【Plotly快速入門】用Plotly繪製了幾張精湛的圖表，美翻了！！

fig.show

output

可能讀者會感覺到繪製出來的圖表略顯簡單，我們再來完善一下，添加上標題和註解，代碼如下

# create figure

fig = go.Figure

# 繪製圖表

fig.add_trace(

go.Bar(x=keys, y=vals, hovertemplate= "Key: %{x}
Value: %{y}")

)

# 更新完善圖表

fig.update_layout(

font_family= "Averta",

hoverlabel_font_family= "Averta",

title_text= "直方圖",

xaxis_title_text= "X軸-鍵",

xaxis_title_font_size=18,

xaxis_tickfont_size=16,

yaxis_title_text= "Y軸-值",

yaxis_title_font_size=18,

yaxis_tickfont_size=16,

hoverlabel_font_size=16,

height=600,

width=600

)

fig.show

output

分組條形圖和堆積條形圖

例如我們有多組數據想要繪製成柱狀圖的話，我們先來創建好數據集

vals_2 = np.ceil(100 * np.random.rand(5)).astype(int)

vals_3 = np.ceil(100 * np.random.rand(5)).astype(int)

vals_array = [vals, vals_2, vals_3]

然後我們遍歷獲取列表中的數值並且繪製成條形圖，代碼如下

# 生成畫布

fig = go.Figure

# 繪製圖表

fori, vals inenumerate(vals_array):

fig.add_trace(

go.Bar(x=keys, y=vals, name=f "Group {i+1}", hovertemplate=f "Group {i+1}
Key: %{{x}}
Value: %{{y}}")

)

# 完善圖表

fig.update_layout(

barmode= "group",

......

)

fig.show

output

而我們想要變成堆積狀的條形圖，只需要修改代碼中的一處即可，將 fig.update_layout(barmode="group") 修改成 fig.update_layout(barmode="group") 即可，我們來看一下出來的樣子

箱型圖

箱型圖在數據統計分析當中也是應用相當廣泛的，我們先來創建兩個假數據

# create dummy data for boxplots

y1 = np.random.normal(size=1000)

y2 = np.random.normal(size=1000)

我們將上面生成的數據繪製成箱型圖，代碼如下

# 生成畫布

fig = go.Figure

# 繪製圖表

fig.add_trace(

go.Box(y=y1, name= "Dataset 1"),

)

fig.add_trace(

go.Box(y=y2, name= "Dataset 2"),

)

fig.update_layout(

......

)

fig.show

output

散點圖和氣泡圖

接下來我們嘗試來繪製一張散點圖，也是一樣的步驟，我們想嘗試生成一些假數據，代碼如下

x = [i fori inrange(1, 10)]

y = np.ceil(1000 * np.random.rand(10)).astype(int)

然後我們來繪製散點圖，調用的是 Scatter 方法，代碼如下

# create figure

fig = go.Figure

fig.add_trace(

go.Scatter(x=x, y=y, mode= "markers", hovertemplate= "x: %{x}
y: %{y}")

)

fig.update_layout(

.......

)

fig.show

output

那麼氣泡圖的話就是在散點圖的基礎上，根據數值的大小來設定散點的大小，我們再來創建一些假數據用來設定散點的大小，代碼如下

s = np.ceil(30 * np.random.rand(5)).astype(int)

我們將上面用作繪製散點圖的代碼稍作修改，通過 marker_size 參數來設定散點的大小，如下所示

fig = go.Figure

fig.add_trace(

go.Scatter(x=x, y=y, mode= "markers", marker_size=s, text=s, hovertemplate= "x: %{x}
y: %{y}
Size: %{text}")

)

fig.update_layout(

......

)

fig.show

output

直方圖

直方圖相比較於上面提到的幾種圖表，總體上來說會稍微有點丑，但是通過直方圖，讀者可以更加直觀地感受到數據的分布，我們先來創建一組假數據，代碼如下

## 創建假數據

data = np.random.normal(size=1000)

然後我們來繪製直方圖，調用的是 Histogram 方法，代碼如下

# 創建畫布

fig = go.Figure

# 繪製圖表

fig.add_trace(

go.Histogram(x=data, hovertemplate= "Bin Edges: %{x}
Count: %{y}")

)

fig.update_layout(

height=600,

width=600

)

fig.show

output

我們再在上述圖表的基礎之上再進行進一步的格式優化，代碼如下

# 生成畫布

fig = go.Figure

# 繪製圖表

fig.add_trace(

go.Histogram(x=data, histnorm= "probability", hovertemplate= "Bin Edges: %{x}
Count: %{y}")

)

fig.update_layout(

......

)

fig.show

output

多個子圖拼湊到一塊兒

相信大家都知道在 matplotlib 模塊當中的 subplots 方法可以將多個子圖拼湊到一塊兒，那麼同樣地在 plotly 當中也可以同樣地將多個子圖拼湊到一塊兒，調用的是 plotly 模塊當中 make_subplots 函數

from plotly.subplots import make_subplots

## 2行2列的圖表

fig = make_subplots(rows=2, cols=2)

## 生成一批假數據用於圖表的繪製

x = [i fori inrange(1, 11)]

y = np.ceil(100 * np.random.rand(10)).astype(int)

s = np.ceil(30 * np.random.rand(10)).astype(int)

y1 = np.random.normal(size=5000)

y2 = np.random.normal(size=5000)

接下來我們將所要繪製的圖表添加到 add_trace 方法當中，代碼如下

# 繪製圖表

fig.add_trace(

go.Bar(x=x, y=y, hovertemplate= "x: %{x}
y: %{y}"),

row=1, col=1

)

fig.add_trace(

go.Histogram(x=y1, hovertemplate= "Bin Edges: %{x}
Count: %{y}"),

row=1, col=2

)

fig.add_trace(

go.Scatter(x=x, y=y, mode= "markers", marker_size=s, text=s, hovertemplate= "x: %{x}
y: %{y}
Size: %{text}"),

row=2, col=1

)

fig.add_trace(

go.Box(y=y1, name= "Dataset 1"),

row=2, col=2

)

fig.add_trace(

go.Box(y=y2, name= "Dataset 2"),

row=2, col=2

)

fig.update_xaxes(title_font_size=18, tickfont_size=16)

fig.update_yaxes(title_font_size=18, tickfont_size=16)

fig.update_layout(

......

)

fig.show

output

點這裡關注我，記得標星哦~

CDA課程諮詢