="markers模式") #在(2,5)处添加标注文字fig.show() #左下图

一、散点图本章开头提到Plotly支持类似Seaborn的绘图方式，如下所示。为演示方便，px.data中自带一些数据集，help(px.data)可查看帮助，其中就包含常见的iris和tips数据集。iris=px.data.iris() #获取iris数据集，返回DataFrame对象fig=px.scatter(iris,x="sepal_width",y="sepal_length",color="species")#按species分类着色fig.show() #见上图

上例中px.scatter()直接使用iris数据框，利用花萼宽度和长度做散点图，并按sepcies类型将散点分为三种颜色。很显然，命令中的color参数等同于Seaborn中的hue语义参数。如果用go接口完成同样的工作则代码要复杂一些，go接口不直接支持color参数，必须在散点标记中自行完成类型到颜色的转换映射，示例如下。importplotly.graph_objectsasgoiris=px.data.iris() #获取iris数据集，返回DataFrame对象iris["color"]=iris.species.map({'setosa':0,'versicolor':1,'virginica':2})#将三种类型转为0,1,2数值sca=go.Scatter(x=iris["sepal_width"],y=iris["sepal_length"],mode="markers",marker={"color":iris["color"]}) #散点颜色,颜色不能直接用类型名，要转为数值fig=go.Figure(sca)fig.show() 一、散点图从上面对比可知，go接口不支持直接使用DataFrame及其列名字符串做参数，不支持color参数，px接口对DataFrame支持良好，使用方便，因此涉及数据框时一般使用px接口。px接口也支持类似Seaborn中的分行分列多子图参数，以tips数据集为例，请读者体会facet_row和facet_col参数的作用。df=px.data.tips() #tips小费数据集fig=px.scatter(df,x="total_bill",y="tip",color="smoker",

facet_row="time",facet_col="day", #分行、分列

category_orders={"day":["Thur","Fri","Sat","Sun"], #类目排列顺序

"time":["Lunch","Dinner"]})fig.show() 一、散点图px接口还支持类似Seaborn中的抖动散点图，此处x轴是类目数据，每个x值对应多个y值。如果用普通散点图，很多点会重合在一起，使用抖动散点图则自动做微小抖动，分离散点。go接口不支持抖动散点图。fig=px.strip(df,x="day",y="tip",color="smoker") #px.strip抖动散点图,df同上(小费集)fig.show() #图略

柱状图是二维图形，x轴可以是类目或数值型数据，y轴一般是数值数据，以柱体高度表示数值大小。下面的代码利用go接口创建柱状图。fruits=['桔子','苹果','香蕉']ya=[18,10,20]yb=[12,12,17]fig=go.Figure(data=[go.Bar(name='商家A',x=fruits,y=ya,width=0.3,text=ya,textposition='inside'),go.Bar(name='商家B',x=fruits,y=yb,width=0.3,text=yb,textposition='outside'),])fig.update_layout(barmode='group',width=600,height=400) #group簇状柱形图fig.show() 二、柱状图go.Bar()中的width设置柱体宽度0.3，此处是相对大小。x轴共3类货品，每类占据x轴的1/3，设置柱体宽度为该类宽度的0.3倍，因此单个柱体宽度为x轴总长的1/10。“text=ya”设定标记文字，并可以规定文字在柱体的里面(inside)或外面(outside)，当有多组柱体时，可设置barmode模式，共有四种取值：'stack'堆叠，'group'簇状，'overlay'覆盖模式(后一组覆盖到前一组之上)，'relative'相对模式(正负数据会分别绘制在y轴的正负半轴)。fromplotly.subplotsimportmake_subplotsfruits=['桔子','苹果','香蕉']fig=go.Figure(data=[go.Bar(name='商家A',x=fruits,y=[18,-10,22],width=0.3),go.Bar(name='商家B',x=fruits,y=[12,-8,26],width=0.3)])formodein['stack','group','overlay','relative']:#演示四种barmodefig.update_layout(barmode=mode,width=600,height=400,title="barmode--"+mode)fig.show() 二、柱状图目前做数据分析经常使用Pandas库。Pandas默认的图形后台是Matplotlib，但可重设图形后台。如下代码将Pandas的图形后台调整为“plotly”，这样pandas作图时就默认调用plotly，程序中可以不再显式引入plotly。参见官网中“PandasPlottingBackend”说明。importpandasaspddfw=pd.DataFrame({'fruits':['桔子','苹果','香蕉'],'商家A':[18,10,20],'商家B':[12,12,17]})dfw.set_index('fruits',inplace=True) #为绘图方便，将fruits设置为索引pd.options.plotting.backend="plotly" #将pandas的图形后台设为plotlyfig=dfw.plot(kind="bar") #pandas绘柱状图，后台将自动调用plotly，返回Figure对象fig.update_layout(barmode='group',width=600,height=400)fig.show() 二、柱状图饼图只需一维数据，提供一组数据和标签即可。饼图常用的修饰效果有分离状和圆环状。importplotly.graph_objectsasgolabels=['氧气','氢气','二氧化碳','氮气']values=[4500,2500,1053,500] fig=go.Figure(data=go.Pie(labels=labels,values=values,pull=[0,0,0.2,0]),#pull定义分离扇形 layout_width=500,layout_height=400)fig.show() #左下图

三、饼图#hole内圆半径fig=go.Figure(data=go.Pie(labels=labels,values=values,hole=.4),layout_width=500,layout_height=400)fig.update_layout(annotations=[dict(text='圆环饼图',x=0.5,y=0.5,font_size=14,showarrow=False),])fig.show()#

annotations增加文字标注，位置“x=0.5,y=0.5”表示图形正中央

与饼图比较相似的是旭日图，旭日图可以反映多层次的比例关系。Pyecharts中也有旭日图，但其数据定义较麻烦，Plotly的旭日图数据定义相对简单，如下所示。fig=go.Figure(go.Sunburst(labels=["衣物","食品","电子类","女装","男装","童装","饮料","肉食","手机","电脑"],parents=["","","","衣物","衣物","衣物","食品","食品","电子类","电子类"],values=[10, 12,8,4, 4,2,5,7,5,3],branchvalues="total", #表示扇区比例严格按数值匹配))fig.update_layout(width=400,height=400,margin=dict(t=0,l=0,r=0,b=0)) #四边空白都为0fig.show() 三、饼图上例定义了三个一级类目“衣物、食品、电子类"，一级类目对应的parents列表应为空，而其它子类则填写其父类名称。由于设定了branchvalues="total"的参数，因此在values中要注意数值匹配，子类数据之和应等于父类的数据，如不匹配，则无法绘图。如不设置branchvalues参数，则不要求values值严格匹配。旭日图表现了数据的多层次的比例关系，类似按多个字段进行分组统计。下面的代码对tips数据集绘制旭日图，指定先按“day”分类，再依次按“time”和“sex”分类，将字段“total_bill”用于数值比例计算，得到下图。从图中可大致看出各层次的比例关系，“Sat”和“Sun”只含“Dinner”，而“Fri”和“Thur”则同时包含“Dinner”和“Lunch”。修改path参数中的字段顺序可得到不同的层次划分。df=px.data.tips()fig=px.sunburst(df,path=['day','time','sex'],values='total_bill') #注意path和values参数fig.show() 三、饼图左图反映的比例关系和df.groupby(['day','time','sex']).total_bill.sum()的统计结果是一致的本节介绍几种新式图形，以前章节中已介绍过多种图形类型，这些图形均可参考Plotly官网示例。各种可视化库实现的图形效果有类似之处，只是在数据格式、参数名、配置项上有不同的要求。第3节新式图形importplotly.figure_factoryasff #引入图形工厂接口fftasks=[dict(Task="任务A",Start='2021-01-01',Finish='2021-01-05',Complete=100),dict(Task="任务B",Start='2021-01-03',Finish='2021-02-04',Complete=60),dict(Task="任务C",Start='2021-02-01',Finish='2021-03-03',Complete=20)]fig=ff.create_gantt(tasks,index_col='Complete',show_colorbar=True,width=600,height=400)fig.show() 甘特图（Ganttchart）又称横道图，以图形创建人亨利.甘特的名字命名。甘特图通过条状图来显示项目及其时间进度安排，常见于项目管理中。一、甘特图和表图上例定义了三个任务的起始和截止时间，“Complete”表示完成百分比，通过“index_col='Complete'”映射为不同的颜色。点击图上方的“1w”或“1m”按钮则可显示任务最后截止日期前一周或前一月的日期。“YTD”是“yeartodate”的简写，将显示任务截止日这一年的日期。这个图形用plotly.figure_factory接口创建，不是用px接口。前面介绍的都是各类图形，如果有一些表格数据希望以整齐的格式显示在图形上，则可以使用表图(Tablechart)，如下所示。importplotly.graph_objectsasgotable=go.Table(header=dict(values=['货品名','单价','数量']),#定义表头和表格单元格cellscells=dict(values=[["上衣","毛衣","西装","卫衣"],[95,185,505,55],[10,20,15,30]]),)fig=go.Figure(data=table,layout_width=600)fig.show() #左图

一、甘特图和表图df=px.data.medals_wide() #px自带的奖牌榜演示数据fig=go.Figure(data=[go.Table(header=dict(values=list(df.columns),fill_color='#80FFFF',align='center',height=40,font_size=18,), cells=dict(values=[df.nation,df.gold,df.silver,df.bronze],fill_color='#C4E1FF',align='left',height=30,)) ])fig.update_layout(width=600)fig.show() #右图

利用表图及make_subplots多子图函数可以将图与表显示在同一张图上。fromplotly.subplotsimportmake_subplots #多子图布局df=pd.DataFrame({'水果':['桔子','苹果','香蕉'],'商家A':[18,10,20],'商家B':[12,12,17]})bar1=go.Bar(name='商家A',x=df.水果,y=df.商家A,width=0.3)bar2=go.Bar(name='商家B',x=df.水果,y=df.商家B,width=0.3)table=go.Table(header=dict(values=list(df.columns),fill_color='#97CBFF'),cells=dict(values=[df.水果,df.商家A,df.商家A],fill_color='#F0F0F0'),)#创建2行1列的多子图布局对象。注意定义各子图坐标轴的类型fig=make_subplots(rows=2,cols=1,specs=[[{"type":"xy"}],[{"type":"domain"}]],)fig.add_trace(bar1,row=1,col=1) #bar1添加在第1行第1列fig.add_trace(bar2,row=1,col=1) #bar2也添加在第1行第1列fig.add_trace(table,row=2,col=1) #表图在第2行第1列fig.update_layout(width=600,title="图表结合",title_x=0.5,title_y=0.9)fig.show() 一、甘特图和表图上例利用make_subplots()方法创建2行1列的多子图对象fig。柱状图是传统的xy轴坐标系，表图不是xy轴坐标系，要特别指定其坐标系为domain，详情参阅官网“Subplots”页面说明。利用add_trace()将bar1和bar2添加在第1行第1列子图，将表图添加在第2行第1列子图。make_subplots()命令可用于创建多子图，下面是另一个多子图示例。importnumpyasnpfromplotly.subplotsimportmake_subplotsfig=make_subplots(rows=2,cols=2) #2x2子图，本例都是xy坐标系，可省略specs类型指定forindexinrange(4):row=index//2+1 #注意加1，行列从1开始编号，不是从0开始

col=index%2+1sca=go.Scatter(x=np.random.randn(10),y=np.random.randn(10)) #随机散点图

fig.add_trace(sca,row=row,col=col) #将sca添加在指定的row/col子图中fig.update_layout(width=600,title="多子图示例",title_x=0.5)fig.show() 一、甘特图和表图还可用make_subplots()做双Y轴图形，代码见"09.3.ipynb"文件。树图(Treemap)用嵌套的矩形框反映数据之间的层次关系，采用前面旭日图的层次数据做树图如下。代码中的labels、parents和values定义和以前类似，通过parents表明层次关系。图中所示有三个顶级数据，各自包含一些子类。values数据不是必须的，如果提供了values值，则矩形面积反映数值之间的比例关系。importplotly.graph_objectsasgolabels=["衣物","食品","电子类","女装","男装","童装","饮料","肉食","猪肉","羊肉","手机","电脑"]parents=["","","","衣物","衣物","衣物","食品","食品","肉食","肉食","电子类","电子类"]values=[10,12,8,4,4,2,5,7,2,5,5,3]fig=go.Figure(go.Treemap(labels=labels,parents=parents,values=values)) #树图fig.show() 二、树图和瀑布图瀑布图(WaterfallChart)用于表示一组连续数据的相对及其总量的变化，因为形似瀑布流水而得名。importplotly.graph_objectsasgofig=go.Figure(go.Waterfall(measure=["relative","relative","total","relative","relative","total"],#相对和绝对类型

x=["工资收入","投资收入","收入总计","房贷","生活费用","结余"],text=["+20","+10","+30","-15","-8","+7"], #自定义标记文字

y=[20,10,0,-15,-8,0], #只需填relative量，total对应的数填0textposition="outside",))fig.update_layout(title="2020年收入支出大类图")fig.show() 二、树图和瀑布图左图表现了一年中的收入和支出的情况，“relative”代表相对变化量，填入正或负数；“total”代表累积总量，填入0即可，实际的累积总量在绘图时会自动计算。图中对应正数、负数和累积总量的柱体自动用不同颜色区分。极坐标系的点坐标表示为(r,θ)，r极径，θ极角。下图定义了极坐标系中的100个点，绘制螺旋曲线图。importplotly.graph_objectsasgofig=go.Figure(data=go.Scatterpolar( #散点极坐标图

r=np.linspace(0,6,100), #极径

theta=np.linspace(0,360*4,100), #极角(单位:度)mode='lines+markers', #线+点模式

marker=dict(size=4,color='#00A3A3') #点的大小，颜色

))fig.update_layout(showlegend=False) #不显示图例fig.show() 三、极坐标图和指示器图极坐标图中还有一种柱状图，相比上图增加了width参数，定义每个扇区的圆心角，这样可以表示r、theta和width三个维度的信息。importplotly.graph_objectsasgofig=go.Figure(go.Barpolar( #极坐标柱状图

r=np.linspace(1,6,6),theta=np.linspace(30,300,6), #半径/极角

width=[30,15,15,20,30,40], #扇区圆心角(度数)marker_color=["#E4FF87",'#709BFF','#709BFF','#FFAA70','#FFAA70','#FFDF70'],marker_line_color="black",marker_line_width=2,opacity=0.8,))fig.update_layout(template=None,#半径轴刻度polar=dict(radialaxis=dict(range=[0,6],showticklabels=True,ticks='inside'),

angularaxis=dict(showticklabels=True,ticks='outside') #外圈圆刻度

))fig.show() 三、极坐标图和指示器图指示器图(Indicatorchart)类似Pyecharts中的水球图，用于显示单个数值，但表现形式更丰富，并可配合其他图形一起显示。指示器图需设置的属性有：value-待显示的值、mode-显示的模式和domain-图形布局。importplotly.graph_objectsasgofig=go.Figure()fig.add_trace(go.Indicator(value=200, #待显示的值

delta={'reference':160}, #自定义参照值，因此变化量为200-160=40gauge={'axis':{'visible':True}}, #显示仪表盘外圈的刻度值(默认设置)domain={'row':0,'column':0})) #布局在0行0列fig.add_trace(go.Indicator(mode="number+delta", #只显示"数值+变化量"（不显示仪表盘)value=300, delta={'reference':250}, #参照值250，因此变化量为300-250=50domain={'row':0,'column':1})) #布局在0行1列#后续代码略，详见"09.4.ipynb"文件

三、极坐标图和指示器图指示器图可搭配其他图形显示，下面在折线图上添加一个指示器图，指示了最大值和最小值之间的增量变化。index=pd.date_range('2021-01-01',periods=40)df=pd.DataFrame(np.random.randint(10,30,40),index=index,columns=['A'])fig=px.line(df) #折线图fig.add_trace(go.Indicator( #指示器图

mode="number+delta", #只显示"数值+变化量"（不显示仪表盘)value=df.A.max(), #显示最大值

delta={'reference':df.A.min()}, #参照值为最小值，因此变化量=最大值-最小值

domain={'x':[0.2,0.5],'y':[0.5,0.9]})) #定义子图在大图中的位置及其大小(相对坐标)fig.update_layout(width=600,height=400)fig.show() 三、极坐标图和指示器图桑基图在Pyecharts中介绍过，Plotly也可绘制桑基图，数据定义比Pyecharts要简洁。importplotly.graph_objectsasgofig=go.Figure(data=[go.Sankey(node=dict(#图中条形的间距,宽度,外边缘线，颜色pad=15,thickness=20,line=dict(color="white",width=1),color="blue",#定义各节点名称

label=["苹果","华为","小米","男","女","年龄40以上","年龄25-40","年龄25以下"],),link=dict(source=[0,0,1,1,2,2,3,3,3,4,4,4],#源，对应label中的索引号(从0开始)target=[3,4,3,4,3,4,5,6,7,5,6,7],#目标

value=[100,120,150,50,40,55,80,150,60,60,125,40]))])#定义标题、标题文字大小，标题x轴位置，y轴位置，普通文字大小fig.update_layout(title="桑基图",title_font_size=20,title_x=0.5,title_y=0.85,font_size=12)fig.show() 四、桑基图和平行类目图本例中，node参数定义节点，link参数定义节点间的边。每条边由(source,target,value)三部分构成，例如(0,3,100)表示("苹果","男",100)的数据对应关系，边的宽度由value决定。有时我们想展示多组相关数据，但这些数据的度量标准不同，无法简单地在同一个坐标系中展示，此时可使用平行类目图。下例构造了一个城市空气质量数据表，使用平行类目图进行展示。df=pd.DataFrame({'城市':['北京','广州','上海'],'PM2.5':[100,30,80],'CO':[1.5,0.8,0.9],'NO2':[100,40,70],'等级':['中','优','良']})fig=px.parallel_categories(df,dimensions=['城市','PM2.5','CO','NO2','等级']) #注意参数fig.update_layout(title='平行类目图',title_x=0.5,width=600,height=300)fig.show() 四、桑基图和平行类目图上一章介绍的Pyecharts库支持交互图形，但在统计图形方面比较薄弱。Plotly集中了Seaborn和Pyecharts的优点，绘制统计类图形非常方便。下面用px接口绘制鸢尾花的花萼宽度和长度散点图。第4节统计类图形与地图importplotly.expressaspxdf=px.data.iris()fig=px.scatter(df,x="sepal_width",y="sepal_length",color="species",marginal_y="violin",marginal_x="box",trendline="ols",template="simple_white")fig.show() 从上面命令可见，px接口直接使用数据框对象绘图非常方便，只需指定df、x、y和color等参数。更进一步，增加marginal_y、marginal_x和trendline参数，可以绘制单变量的小提琴图和箱线图，并指定拟合趋势线。一、统计类图形与Seaborn类似，px接口也只需一行代码即可绘制出鸢尾花4种属性的散点图矩阵。df=px.data.iris()fig=px.scatter_matrix(df,dimensions=["sepal_width","sepal_length","petal_width","petal_length"],color="species")fig.show() #左图

使用px.histogram()函数可绘制单变量分布直方图。df=px.data.tips()fig=px.histogram(df,x="total_bill",nbins=20) #nbins分组数fig.update_layout(width=600,height=400)fig.show() #右图

一、统计类图形下面的代码绘制tips数据集中的tip字段直方图，通过color参数将数据分为男性和女性两类，并在上方分别绘制了小费的地毯图(rug)，将每一笔小费用细的竖线标记。“hover_data=df.columns”表示信息框中显示所有列的数据。df=px.data.tips()fig=px.histogram(df,x="tip",color="sex",marginal="rug",hover_data=df.columns)fig.show() #左图

统计类图形中的箱线图可用px.box()函数绘制。鼠标移到箱框上时会显示25%、50%和75%分位点值。df=px.data.tips()fig=px.box(df,x="day",y="total_bill",color="smoker") #箱线图fig.show() #右图

一、统计类图形将箱线图和密度曲线图结合可得到小提琴图，使用px.violin()函数绘制。df=px.data.tips() #小费数据集fig=px.violin(df,y="tip",x="smoker",color="sex",box=True,points="all",hover_data=df.columns)fig.show() #左图

下面的代码绘制两个变量的密度分布图，图形上方是直方图和密度曲线，下方是地毯图。importplotly.figure_factoryasff #引入ff接口np.random.seed(7)x=np.random.randn(200);y=np.random.randn(200) #标准正态分布数组x和yhist_data=[x,y] #待绘图的变量数组group_labels=['x','y'] #图例(必须参数)fig=ff.create_distplot(hist_data,group_labels) #密度分布图fig.show() #右图

一、统计类图形Plotly支持两种类型的地图：Geo地图和Mapbox地图。Geo型绘制地图轮廓线(outline-based)，类似Pyecharts中的Map和Geo图。Mapbox型类似百度地图，但功能更丰富，可以支持多种不同的地图渲染样式。Geo地图可参考官网链接/python/map-configuration/。Plotly包含若干种地图绘制函数，函数名中带有“geo”字样的为Geo类绘图函数。绘制时默认的地图轮廓是世界地图，如下代码所示。importplotly.graph_objectsasgofig=go.Figure(go.Scattergeo(lon=[30.2,80,130],lat=[50.1,10.2,30.55],#某点的(数值，经度，纬度)

hovertext=['地点A','地点B','地点C'],marker_size=12))fig.update_traces(mode="lines+markers")fig.update_geos(projection_type="equirectangular") #投射类型：equirectangular为默认值fig.show() 上例定义了三个点的经纬度，并设置模式为“lines+marker”，因此在地图上标注了三个点并连线。projection_type参数表示地图投影类型，如将代码改为projection_type="orthographic"可实现球形地图效果。二、地图（一)

Geo地图Plotly有很多参数值，初次使用时难免设错，一般在返回的错误信息中就包含了正确的可设置参数值。例如投影参数可设置的值有'equirectangular'、'mercator'、'orthographic'、'naturalearth'等。Plotly自带的Geo图可以设定地图范围"scope"，可设置的值有：world、usa、europe、asia、africa、northamerica等，下面的代码设定scope为'asia'。分辨率resolution只能设为110和50两个值，地图中设定了显示海岸线、陆地、湖泊和河流等信息。importplotly.graph_objectsasgofig=go.Figure(go.Sc