这5种炫酷的动态图,都是用Python实现的!

2023-10-23 18:28

本文主要是介绍这5种炫酷的动态图,都是用Python实现的!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果,但如果只有单调乏味的文本和数字,我们却往往能难抓住观众的眼球。而很多时候,一张漂亮的可视化图表就足以胜过千言万语。本文将介绍 5 种基于 Plotly 的可视化方法,你会发现,原来可视化不仅可用直方图和箱形图,还能做得如此动态好看甚至可交互。

对数据科学家来说,讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人,我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍 5 种非传统的可视化技术,可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库,让你可以毫不费力地生成动画图表和交互式图表。

那么,Plotly 有哪些好处?Plotly 的整合能力很强:可与 Jupyter Notebook 一起使用,可嵌入网站,并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。

启动

如果你还没安装 Plotly,只需在你的终端运行以下命令即可完成安装:

pip install plotly

安装完成后,就开始使用吧!

动画

在研究这个或那个指标的演变时,我们常涉及到时间数据。Plotly 动画工具仅需一行代码就能让人观看数据随时间的变化情况,如下图所示:

代码如下:

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()

只要你有一个时间变量来过滤,那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子:

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)')  

太阳图

太阳图(sunburst chart)是一种可视化 group by 语句的好方法。如果你想通过一个或多个类别变量来分解一个给定的量,那就用太阳图吧。

假设我们想根据性别和每天的时间分解平均小费数据,那么相较于表格,这种双重 group by 语句可以通过可视化来更有效地展示。

这个图表是交互式的,让你可以自己点击并探索各个类别。你只需要定义你的所有类别,并声明它们之间的层次结构(见以下代码中的 parents 参数)并分配对应的值即可,这在我们案例中即为 group by 语句的输出。

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()  

现在我们向这个层次结构再添加一层:

为此,我们再添加另一个涉及三个类别变量的 group by 语句的值。

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()  

平行类别

另一种探索类别变量之间关系的方法是以下这种流程图。你可以随时拖放、高亮和浏览值,非常适合演示时使用。

代码如下:

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()  

平行坐标图

平行坐标图是上面的图表的连续版本。这里,每一根弦都代表单个观察。这是一种可用于识别离群值(远离其它数据的单条线)、聚类、趋势和冗余变量(比如如果两个变量在每个观察上的值都相近,那么它们将位于同一水平线上,表示存在冗余)的好用工具。

代码如下:

 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()

量表图和指示器

量表图仅仅是为了好看。在报告 KPI 等成功指标并展示其与你的目标的距离时,可以使用这种图表。

指示器在业务和咨询中非常有用。它们可以通过文字记号来补充视觉效果,吸引观众的注意力并展现你的增长指标。

 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': "

关于Python学习指南

学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!

包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,人工智能、自动化办公等学习教程。带你从零基础系统性的学好Python!

👉Python所有方向的学习路线👈

Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(全套教程文末领取)

在这里插入图片描述

👉Python学习视频600合集👈

观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

在这里插入图片描述

温馨提示:篇幅有限,已打包文件夹,获取方式在:文末

👉Python70个实战练手案例&源码👈

光学理论是没用的,要学会跟着一起敲,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

在这里插入图片描述

👉Python大厂面试资料👈

我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。

在这里插入图片描述

在这里插入图片描述

👉Python副业兼职路线&方法👈

学好 Python 不论是就业还是做副业赚钱都不错,但要学会兼职接单还是要有一个学习规划。

在这里插入图片描述

👉 这份完整版的Python全套学习资料已经上传,朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取保证100%免费

点击免费领取《CSDN大礼包》:Python入门到进阶资料 & 实战源码 & 兼职接单方法 安全链接免费领取

这篇关于这5种炫酷的动态图,都是用Python实现的!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/269651

相关文章

Python实现终端清屏的几种方式详解

《Python实现终端清屏的几种方式详解》在使用Python进行终端交互式编程时,我们经常需要清空当前终端屏幕的内容,本文为大家整理了几种常见的实现方法,有需要的小伙伴可以参考下... 目录方法一:使用 `os` 模块调用系统命令方法二:使用 `subprocess` 模块执行命令方法三:打印多个换行符模拟

SpringBoot+EasyPOI轻松实现Excel和Word导出PDF

《SpringBoot+EasyPOI轻松实现Excel和Word导出PDF》在企业级开发中,将Excel和Word文档导出为PDF是常见需求,本文将结合​​EasyPOI和​​Aspose系列工具实... 目录一、环境准备与依赖配置1.1 方案选型1.2 依赖配置(商业库方案)二、Excel 导出 PDF

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

基于Python开发一个图像水印批量添加工具

《基于Python开发一个图像水印批量添加工具》在当今数字化内容爆炸式增长的时代,图像版权保护已成为创作者和企业的核心需求,本方案将详细介绍一个基于PythonPIL库的工业级图像水印解决方案,有需要... 目录一、系统架构设计1.1 整体处理流程1.2 类结构设计(扩展版本)二、核心算法深入解析2.1 自

使用zip4j实现Java中的ZIP文件加密压缩的操作方法

《使用zip4j实现Java中的ZIP文件加密压缩的操作方法》本文介绍如何通过Maven集成zip4j1.3.2库创建带密码保护的ZIP文件,涵盖依赖配置、代码示例及加密原理,确保数据安全性,感兴趣的... 目录1. zip4j库介绍和版本1.1 zip4j库概述1.2 zip4j的版本演变1.3 zip4

从入门到进阶讲解Python自动化Playwright实战指南

《从入门到进阶讲解Python自动化Playwright实战指南》Playwright是针对Python语言的纯自动化工具,它可以通过单个API自动执行Chromium,Firefox和WebKit... 目录Playwright 简介核心优势安装步骤观点与案例结合Playwright 核心功能从零开始学习

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典

Python自动化批量重命名与整理文件系统

《Python自动化批量重命名与整理文件系统》这篇文章主要为大家详细介绍了如何使用Python实现一个强大的文件批量重命名与整理工具,帮助开发者自动化这一繁琐过程,有需要的小伙伴可以了解下... 目录简介环境准备项目功能概述代码详细解析1. 导入必要的库2. 配置参数设置3. 创建日志系统4. 安全文件名处

使用Python构建一个高效的日志处理系统

《使用Python构建一个高效的日志处理系统》这篇文章主要为大家详细讲解了如何使用Python开发一个专业的日志分析工具,能够自动化处理、分析和可视化各类日志文件,大幅提升运维效率,需要的可以了解下... 目录环境准备工具功能概述完整代码实现代码深度解析1. 类设计与初始化2. 日志解析核心逻辑3. 文件处

python生成随机唯一id的几种实现方法

《python生成随机唯一id的几种实现方法》在Python中生成随机唯一ID有多种方法,根据不同的需求场景可以选择最适合的方案,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习... 目录方法 1:使用 UUID 模块(推荐)方法 2:使用 Secrets 模块(安全敏感场景)方法