这5种炫酷的动态图，都是用Python实现的！

编程入门行业动态更新时间:2024-10-22 20:38:09

这5种炫酷的动态图，<a href=https://www.elefans.com/category/jswz/34/1768580.html style= 都是用Python实现的！"/>

这5种炫酷的动态图，都是用Python实现的！

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': "