探索数据之美：深入学习Plotly库的强大可视化

news2025/1/8 4:33:50

1. 引言：

Plotly 是一个交互性可视化库，可以用于创建各种漂亮的图表和仪表板。它支持多种编程语言，包括Python、R、JavaScript。在Python中，Plotly提供了Plotly Express和Graph Objects两个主要的绘图接口。

2. Plotly库简介：

2.1 Plotly Express和Graph Objects两个主要接口

  • Plotly Express： 提供了简单而高级的图表绘制功能，通过简单的语法可以创建各种图表类型。对于快速生成图表和初步探索数据非常方便。
  • Graph Objects： 提供了更细粒度的控制，允许用户更精细地定制图表的各个方面。适用于对图表进行更高级别的定制和调整。

2.2 Plotly Dash用于构建交互式仪表板的框架

Plotly Dash是一个用于构建交互式、高度可定制的仪表板的框架。通过Dash，用户可以创建自定义的数据分析仪表板，实现交互式数据探索。

3. Plotly的基础图表类型：

散点图：简单、直观的数据分布展示

import plotly.express as px
import pandas as pd

#创建演示数据
df = pd.DataFrame({
    'date': ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04'],
    'product':['A','A','B','C'],
    'amount': [20, 40, 30, 26],
    'cost': [3, 6, 2, 10]
})
df['roi'] = df['amount'] / df['cost']

# 创建散点图
fig = px.scatter(df, x='cost', y='amount',color='product', size='roi',title='Scatter Plot')
fig.show()

运行上述代码后，效果如下，我们可以进行放大、缩小、点击等一些列操作：
scatter

折线图：趋势和变化的可视化

import plotly.express as px

# 创建折线图
fig = px.line(df, x='date', y='amount', title='Date Vs amount')
fig.show()

line

条形图：分类数据的对比和分布

import plotly.express as px

# 创建条形图
fig = px.bar(df, x='date', y='amount', color='product', title='Date Vs amount Vs product')
fig.show()

运行后，效果如下：
bar

饼图：比例和占比的直观呈现

import plotly.express as px

# 创建饼图
fig = px.pie(df, values='Count', names='Category', title='Pie Chart')
fig.show()

效果如下：
pie

4. 高级可视化：

3D 散点图：多维数据的展示

import plotly.graph_objects as go

# 示例数据
df=pd.DataFrame({'x':[1, 2, 3, 4, 5],
'y':[10, 12, 8, 15, 11],
'z' : [5, 8, 3, 10, 6]})

# 创建3D散点图
fig = go.Figure(data=[go.Scatter3d(x=df['x'], y=df['y'], z=df['z'], mode='markers')])
fig.update_layout(title='3D Scatter Plot')
fig.show()

运行后，效果如下：
3d

热力图：相关性的清晰展示

import pandas as pd
import plotly.graph_objects as go

#构建实例数据
data =pd.DataFrame({'month':['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01', '2023-05-01', '2023-06-01', '2023-07-01', '2023-08-01', '2023-09-01','2023-10-01'],
                 'tm':[74, 101, 139, 96, 182, 173, 74, 100, 86, 237],
                 'dy':[58, 74, 101, 79, 110, 105, 70, 94, 87, 131],
                 'ks':[11, 21, 27, 23, 28, 22, 17, 19, 16, 26]})
df=data.set_index('month',drop=True)
# 创建热力图
fig = go.Figure(data=go.Heatmap(z=df.corr(), x=df.columns, y=df.columns))
fig.update_layout(title='Correlation Heatmap')
fig.show()

进行可视化后，效果如下：
heatmap

桑基图：复杂关系的可视化呈现

import plotly.graph_objects as go

# 创建面积图
fig = go.Figure(data=[go.Scatter(x=df['Date'], y=df['Value'], fill='tozeroy', mode='none')])
fig.update_layout(title='Area Chart')
fig.show()

面积图：趋势和变化的面面俱到

import plotly.graph_objects as go

# 创建桑基图
fig = go.Figure(go.Sankey(node=dict(pad=15, thickness=20), link=dict(source=df['Source'], target=df['Target'], value=df['Value'])))
fig.update_layout(title='Sankey Diagram')
fig.show()

5. 与其他库结合应用：

5.1Plotly Express与Graph Objects的结合

在实际应用中，Plotly Express和Graph Objects可以结合使用，充分发挥它们各自的优势。

5.1.1 散点图（Scatter Plot）：
import plotly.express as px
import plotly.graph_objects as go

# 创建散点图（Express）
fig = px.scatter(df, x='X', y='Y', color='Category', size='Size', title='Scatter Plot')

# 添加注释（Graph Objects）
annotations = [go.layout.Annotation(text='Highlight', x=highlight_x, y=highlight_y, showarrow=True, arrowhead=2, ax=0, ay=-40)]
fig.update_layout(annotations=annotations)

fig.show()
5.1.2 热力图（Heatmap）：
import plotly.express as px
import plotly.graph_objects as go

#构建实例数据
data =pd.DataFrame({'month':['2023-01-01', '2023-02-01', '2023-03-01', '2023-04-01', '2023-05-01', '2023-06-01', '2023-07-01', '2023-08-01', '2023-09-01','2023-10-01'],
                 'tm':[74, 101, 139, 96, 182, 173, 74, 100, 86, 237],
                 'dy':[58, 74, 101, 79, 110, 105, 70, 94, 87, 131],
                 'ks':[11, 21, 27, 23, 28, 22, 17, 19, 16, 26]})
df=data.set_index('month',drop=True)

# 创建热力图（Express）
fig = px.imshow(df.corr(), x=df.columns, y=df.columns)

# 添加颜色轴（Graph Objects）
colorbar = dict(title='Correlation')
fig.update_layout(coloraxis_colorbar=colorbar)
fig.update_layout(title='Correlation Heatmap')

fig.show()

效果如下：
heat2

5.1.3 桑基图（Sankey Diagram）：
import plotly.express as px
import plotly.graph_objects as go

# 创建桑基图（Express）
fig = px.sankey(df, source='Source', target='Target', value='Value')

# 修改图形属性（Graph Objects）
fig.update_layout(title='Sankey Diagram')
fig.update_traces(node=dict(pad=15, thickness=20))

fig.show()

通过结合使用这两个接口，你可以更灵活地创建定制化的图表，满足不同场景的可视化需求。Plotly库的文档和示例提供了更多关于各种图表类型和配置选项的详细信息，因此你可以根据具体情况进行调整和拓展。

5.2 结合Pandas进行数据的直接可视化

Plotly Express与Pandas非常兼容，你可以直接使用Pandas的DataFrame进行绘图。这种结合使得从数据到图表的转换更加简便。

import plotly.express as px
import pandas as pd

# 使用Pandas DataFrame创建图表
df = pd.DataFrame({
    'X': [1, 2, 3, 4],
    'Y': [10, 11, 12, 13],
    'Category': ['A', 'B', 'A', 'B']
})

fig = px.scatter(df, x='X', y='Y', color='Category', title='Scatter Plot')
fig.show()

6. Dash应用示例：

通过Dash构建简单交互式仪表板的实例
利用回调函数实现图表的动态更新
除了在Notebook中创建交互式图表外，Plotly还提供了Dash，一个用于构建交互式仪表板的框架。Dash可以用于创建自定义的数据分析仪表板，使用户能够以交互式方式探索数据。

import dash
import dash_core_components as dcc
import dash_html_components as html
from dash.dependencies import Input, Output
import plotly.express as px
import pandas as pd  # 添加 pandas 导入

# 创建Dash应用
app = dash.Dash(__name__)

# 创建示例 DataFrame（请替换成您的实际数据）
data = {
    'X': [1, 2, 3, 4, 5],
    'Y': [10, 11, 12, 13, 14],
    'Size': [20, 15, 10, 5, 25],
    'Category': ['A', 'B', 'A', 'B', 'A']
}
df = pd.DataFrame(data)

# 布局
app.layout = html.Div([
    dcc.Graph(id='scatter-plot'),
    dcc.Dropdown(
        id='dropdown-category',
        options=[
            {'label': category, 'value': category} for category in df['Category'].unique()
        ],
        value=df['Category'].unique()[0],
        multi=False
    )
])

# 回调函数
@app.callback(
    Output('scatter-plot', 'figure'),
    [Input('dropdown-category', 'value')]
)
def update_scatter_plot(selected_category):
    filtered_df = df[df['Category'] == selected_category]
    fig = px.scatter(filtered_df, x='X', y='Y', color='Category', size='Size', title='Scatter Plot')
    return fig

# 运行应用
if __name__ == '__main__':
    app.run_server(debug=True)

运行以后，效果如下，与此同时，我们可以控制筛选器进行联动。

dash

在这个例子中，用户可以通过下拉菜单选择特定的类别，图表将根据选择的类别更新。Dash的强大之处在于你可以使用更复杂的布局、组件和回调函数来创建更丰富的仪表板。

7. 附录

7.1 官方文档链接：

  • Plotly Python图表库官方文档：在官方文档中，你可以找到有关Plotly库的详细信息，包括使用方法、图表类型、配置选项等。它提供了广泛的示例和案例，适合初学者和进阶用户。

7.2 在线教程链接：

  • Plotly Express 教程：Plotly Express的官方在线教程提供了对该高级接口的详细指南，以及许多交互式的示例。适合快速学习Plotly Express的基本用法。

  • Dash 用户指南：Dash框架的官方用户指南提供了创建交互式仪表板的详细说明，包括布局、组件、回调函数等方面的介绍。适合学习如何使用Dash构建定制的数据分析仪表板。

7.3 社区论坛链接：

  • Plotly社区论坛：Plotly的社区论坛是一个与其他用户交流、提问问题和分享经验的平台。你可以在这里找到关于特定问题的解答，了解其他用户的项目和经验。

  • Dash社区论坛：Dash框架有专门的社区论坛，用于讨论与Dash相关的问题、解决方案和项目。通过参与社区，你可以获取更多实用的建议和经验分享。

这些资源将帮助读者更深入地了解和掌握Plotly库的使用，以及构建交互式仪表板的技能。通过参与社区，读者还可以与其他使用Plotly的数据科学家和开发者建立联系，分享和学习最佳实践。

写在最后

通过本博客，读者将深入了解Plotly库的基础和高级功能，学会如何使用它创建丰富、交互式的数据可视化图表。不仅能够应对常见的数据分析任务，还能够通过Dash构建定制化的仪表板，为数据探索和展示提供更多可能性。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1277240.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

第九节HarmonyOS 常用基础组件1-Text

第九节HarmonyOS 常用基础组件1-Text

一、组件介绍 组件（Component）是界面搭建与显示的最小单位，HarmonyOS ArkUI声名式为开发者提供了丰富多样的UI组件，我们可以使用这些组件轻松的编写出更加丰富、漂亮的界面。 组件根据功能可以分为以下五大类：基础组件…
阅读更多...
优化生产流程，开启智能制造新时代——探索MES生产管理系统的优势

优化生产流程，开启智能制造新时代——探索MES生产管理系统的优势

在当今高度竞争且日益全球化的制造业环境中，企业需要不断提升生产效率，同时也要降低成本。作为一种先进的生产管理工具，MES生产管理系统正在全球范围内受到制造业的广泛关注。本文将深入探讨MES生产管理系统的优势以及如何帮助企业实现这些目…
阅读更多...
00后卷王真的很卷吗？

00后卷王真的很卷吗？

前言 都在传00后躺平、整顿职场，但该说不说，是真的卷，感觉我都要被卷废了... 前段时间，公司招了一个年轻人，其中有一个是00后，工作才一年多，直接跳槽到我们公司，薪资据说有18K&…
阅读更多...
时序预测 | Python实现TCN时间卷积神经网络时间序列预测（多图，多指标）

时序预测 | Python实现TCN时间卷积神经网络时间序列预测（多图，多指标）

时序预测 | Python实现TCN时间卷积神经网络时间序列预测（多图，多指标） 目录 时序预测 | Python实现TCN时间卷积神经网络时间序列预测（多图，多指标）预测效果基本介绍环境准备程序设计参考资料预测效果 基本介绍
阅读更多...
分享4个工具，轻松搞定PDF和图像中提取文本

分享4个工具，轻松搞定PDF和图像中提取文本

大型语言模型已经席卷了互联网，导致更多的人没有认真关注使用这些模型最重要的部分：高质量的数据！ 本文旨在提供一些有效从任何类型文档中提取文本的技术。 Python库 本文专注于Pytesseract、easyOCR、PyPDF2和LangChain库。实验数据是一个…
阅读更多...
新功能？浅谈nuclei的反制思路

新功能？浅谈nuclei的反制思路

code新功能？ 写poc时，习惯性查官方文档的时候，注意到了一个新的功能：code 链接直达：https://docs.projectdiscovery.io/templates/protocols/code 大概翻译下： Nuclei 支持在主机操作系统上执行外部代码。…
阅读更多...
MySQL- CRUD-单表查询

MySQL- CRUD-单表查询

一、INSERT 添加 公式 INSERT INTO table_name [(column [, column...])] VALUES (value [, value...]); 示例： CREATE TABLE goods (id INT ,good_name VARCHAR(10),price DOUBLE ); #添加数据 INSERT INTO goods (id,good_name,price ) VALUES (20,华为手机,…
阅读更多...
基于linux的C语言环境下开源hashmap的使用与测试

基于linux的C语言环境下开源hashmap的使用与测试

C语言中没有C语言中map键值对容器的数据结构，为在C语言中提供一种hashmap数据结构，并提供hashmap的操作方法，具体包括新建、释放、清除、获得缓存数据量、设置数据、获取数据、浏览数据等操作，基于hashmap的开源代码很丰富&#x…
阅读更多...
基于通义千问和向量数据构建问答知识库

基于通义千问和向量数据构建问答知识库

参考：Java从0到1构建基于ChatGPT向量数据库的检索增强生成模型RAG-02 - 知乎 (zhihu.com) 1、先开通 阿里云的向量检索服务 如何开通向量检索服务并创建API-KEY_向量检索服务-阿里云帮助中心 (aliyun.com) 按流程申请 最后需要申请API-KEY 安装DashVector SDK M…
阅读更多...
jetpack compose——圆角、渐变

jetpack compose——圆角、渐变

一、背景圆角、渐变 效果图： 代码为： Box(modifier Modifier.clip(RoundedCornerShape(14.dp)) // 设置圆角半径.background(brush Brush.horizontalGradient( // 设置渐变色listOf(Color(0xFFF5DEC9),Color(0xFFF7A74C),))).constrainAs(box_bottom…
阅读更多...
SQL Server 数据库，为products表添加数据

SQL Server 数据库，为products表添加数据

在插入数据的时候，需要注意以下事项。 > 每次插入一整行数据，不可能只插入半行或几列数据。 > 数据值的数目必须与列数相同，每个数据值的数据类型、精度和小数位数也必须与相应的 列匹配。 > INSERT语句不能为标识列指定值&#…
阅读更多...
java实战（五）：理解多线程与多线程实现冒泡排序及可视化

java实战（五）：理解多线程与多线程实现冒泡排序及可视化

多线程 1.多线程理解1.1线程概念1.2线程的创建和启动1.3线程的同步与互斥1.4线程的状态和生命周期1.5线程间的通信1.6处理线程的异常和错误1.7实践 2.效果3.代码 1.多线程理解 1.1线程概念 线程：计算机中能够执行独立任务的最小单位。在操作系统中，每个…
阅读更多...
《YOLOv7原创自研》专栏介绍 CSDN独家改进创新实战专栏目录

《YOLOv7原创自研》专栏介绍 CSDN独家改进创新实战专栏目录

YOLOv7原创自研 https://blog.csdn.net/m0_63774211/category_12511937.html 💡💡💡全网独家首发创新（原创），适合paper ！！！ 💡💡💡…
阅读更多...
Docker下搭建MySQL主从复制

Docker下搭建MySQL主从复制

目录 主从复制简介 主从复制搭建 主从复制简介 主从复制，是用来建立一个和主数据库完全一样的数据库环境，称为从数据库；主数 据库一般是准实时的业务数据库。 主从复制的作用 做数据的热备。作为后备数据库，主数据库服务器故…
阅读更多...
AlmaLinux OS 8.6 下载

AlmaLinux OS 8.6 下载

下载网址 almalinux (sjtu.edu.cn) 选择对应系统版本 打开上面的txt文件 复制下面的连接到浏览器中打开 选择对应镜像下载
阅读更多...
Python操作合并单元格

Python操作合并单元格

如何使用python操作Excel实现对合并单元格的一系列操作 01、准备工作（使用镜像下载） pip install openpyx -i https://pypi.tuna.tsinghua.edu.cn/simple 02、简单示例 简单创建一个工作簿进行示范： from openpyxl import Workbook from o…
阅读更多...
数学建模 | MATLAB数据建模方法--机器学习方法

数学建模 | MATLAB数据建模方法--机器学习方法

近年来，全国赛的题目中，多多少少都有些数据，而且数据量总体来说呈不断增加的趋势， 这是由于在科研界和工业界已积累了比较丰富的数据，伴随大数据概念的兴起及机器学习技术的发展， 这些数据需要转化成更有意…
阅读更多...
利用 FormData 实现文件上传、监控网路速度和上传进度

利用 FormData 实现文件上传、监控网路速度和上传进度

利用 FormData 实现文件上传 基础功能：上传文件 演示如下： 概括流程： 前端：把文件数据获取并 append 到 FormData 对象中后端：通过 ctx.request.files 对象拿到二进制数据，获得 node 暂存的文件路径 前端…
阅读更多...
推荐3个完美替代 Navicat 的工具

推荐3个完美替代 Navicat 的工具

现在企业，mysql数据库用的比较多，mysql数据库客户端的需求也就比较大，navicat就被大家所熟知。 这个工具，确实好用，功能也非常强大，但是，它的强大，是需要付费，或者用一些…
阅读更多...
Ubuntu 2204 安装libimobiledevice

Ubuntu 2204 安装libimobiledevice

libimobiledevice是一个开源的软件，它可以直接使用系统原生协议和IOS设备进行通信，类似iMazing，iTunes，libimobiledevice不依赖IOS的私有库，并且连接IOS设备时用的都是原生协议，IOS无需越狱就能实现设备信息…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023