这5种动态炫酷图，也是用Python画的

点击上方“Python数据科学”，星标公众号

重磅干货，第一时间送达

作者丨Liana Mehrabyan

编辑 | 机器之心编译     参与：Panda

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（也可通过 R 使用），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 : "gray"}],
          }))
fig.show()

来源：

https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41

仅作学术交流，如有侵权，请联系删文

- end -

推荐阅读

往期干货

100G数据分析、机器学习资料免费领取

1、扫描下方二维码，添加 Python数据科学 作者微信

2、可申请入群，并获得数据分析、机器学习资料

3、一定要备注：入群 + 地点 + 学校/公司。例如：入群+北京+清华。

长按扫码，申请入群

（添加人数较多，请耐心等待）