1. Plotly安装
Plotly 是一个快速完善并崛起的交互式的、开源的绘图库库，Python 库则是它的一个重要分支。现已支持超过40种独特的图表类型，涵盖了广泛的统计、金融、地理、科学和三维用例。
Python 中可以使用 pip 或者 conda 安装 Plotly：
pip install plotly
conda install plotly
2. Plotly绘图教程
2.1 折线图与散点图
折线图不仅可以表示数量的多少，而且可以反映同一事物在不同时间里的发展变化的情况，易于显示数据变化趋势，可以直观地反映这种变化以及各组之间的差别。
import numpy as np
import plotly.graph_objects as go
x = np.arange(5)
y1 = np.random.rand(5) * 5
y2 = np.random.rand(5) * 5
y3 = np.random.rand(5) * 5
fig = go.Figure(
data=[
# name为图例名，textfont设置字体属性，mode为绘图模式，marker设置颜色否则后续导出图像会丢失颜色（不导出可不设置该参数也有默认颜色）
go.Scatter(name='Lines', x=x, y=y1, textfont=dict(size=25), mode='lines', marker=dict(color='#0068C9')),
go.Scatter(name='Markers', x=x, y=y2, textfont=dict(size=25), mode='markers'),
go.Scatter(name='Lines&Markers', x=x, y=y3, textfont=dict(size=25), mode='lines+markers'),
]
)
# 设置图像格式
fig.update_layout(
autosize=False, width=1200, height=650, # 取消自动大小，手动设置宽高
title='This is title', # 标题
xaxis=dict(title='X', nticks=5), # 设置X轴属性
yaxis=dict(title='Y', nticks=11, range=(0, 5)), # 设置Y轴属性，nticks表示划分为多少段
showlegend=True # 显示图例
)
fig.show()
2.2 饼图
饼图用于强调各项数据占总体的占比，强调个体和整体的比较。
fig = go.Figure(
# textinfo表示显示内容是百分比还是标签，hoverinfo表示鼠标悬停的显示内容，pull表示每一块往外拉的比例
go.Pie(labels=['Train data', 'Valid data'], values=[7, 3],
textinfo='percent', hoverinfo='label+percent',
textfont=dict(size=15), pull=[0, 0.05],
title='训练集划分', titlefont=dict(size=18),
marker=dict(colors=['#0068C9', '#83C9FF']))
)
fig.update_layout(
autosize=False, width=600, height=450
)
fig.show()
2.3 直方图
直方图虽然也和条形图一样通过矩形的长度表示数值，但他的宽度一般用于表示各组的组距，因此其高度与宽度均有意义，适合展示大量数据集的统计结果，直方图的表示的数据通常是连续排列，而柱状图则是分开排列。
x = np.random.rand(1000) * 30 # 生成1000个0-30之间的数
fig = go.Figure(
data=[
go.Histogram(name='X', x=x)
]
)
fig.update_layout(
autosize=False, width=1350, height=600,
xaxis=dict(title='Value'),
yaxis=dict(title='Count'),
showlegend=True,
)
fig.update_traces(opacity=0.6) # 设置透明度
fig.show()
多个直方图覆盖：
x1 = np.random.rand(1000) * 30
x2 = np.random.rand(500) * 30
fig = go.Figure(
data=[
go.Histogram(name='X1', x=x1),
go.Histogram(name='X2', x=x2)
]
)
fig.update_layout(
barmode='overlay', # 设置覆盖模式
autosize=False, width=1350, height=600,
xaxis=dict(title='Value'),
yaxis=dict(title='Count'),
showlegend=True,
)
fig.update_traces(opacity=0.6) # 设置透明度
fig.show()
2.4 条形图
条形图用于比较各组数据的差异性，强调进行个体间的比较。
x = np.arange(10)
y = np.random.randint(30, size=10) + 1 # 生成10个1~30的整数
fig = go.Figure(
data=[
go.Bar(name='Bar1', x=x, y=y, textfont=dict(size=25))
]
)
fig.update_layout(
autosize=False, width=800, height=500,
title='Bar',
xaxis=dict(title='X'),
yaxis=dict(title='Y'),
showlegend=True
)
fig.show()
2.5 热力图
热力图是一种特殊的图表，它是一种通过对色块着色来显示数据的统计图表，在绘图时，需要指定每个颜色映射的规则（一般以颜色的强度或色调为标准）；比如颜色越深的表示数值越大、程度越深或者颜色越浅的数值越大、程度越深。热力图适合用于查看总体的情况、观察特殊值或者显示多个变量之间的差异性、检测它们之间是否存在相关性等等。
df = pd.read_csv('../data/MODIS/test_data.csv', nrows=10) # [10 rows x 22 columns]
print(df.head(1))
# FSC SR1 SR2 SR3 ... LST A2T SC LCT
# 0 1.0 0.587019 0.551739 0.565093 ... 0.129661 0.205581 1.0 0.8
pearson = df.corr()
print(pearson.values.shape) # (22, 22)
features = df.columns.values # 或者features = pearson.index.values
print(features) # ['FSC' 'SR1' 'SR2' 'SR3' ...]
fig = go.Figure(
data=[
go.Heatmap(x=features, y=features, z=pearson.values, colorscale='blues')
]
)
fig.update_layout(
autosize=False, width=900, height=900,
title='皮尔逊相关系数热力图',
# 以下注释的两行代码用于保存本地时调整字体的大小防止显示不全
# xaxis=dict(title='Feature', titlefont=dict(size=10), tickfont=dict(size=8)),
# yaxis=dict(title='Feature', titlefont=dict(size=10), tickfont=dict(size=8)),
xaxis=dict(title='Features'),
yaxis=dict(title='Features'),
showlegend=True
)
fig.show()
3. Plotly导出图像到本地
首先我们需要安装两个依赖项：orca 和 psutil，orca 在 PyPi 存储库中不可用，因此需要使用 conda 安装：
conda install -c plotly plotly-orca psutil
或者直接安装 kaleido 模块：
pip install kaleido
安装完成后即可使用 Plotly 的 io 库导出图像（格式可以是 SVG、JPG、PNG等）：
import plotly.io as pio
pio.write_image(fig, 'images/figure.svg')
