吹爆了这个可视化神器，上手后直接开大~

大家好，我是明哥。

今天给大家推荐一个可视化神器 - Plotly_express ，上手非常的简单，基本所有的图都只要一行代码就能绘出一张非常酷炫的可视化图。

以下是这个神器的详细使用方法，文中附含大量的 GIF 动图示例图。

注：源代码（ .ipypnb 文件）的获取方式，我放在文末了。记得下载

1. 环境准备

本文的是在如下环境下测试完成的。

• Python3.7

• Jupyter notebook

• Pandas1.1.3

• Plotly_express0.4.1

其中 Plotly_express0.4.1 是本文的主角，安装它非常简单，只需要使用 pip install 就可以

1$ python3 -m pip install plotly_express  
2

2. 工具概述

在说 plotly_express之前，我们先了解下plotly。Plotly是新一代的可视化神器，由TopQ量化团队开源。虽然Ploltly功能非常之强大，但是一直没有得到重视，主要原因还是其设置过于繁琐。因此，Plotly推出了其简化接口：Plotly_express，下文中统一简称为px。

px是对Plotly.py的一种高级封装，其内置了很多实用且现代的绘图模板，用户只需要调用简单的API函数即可实用，从而快速绘制出漂亮且动态的可视化图表。

px是完全免费的，用户可以任意使用它。最重要的是，px和plotly生态系统的其他部分是完全兼容的。用户不仅可以在Dash中使用，还能通过Orca将数据导出为几乎任意文件格式。

官网的学习资料：https://plotly.com/

px的安装是非常简单的，只需要通过pip install plotly_express来安装即可。安装之后的使用：

import plotly_express as px 

3. 开始绘图

接下来我们通过px中自带的数据集来绘制各种精美的图形。

• gapminder

• tips

• wind

3.1 数据集

首先我们看下px中自带的数据集：

1import pandas as pd  
2import numpy as np  
3import plotly_express as px  # 现在这种方式也可行：import plotly.express as px  
4  
5# 数据集  
6gapminder = px.data.gapminder()  
7gapminder.head()  # 取出前5条数据  
8

我们看看全部属性值：

3.2 线型图

线型图line在可视化制图中是很常见的。利用px能够快速地制作线型图：

1# line 图  
2fig = px.line(  
3  gapminder,  # 数据集  
4  x="year",  # 横坐标  
5  y="lifeExp",  # 纵坐标  
6  color="continent",  # 颜色的数据  
7  line_group="continent",  # 线性分组  
8  hover_name="country",   # 悬停hover的数据  
9  line_shape="spline",  # 线的形状  
10  render_mode="svg"  # 生成的图片模式  
11)  
12fig.show()  
13

再来制作面积图：

1# area 图  
2fig = px.area(  
3  gapminder,  # 数据集  
4  x="year",  # 横坐标  
5  y="pop",  # 纵坐标  
6  color="continent",   # 颜色  
7  line_group="country"  # 线性组别  
8)  
9fig.show()  
10

3.3 散点图

散点图的制作调用scatter方法：

指定size参数还能改变每个点的大小：

1px.scatter(  
2  gapminder2007   # 绘图DataFrame数据集  
3  ,x="gdpPercap"  # 横坐标  
4  ,y="lifeExp"  # 纵坐标  
5  ,color="continent"  # 区分颜色  
6  ,size="pop"   # 区分圆的大小  
7  ,size_max=60  # 散点大小  
8)  
9

通过指定facet_col、animation_frame参数还能将散点进行分块显示：

1px.scatter(  
2  gapminder   # 绘图使用的数据  
3  ,x="gdpPercap" # 横纵坐标使用的数据  
4  ,y="lifeExp"  # 纵坐标数据  
5  ,color="continent"  # 区分颜色的属性  
6  ,size="pop"   # 区分圆的大小  
7  ,size_max=60  # 圆的最大值  
8  ,hover_name="country"  # 图中可视化最上面的名字  
9  ,animation_frame="year"  # 横轴滚动栏的属性year  
10  ,animation_group="country"  # 标注的分组  
11  ,facet_col="continent"   # 按照国家country属性进行分格显示  
12  ,log_x=True  # 横坐标表取对数  
13  ,range_x=[100,100000]  # 横轴取值范围  
14  ,range_y=[25,90]  # 纵轴范围  
15  ,labels=dict(pop="Populations",  # 属性名字的变化，更直观  
16               gdpPercap="GDP per Capital",  
17               lifeExp="Life Expectancy")  
18)  
19

3.4 地理数据绘图

在实际的工作中，我们可能会接触到中国地图甚至是全球地图，使用px也能制作：

1px.choropleth(  
2  gapminder,  # 数据集  
3  locations="iso_alpha",  # 配合颜色color显示  
4  color="lifeExp", # 颜色的字段选择  
5  hover_name="country",  # 悬停字段名字  
6  animation_frame="year",  # 注释  
7  color_continuous_scale=px.colors.sequential.Plasma,  # 颜色变化  
8  projection="natural earth"  # 全球地图  
9             )  
10

1fig = px.scatter_geo(  
2  gapminder,   # 数据  
3  locations="iso_alpha",  # 配合颜色color显示  
4  color="continent", # 颜色  
5  hover_name="country", # 悬停数据  
6  size="pop",  # 大小  
7  animation_frame="year",  # 数据帧的选择  
8  projection="natural earth"  # 全球地图  
9                    )  
10  
11fig.show()  
12

1 px.scatter_geo(gapminder, # 数据集  
2  locations="iso_alpha",  # 配和color显示颜色  
3  color="continent",  # 颜色的字段显示  
4  hover_name="country",  # 悬停数据  
5  size="pop",  # 大小  
6  animation_frame="year"  # 数据联动变化的选择  
7  #,projection="natural earth"   # 去掉projection参数  
8)

使用line_geo来制图：

1fig = px.line_geo(  
2  gapminder2007,  # 数据集  
3  locations="iso_alpha",  # 配合和color显示数据  
4  color="continent",  # 颜色  
5  projection="orthographic")   # 球形的地图  
6fig.show()  
7

3.5 使用内置iris数据

我们先看看怎么使用px来查看内置数据的文档：

选择两个属性制图

选择两个属性作为横纵坐标来绘制散点图

1fig = px.scatter(  
2  iris,  # 数据集  
3  x="sepal_width",  # 横坐标  
4  y="sepal_length"  # 纵坐标  
5                )  
6fig.show()  
7

通过color参数来显示不同的颜色：

3.6 联合分布图

我们一个图形中能够将散点图和直方图组合在一起显示：

1px.scatter(  
2  iris,  # 数据集  
3  x="sepal_width", # 横坐标  
4  y="sepal_length",  # 纵坐标  
5  color="species",  # 颜色  
6  marginal_x="histogram",  # 横坐标直方图  
7  marginal_y="rug"   # 细条图  
8)  
9

3.7 小提琴图

小提琴图能够很好的显示数据的分布和误差情况，一行代码利用也能显示小提琴图：

1px.scatter(  
2  iris,  # 数据集  
3  x="sepal_width",  # 横坐标  
4  y="sepal_length",  # 纵坐标  
5  color="species",  # 颜色  
6  marginal_y="violin",  # 纵坐标小提琴图  
7  marginal_x="box",  # 横坐标箱型图  
8  trendline="ols"  # 趋势线  
9)  
10

3.8 散点矩阵图

1px.scatter_matrix(  
2  iris,  # 数据  
3  dimensions=["sepal_width","sepal_length","petal_width","petal_length"],  # 维度选择  
4  color="species")  # 颜色  
5

3.9 平行坐标图

1px.parallel_coordinates(  
2  iris,   # 数据集  
3  color="species_id",  # 颜色  
4  labels={"species_id":"Species",  # 各种标签值  
5          "sepal_width":"Sepal Width",  
6          "sepal_length":"Sepal Length",  
7          "petal_length":"Petal Length",  
8          "petal_width":"Petal Width"},  
9  color_continuous_scale=px.colors.diverging.Tealrose,  
10  color_continuous_midpoint=2)  
11

3.10 箱体误差图

1# 对当前值加上下两个误差值  
2iris["e"] = iris["sepal_width"] / 100  
3px.scatter(  
4  iris,  # 绘图数据集  
5  x="sepal_width",  # 横坐标  
6  y="sepal_length",  # 纵坐标  
7  color="species",  # 颜色值  
8  error_x="e",  # 横轴误差  
9  error_y="e"  # 纵轴误差  
10          )  
11

3.11 等高线图

等高线图反映数据的密度情况：

1px.density_contour(  
2  iris,  # 绘图数据集  
3  x="sepal_width",  # 横坐标  
4  y="sepal_length",  # 纵坐标值  
5  color="species"  # 颜色  
6)  
7

等高线图和直方图的俩和使用：

1px.density_contour(  
2  iris, # 数据集  
3  x="sepal_width",  # 横坐标值  
4  y="sepal_length",  # 纵坐标值  
5  color="species",  # 颜色  
6  marginal_x="rug",  # 横轴为线条图  
7  marginal_y="histogram"   # 纵轴为直方图  
8                  )  
9

3.12 密度热力图

1px.density_heatmap(  
2  iris,  # 数据集  
3  x="sepal_width",   # 横坐标值  
4  y="sepal_length",  # 纵坐标值  
5  marginal_y="rug",  # 纵坐标值为线型图  
6  marginal_x="histogram"  # 直方图  
7                  )  
8

3.13 并行类别图

在接下来的图形中我们使用的小费tips实例，首先是导入数据：

1fig = px.parallel_categories(  
2  tips,  # 数据集   
3  color="size",  # 颜色  
4  color_continuous_scale=px.colors.sequential.Inferno)  # 颜色变化取值  
5fig.show()  
6

3.14 柱状图

1fig = px.bar(  
2  tips,  # 数据集  
3  x="sex",  # 横轴  
4  y="total_bill",  # 纵轴  
5  color="smoker",  # 颜色参数取值  
6  barmode="group",  # 柱状图模式取值  
7  facet_row="time",  # 行取值  
8  facet_col="day",  # 列元素取值  
9  category_orders={  
10    "day": ["Thur","Fri","Sat","Sun"],  # 分类顺序  
11    "time":["Lunch", "Dinner"]})  
12fig.show()  
13

3.15 直方图

1fig = px.histogram(  
2  tips,  # 绘图数据集  
3  x="sex",  # 横轴为性别  
4  y="tip",  # 纵轴为费用  
5  histfunc="avg",  # 直方图显示的函数  
6  color="smoker",  # 颜色  
7  barmode="group",  # 柱状图模式  
8  facet_row="time",  # 行取值  
9  facet_col="day",   # 列取值  
10  category_orders={  # 分类顺序  
11    "day":["Thur","Fri","Sat","Sun"],  
12    "time":["Lunch","Dinner"]}  
13)  
14  
15fig.show()  
16

3.16 箱型图

箱型图也是现实数据的误差和分布情况：

1# notched=True显示连接处的锥形部分  
2px.box(tips,  # 数据集  
3       x="day",  # 横轴数据  
4       y="total_bill",  # 纵轴数据  
5       color="smoker",  # 颜色  
6       notched=True)  # 连接处的锥形部分显示出来  
7

1px.box(  
2  tips,  # 数据集  
3  x="day",  # 横轴  
4 y="total_bill",  # 纵轴   
5 color="smoker",  # 颜色  
6#         notched=True   # 隐藏参数  
7      )  
8

再来画一次小提琴图：

1px.violin(  
2    tips,   # 数据集  
3    x="smoker",  # 横轴坐标  
4    y="tip",  # 纵轴坐标   
5    color="sex",   # 颜色参数取值  
6    box=True,   # box是显示内部的箱体  
7    points="all",  # 同时显示数值点  
8    hover_data=tips.columns)  # 结果中显示全部数据  
9

3.17 极坐标图

在这里我们使用的是内置的wind数据：

散点极坐标图

线性极坐标图

1fig = px.line_polar(  
2    wind,  # 数据集  
3    r="frequency",  # 半径  
4    theta="direction",  # 角度  
5    color="strength",  # 颜色  
6    line_close=True,  # 线性闭合  
7    color_discrete_sequence=px.colors.sequential.Plasma_r)  # 颜色变化  
8fig.show()  
9

柱状极坐标图

1fig = px.bar_polar(  
2    wind,   # 数据集  
3    r="frequency",   # 半径  
4    theta="direction",  # 角度  
5    color="strength",  # 颜色  
6    template="plotly_dark",  # 主题  
7    color_discrete_sequence=px.colors.sequential.Plasma_r)  # 颜色变化  
8fig.show()  
9

4. 颜色面板

在px中有很多的颜色可以供选择，提供了一个颜色面板：

1px.colors.qualitative.swatches()  
2

1px.colors.sequential.swatches()  
2

5. 主题

px中存在3种主题：

• plotly

• plotly_white

• plotly_dark

1px.scatter(  
2    iris,  # 数据集  
3    x="sepal_width",  # 横坐标值  
4    y="sepal_length",  # 纵坐标取值  
5    color="species",  # 颜色  
6    marginal_x="box",  # 横坐标为箱型图  
7    marginal_y="histogram",  # 纵坐标为直方图  
8    height=600,  # 高度  
9    trendline="ols",  # 显示趋势线  
10    template="plotly")  # 主题  
11

1px.scatter(  
2    iris,  # 数据集  
3    x="sepal_width",  # 横坐标值  
4    y="sepal_length",  # 纵坐标取值  
5    color="species",  # 颜色  
6    marginal_x="box",  # 横坐标为箱型图  
7    marginal_y="histogram",  # 纵坐标为直方图  
8    height=600,  # 高度  
9    trendline="ols",  # 显示趋势线  
10    template="plotly_white")  # 主题 

1px.scatter(  
2    iris,  # 数据集  
3    x="sepal_width",  # 横坐标值  
4    y="sepal_length",  # 纵坐标取值  
5    color="species",  # 颜色  
6    marginal_x="box",  # 横坐标为箱型图  
7    marginal_y="histogram",  # 纵坐标为直方图  
8    height=600,  # 高度  
9    trendline="ols",  # 显示趋势线  
10    template="plotly_dark")  # 主题 

6. 总结一下

本文中利用大量的篇幅讲解了如何通过plotly_express来绘制：柱状图、线型图、散点图、小提琴图、极坐标图等各种常见的图形。通过观察上面Plotly_express绘制图形过程，我们不难发现它有三个主要的优点：

• 快速出图，少量的代码就能满足多数的制图要求。基本上都是几个参数的设置我们就能快速出图

• 图形漂亮，绘制出来的可视化图形颜色亮丽，也有很多的颜色供选择。

• 图形是动态可视化的。文章中图形都是截图，如果是在Jupyter notebook中都是动态图形

希望通过本文的讲解能够帮助堵住快速入门plotly_express可视化神器。

-------------------********************************** End **********-------------**-----********-**********************************

往期精彩文章推荐：

• Python自带爬虫库urllib使用大全

• 一篇文章教会你使用Python定时抓取微博评论

• 一篇文章教会你使用Python图片格式转换器并识别图片中的文字

  ---

欢迎各位大佬点击链接加入群聊【helloworld开发者社区】：https://jq.qq.com/?_wv=1027&k=mBlk6nzX进群交流IT技术热点。

本文转自 https://mp.weixin.qq.com/s/S6DuP-zp7YmF4Tt1hzz3TQ，如有侵权，请联系删除。