功能強大的開源 Python 繪圖庫

我之前一直守著 matplotlib 用的原因，就是為了我學會它複雜的語法，已經「沉沒"在裡面的幾百個小時的時間成本。這也導致我花了不知多少個深夜，在 StackOverflow 上搜尋如何「格式化日期」或「增加第二個Y軸」。

但我們現在有一個更好的選擇了 —— 例如易於使用、文檔健全、功能強大的開源 Python 繪圖庫 Plotly。今天就帶你深入體驗下，了解它如何用超簡單的（甚至只要一行！）程式碼，繪製出更棒的圖表。

本文中所有程式碼都已經在 Github 上開源，所有的圖表都是可互動的，請使用Jupyter notebook檢視 。

（Github 原始碼位址：https://github.com/WillKoehrsen/Data-Analysis/blob/master/plotly/Plotly Whirlwind Introduction.ipynb）

###################################### ###（plotly 繪製的範例圖表。圖片來源：plot.ly）######Plotly 概述######plotly 的Python 軟體包是一個開源的程式碼庫，它基於plot.js，而後者基於d3.js。我們實際使用的則是一個對 plotly 進行封裝的函式庫，名叫 cufflinks，它能讓你更方便地使用 plotly 和 Pandas 資料表協同工作。 ######*註：Plotly 本身就是一個擁有多個不同產品和開源工具集的視覺化技術公司。 Plotly 的 Python 函式庫是可以免費使用的，在離線模式可以建立數量不限的圖表，線上模式因為用到了 Plotly 的共享服務，只能產生並分享 25 張圖表。 ######本文中的所有視覺化圖表都是在 Jupyter Notebook 中使用離線模式的 plotly cufflinks 函式庫完成的。在使用pip install cufflinks plotly 完成安裝後，你可以用下面這樣的程式碼在Jupyter 裡完成導入：##################單變量分佈：柱狀圖和箱形圖#########單變量分析圖往往是開始資料分析時的標準做法，而長條圖基本上算是單變量分佈分析時必備的圖表之一（雖然它還有一些不足）。 ######就拿部落格文章按讚總數為例（原始資料見Github：https://github.com/WillKoehrsen/Data-Analysis/tree/master/medium ），做一個簡單的互動式長條圖：###############（程式碼中的df 是標準的Pandas dataframe 物件）###############（使用plotly cufflinks 建立的交互式長條圖）######對於已經習慣matplotlib 的同學，你們只需要多打一個字母（把.plot 改成.iplot ），就能獲得看起來更加美觀的交互式圖表！點擊圖片上的元素就能顯示出詳細資訊、隨意縮放，還附帶（我們接下來會提到的）高亮篩選某些部分等超棒功能。 ######如果你想繪製堆疊柱狀圖，也只需要這樣：#########################對pandas 資料表進行簡單的處理，並產生條形圖：########################就像上面展示的那樣，我們可以將plotly cufflinks 和pandas 的能力整合在一起。例如，我們可以先用 .pivot() 進行資料透視表分析，然後再產生長條圖。 ######例如統計不同發表管道中，每篇文章帶來的新增粉絲數：#####################

互動式圖表帶來的好處是，我們可以隨意探索資料、分割子項目進行分析。箱型圖能提供大量的信息，但如果你看不到具體數值，你很可能會錯過其中的一大部分！

散佈圖

散佈圖是大多數分析的核心內容，它能讓我們看出一個變數隨著時間推移的變化情況，或是兩個（或多個）變數之間的關係變化情況。

時間序列分析

在現實世界中，相當部分的資料都帶有時間元素。幸運的是，plotly cufflinks 天生就帶有支援時間序列視覺化分析的功能。

以我在「Towards Data Science」網站上發表的文章資料為例，讓我們以發佈時間為索引建立一個資料集，看看文章熱度的變化：

在上圖中，我們用一行程式碼完成了幾件事：

•  自動產生美觀的時間序列X 軸
• 增加第二條Y 軸，因為兩個變數的範圍並不一致
• 把文章標題放在滑鼠懸停時顯示的標籤中

##為了顯示更多數據，我們可以方便地添加文字註解：

#（帶有文字註解的散佈圖）

在下面的程式碼中，我們將一個雙變數散佈圖按第三個分類變數進行著色：

接下來我們要玩點複雜的：對數座標軸。我們透過指定plotly 的佈局（layout）參數來實現這一點（關於不同的佈局，請參考官方文件https://plot.ly/python/reference/ ），同時我們把點的尺寸（size參數）和一個數值變數read_ratio （閱讀比例）綁定，數字越大，泡泡的大小也越大。

如果想要更複雜一點（詳見Github 的原始碼），我們甚至可以在一張圖中塞進4個變數！ （然而不推薦你們真的這麼搞）

和前面一樣，我們可以將pandas 和plotly cufflinks 結合起來，實現許多有用的圖表：

建議你查看官方文檔，或原始碼，裡面有更多的範例和函數實例。只需要簡單的一兩行程式碼，就可以為你的圖表加上文字註釋，輔助線，最佳擬合線等有用的元素，並且保持原有的各種互動功能。

進階繪圖功能

接下來，我們要詳細介紹幾種特殊的圖表，平時你可能並不會很常用到它們，但我保證只要你用好了它們，一定能讓人刮目相看。我們要用 plotly 的 figure_factory 模組，只需要一行程式碼，就能產生超棒的圖表！

散佈圖矩陣

假如我們要探索許多不同變數之間的關係，散佈圖矩陣（也稱為SPLOM）就是個很棒的選擇：

即使是這樣複雜的圖形，也是完全可互動的，讓我們能更詳盡地對資料進行探索。

關係熱圖

為了體現多個數值變數間的關係，我們可以計算它們的相關性，然後用標註熱度圖的形式進行視覺化：

自訂主題

除了層出不窮的各種圖表外，Cufflinks 還提供了許多不同的著色主題，方便你輕鬆切換各種不同的圖表風格。下面兩張圖分別是「太空」主題和「ggplot」主題：

#此外，還有3D 圖表（曲面和泡泡）：

對有興趣研究的使用者來說，做張餅圖也不是什麼難事：

在Plotly 圖表工坊（Plotly Chart Studio）裡編輯

當你在Jupyter Notebook 裡產生了這些圖表之後，你將會發現圖表的右下角出現了一個小小的鏈接，寫著「Export to plot.ly（發佈到plot.ly）」。如果你點擊這個鏈接，你將會跳到一個「圖表工坊」（https://plot.ly/create/）。

在這裡，你可以在最終展示之前進一步修改和潤飾你的圖表。可以加上標註，選擇某些元素的顏色，把一切都整理清楚，產生一個超棒的圖表。之後，你也可以將它發佈到網路上，產生一個供其他人查閱的連結。

下面兩張圖是在圖表工坊裡製作的：

#講了這麼多，看都看累了吧？然而我們還沒有窮盡這個函式庫的所有功能。限於篇幅，有些更棒的圖表和範例，只好請大家訪問 plotly 和 cufflinks 的官方文件去一一查看咯。

（Plotly 互動式地圖，顯示了美國國內的風力發電場資料。來源：plot.ly）

最後…

關於沉沒成本謬誤，最糟糕的一點在於，人們往往只能在放棄先前的努力時，才能意識到自己浪費了多少時間。

在選擇一個繪圖庫的時候，你最需要的幾個功能有：

快速探索資料所需的一行程式碼圖表

• 拆分/研究資料所需的互動元素
• 當需要時可以深入細節資訊的選項
• 最終展示前能輕易進行客製化

##從現在看來，要用Python 語言實現以上功能的最佳選擇非plotly 莫屬。它讓我們快速產生視覺化圖表，互動功能使我們更好地理解資訊。

我承認，繪圖絕對是資料科學工作中最讓人享受的部分，而 plotly 能讓你更愉悅地完成這些任務。

（用一張圖表顯示一下用Python 繪圖的愉悅程度隨著時間變化。來源towardsdatascience.com）

2022年是時候升級你的Python 繪圖庫了，讓自己在資料科學和視覺化方面變得更快、更強、更美吧！

以上是功能強大的開源 Python 繪圖庫的詳細內容。更多資訊請關注PHP中文網其他相關文章！