用 Python 繪製動態視覺化圖表，太酷了！

對資料科學家來說，說故事是一個至關重要的技能。為了表達我們的想法並且說服別人，我們需要有效的溝通。而漂漂亮亮的視覺化是完成這項任務的絕佳工具。

本文將介紹5種非傳統的視覺化技術，讓你的數據故事更漂亮、更有效。這裡將使用Python的Plotly圖形庫，讓你可以毫不費力地產生動畫圖表和互動式圖表。

安裝模組

如果你還沒安裝Plotly，只需在你的終端機執行以下指令即可完成安裝：

pip install plotly

視覺化動態圖

在研究這個或那個指標的演變時，我們常常涉及到時間資料。 Plotly動畫工具只要一行程式碼就能讓人觀看資料隨時間的變化情況，如下圖所示：

#程式碼如下：

import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,
 y="Entity",
 x="Deaths",
 animation_frame="Year",
 orientation='h',
 range_x=[0, df.Deaths.max()],
 color="Entity")
# improve aesthetics (size, grids etc.)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)',
title_text='Evolution of Natural Disasters',
showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()

只要你有一個時間變數來過濾，那麼幾乎任何圖表都可以做成動畫。以下是一個製作散點圖動畫的例子：

import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(
df,
x="gdpPercap",
y="lifeExp",
animation_frame="year",
size="pop",
color="continent",
hover_name="country",
log_x=True,
size_max=55,
range_x=[100, 100000],
range_y=[25, 90],
# color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)')

太陽圖

太陽圖（sunburst chart）是一種視覺化group by語句的好方法。如果你想透過一個或多個類別變數來分解一個給定的量，那就用太陽圖。

假設我們想根據性別和每天的時間分解平均小費數據，那麼相較於表格，這種雙重group by語句可以透過視覺化來更有效地展示。

這個圖表是互動式的，讓你可以自己點擊並探索各個類別。你只需要定義你的所有類別，並聲明它們之間的層次結構（請參閱以下程式碼中的parents參數）並指派對應的值即可，這在我們案例中即為group by語句的輸出。

import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd
df = px.data.tips()
fig = go.Figure(go.Sunburst(
labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],
parents=["", "", "Female", "Female", 'Male', 'Male'],
values=np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex', 'time']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
 plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()

現在我們再向這個層次結構再增加一層：

為此，我們再加入另一個涉及三個類別變數的group by語句的值。

import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=[
"Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',
'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri', 'Sat', 'Sun', 'Fri ', 'Thu '
],
parents=[
"", "", "Female", "Female", 'Male', 'Male',
'Dinner', 'Dinner', 'Dinner', 'Dinner',
'Lunch', 'Lunch', 'Dinner ', 'Dinner ',
'Dinner ', 'Lunch ', 'Lunch '
],
values=np.append(
np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex',
'time']).tip.mean().values,
),
df.groupby(['sex', 'time',
'day']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
 plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')

fig.show()

指標圖

指標圖只是為了好看​​。在報告 KPI 等成功指標並展示其與您的目標的距離時，可以使用這種圖表。

import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
domain = {'x': [0, 1], 'y': [0, 1]},
value = 4.3,
mode = "gauge+number+delta",
title = {'text': "Success Metric"},
delta = {'reference': 3.9},
gauge = {'bar': {'color': "lightgreen"},
'axis': {'range': [None, 5]},
 'steps' : [
 {'range': [0, 2.5], 'color': "lightgray"},
 {'range': [2.5, 4], 'color': "gray"}],
}))
fig.show()

桑基圖

另一種探索類別變數之間關係的方法是以下這種平行座標圖。你可以隨時拖放、高亮和瀏覽值，非常適合演示時使用。

程式碼如下：

import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_categories(
df,
dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],
color="Genre_id",
color_continuous_scale=px.colors.sequential.Emrld,
)
fig.show()

平行座標圖

平行座標圖是上面的圖表的衍生版本。這裡，每一根弦都代表單一觀察。這是一種可用於識別離群值（遠離其它資料的單條線）、聚類、趨勢和冗餘變數（例如如果兩個變數在每個觀察值上的值都相近，那麼它們將位於同一水平線上，表示存在冗餘）的好用工具。

程式碼如下：

import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_coordinates(
df,
dimensions=[
'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',
'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'
],
color='IMDB_Rating',
color_continuous_scale=px.colors.sequential.Emrld)
fig.show()

以上是用 Python 繪製動態視覺化圖表，太酷了！的詳細內容。更多資訊請關注PHP中文網其他相關文章！