首页 >后端开发 >Python教程 >分享Python如何利用plotly绘制数据图表的案例（图文）

分享Python如何利用plotly绘制数据图表的案例（图文）

黄舟原创: 2017-07-18 11:18:515424浏览

本篇文章主要介绍了Python使用plotly绘制数据图表的方法，实例分析了plotly绘制的技巧，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

导语：使用 python-plotly 模块来进行压测数据的绘制，并且生成静态 html 页面结果展示。

不少小伙伴在开发过程中都有对模块进行压测的经历，压测结束后大家往往喜欢使用Excel处理压测数据并绘制数据可视化视图，但这样不能很方便的使用web页面进行数据展示。本文将介绍使用python-plotly模块来进行压测数据的绘制，并且生成静态html页面方便结果展示。

Plotly简介

Plotly是一款使用JavaScript开发的制图工具，提供了与主流数据分析语言交互的API（如：Python, R, MATLAB）。大家可以到官网 https://plot.ly/ 了解更多详细的信息。Plotly能够绘制具有用户交互功能的精美图表。

Python-Plotly 安装

本文档主要是介绍使用plotly的Python API来进行几种简单图表的绘制，更多Plotly的用法请参考 https://plot.ly/python/

Python-Plotly可以使用pip安装，并且最好在Python2.7版本及以上安装使用，如果使用Python2.6版本，请自行安装Python2.7和对应的pip。

Plotly绘图实例

line-plots

绘图效果：

生成的html页面在右上角提供了丰富的交互工具。

代码：

def line_plots(name):
  &#39;&#39;&#39;
  绘制普通线图
  &#39;&#39;&#39;
  #数据，x为横坐标，y,z为纵坐标的两项指标，三个array长度相同
  dataset = {&#39;x&#39;:[0,1,2,3,4,5,6,7,8,9],
        &#39;y&#39;:[5,4,1,3,11,2,6,7,19,20],
        &#39;z&#39;:[12,9,0,0,3,25,8,17,22,5]}
  data_g = []
  #分别插入 y, z
  tr_x = Scatter(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;y&#39;],
    name = &#39;y&#39; 
  )
  data_g.append(tr_x)
  tr_z = Scatter(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;z&#39;],
    name = &#39;z&#39; 
  )
  data_g.append(tr_z)
  #设置layout,指定图表title,x轴和y轴名称
  layout = Layout(title="line plots", xaxis={&#39;title&#39;:&#39;x&#39;}, yaxis={&#39;title&#39;:&#39;value&#39;})
  #将layout设置到图表
  fig = Figure(data=data_g, layout=layout)
  #绘图,输出路径为name参数指定
  pltoff.plot(fig, filename=name)

scatter-plots

绘图效果：

代码：

def scatter_plots(name):
  &#39;&#39;&#39;
  绘制散点图
  &#39;&#39;&#39;
  dataset = {&#39;x&#39;:[0,1,2,3,4,5,6,7,8,9],
        &#39;y&#39;:[5,4,1,3,11,2,6,7,19,20],
        &#39;text&#39;:[&#39;5_txt&#39;,&#39;4_txt&#39;,&#39;1_txt&#39;,&#39;3_txt&#39;,&#39;11_txt&#39;,&#39;2_txt&#39;,&#39;6_txt&#39;,&#39;7_txt&#39;,&#39;19_txt&#39;,&#39;20_txt&#39;]}

  data_g = []

  tr_x = Scatter(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;y&#39;],
    text = dataset[&#39;text&#39;],
    textposition=&#39;top center&#39;,
    mode=&#39;markers+text&#39;,
    name = &#39;y&#39; 
  )
  data_g.append(tr_x)

  layout = Layout(title="scatter plots", xaxis={&#39;title&#39;:&#39;x&#39;}, yaxis={&#39;title&#39;:&#39;value&#39;})
  fig = Figure(data=data_g, layout=layout)
  pltoff.plot(fig, filename=name)

bar-charts

绘图效果：

代码：

def bar_charts(name):
  &#39;&#39;&#39;
  绘制柱状图
  &#39;&#39;&#39;
  dataset = {&#39;x&#39;:[&#39;Windows&#39;, &#39;Linux&#39;, &#39;Unix&#39;, &#39;MacOS&#39;],
        &#39;y1&#39;:[45, 26, 37, 13],
        &#39;y2&#39;:[19, 27, 33, 21]}
  data_g = []
  tr_y1 = Bar(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;y1&#39;],
    name = &#39;v1&#39;
  )
  data_g.append(tr_y1)

  tr_y2 = Bar(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;y2&#39;],
    name = &#39;v2&#39;
  )
  data_g.append(tr_y2)
  layout = Layout(title="bar charts", xaxis={&#39;title&#39;:&#39;x&#39;}, yaxis={&#39;title&#39;:&#39;value&#39;})
  fig = Figure(data=data_g, layout=layout)
  pltoff.plot(fig, filename=name)

pie-charts

绘图效果：

代码：

def pie_charts(name):
  &#39;&#39;&#39;
  绘制饼图
  &#39;&#39;&#39;
  dataset = {&#39;labels&#39;:[&#39;Windows&#39;, &#39;Linux&#39;, &#39;Unix&#39;, &#39;MacOS&#39;, &#39;Android&#39;, &#39;iOS&#39;],
        &#39;values&#39;:[280, 25, 10, 100, 250, 270]} 
  data_g = []
  tr_p = Pie(
    labels = dataset[&#39;labels&#39;],
    values = dataset[&#39;values&#39;]
  )
  data_g.append(tr_p)
  layout = Layout(title="pie charts")
  fig = Figure(data=data_g, layout=layout)
  pltoff.plot(fig, filename=name)

filled-area-plots

本例是绘制具有填充效果的堆叠线图，适合分析具有堆叠百分比属性的数据

绘图效果：

代码：

def filled_area_plots(name):
  &#39;&#39;&#39;
  绘制堆叠填充的线图
  &#39;&#39;&#39;
  dataset = {&#39;x&#39;:[0,1,2,3,4,5,6,7,8,9],
        &#39;y1&#39;:[5,4,1,3,11,2,6,7,19,20],
        &#39;y2&#39;:[12,9,0,0,3,25,8,17,22,5],
        &#39;y3&#39;:[13,22,46,1,15,4,18,11,17,20]}

  #计算y1,y2,y3的堆叠占比
  dataset[&#39;y1_stack&#39;] = dataset[&#39;y1&#39;]
  dataset[&#39;y2_stack&#39;] = [y1+y2 for y1, y2 in zip(dataset[&#39;y1&#39;], dataset[&#39;y2&#39;])]
  dataset[&#39;y3_stack&#39;] = [y1+y2+y3 for y1, y2, y3 in zip(dataset[&#39;y1&#39;], dataset[&#39;y2&#39;], dataset[&#39;y3&#39;])]

  dataset[&#39;y1_text&#39;] = [&#39;%s(%s%%)&#39;%(y1, y1*100/y3_s) for y1, y3_s in zip(dataset[&#39;y1&#39;], dataset[&#39;y3_stack&#39;])]
  dataset[&#39;y2_text&#39;] = [&#39;%s(%s%%)&#39;%(y2, y2*100/y3_s) for y2, y3_s in zip(dataset[&#39;y2&#39;], dataset[&#39;y3_stack&#39;])]
  dataset[&#39;y3_text&#39;] = [&#39;%s(%s%%)&#39;%(y3, y3*100/y3_s) for y3, y3_s in zip(dataset[&#39;y3&#39;], dataset[&#39;y3_stack&#39;])]

  data_g = []
  tr_1 = Scatter(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;y1_stack&#39;],
    text = dataset[&#39;y1_text&#39;],
    hoverinfo = &#39;x+text&#39;,
    mode = &#39;lines&#39;,
    name = &#39;y1&#39;, 
    fill = &#39;tozeroy&#39; #填充方式: 到x轴
  )
  data_g.append(tr_1)

  tr_2 = Scatter(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;y2_stack&#39;],
    text = dataset[&#39;y2_text&#39;],
    hoverinfo = &#39;x+text&#39;,
    mode = &#39;lines&#39;,
    name = &#39;y2&#39;, 
    fill = &#39;tonexty&#39; #填充方式:到下方的另一条线
  )
  data_g.append(tr_2)

  tr_3 = Scatter(
    x = dataset[&#39;x&#39;],
    y = dataset[&#39;y3_stack&#39;],
    text = dataset[&#39;y3_text&#39;],
    hoverinfo = &#39;x+text&#39;,
    mode = &#39;lines&#39;,
    name = &#39;y3&#39;,
    fill = &#39;tonexty&#39;
  )
  data_g.append(tr_3)

  layout = Layout(title="field area plots", xaxis={&#39;title&#39;:&#39;x&#39;}, yaxis={&#39;title&#39;:&#39;value&#39;})
  fig = Figure(data=data_g, layout=layout)
  pltoff.plot(fig, filename=name)

小结

本文介绍了利用python-plotly绘制数据图的方法，实例中线图(line plots)、散点图(scatter plots)、柱状图(bar charts)、饼图(pie charts)以及填充堆叠线图(filled area plots)这五种典型的图表基本上涵盖了大部分类型的测试数据，各位小伙伴可以加以变形绘制出更多的漂亮图标。

以上是分享Python如何利用plotly绘制数据图表的案例（图文）的详细内容。更多信息请关注PHP中文网其他相关文章！

声明：

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系admin@php.cn

上一篇：如何使用Python完成一个NoSQL数据库的示例代码分享下一篇：python中关于日志（logging模块）的性能以及多进程的全面解析

查看更多