作者 | Peter
来源 | Python编程时光
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。
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。
$ python3 -m pip install plotly_express
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
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
首先我们看下px中自带的数据集：
import pandas as pdimport numpy as npimport plotly_express as px # 现在这种方式也可行：import plotly.express as px# 数据集gapminder = px.data.gapmindergapminder.head # 取出前5条数据
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：
# line 图fig = px.line( gapminder, # 数据集 x="year", # 横坐标 y="lifeExp", # 纵坐标 color="continent", # 颜色的数据 line_group="continent", # 线性分组 hover_name="country", # 悬停hover的数据 line_shape="spline", # 线的形状 render_mode="svg" # 生成的图片模式)fig.show
再来制作面积图：
# area 图fig = px.area( gapminder, # 数据集 x="year", # 横坐标 y="pop", # 纵坐标 color="continent", # 颜色 line_group="country" # 线性组别)fig.show
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：
px.scatter( gapminder2007 # 绘图DataFrame数据集 ,x="gdpPercap" # 横坐标 ,y="lifeExp" # 纵坐标 ,color="continent" # 区分颜色 ,size="pop" # 区分圆的大小 ,size_max=60 # 散点大小)
通过指定facet_col、animation_frame参数还能将散点进行分块显示：
px.scatter(gapminder # 绘图使用的数据,x="gdpPercap" # 横纵坐标使用的数据,y="lifeExp" # 纵坐标数据,color="continent" # 区分颜色的属性,size="pop" # 区分圆的大小,size_max=60 # 圆的最大值,hover_name="country" # 图中可视化最上面的名字,animation_frame="year" # 横轴滚动栏的属性year,animation_group="country" # 标注的分组,facet_col="continent" # 按照国家country属性进行分格显示,log_x=True # 横坐标表取对数,range_x=[100,100000] # 横轴取值范围,range_y=[25,90] # 纵轴范围,labels=dict(pop="Populations", # 属性名字的变化，更直观gdpPercap="GDP per Capital",lifeExp="Life Expectancy"))
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：
px.choropleth( gapminder, # 数据集 locations="iso_alpha", # 配合颜色color显示 color="lifeExp", # 颜色的字段选择 hover_name="country", # 悬停字段名字 animation_frame="year", # 注释 color_continuous_scale=px.colors.sequential.Plasma, # 颜色变化 projection="natural earth" # 全球地图 )
fig = px.scatter_geo(gapminder, # 数据locations="iso_alpha", # 配合颜色color显示color="continent", # 颜色hover_name="country", # 悬停数据size="pop", # 大小animation_frame="year", # 数据帧的选择projection="natural earth" # 全球地图)
fig.show
px.scatter_geo(gapminder, # 数据集locations="iso_alpha", # 配和color显示颜色color="continent", # 颜色的字段显示hover_name="country", # 悬停数据size="pop", # 大小animation_frame="year" # 数据联动变化的选择#,projection="natural earth" # 去掉projection参数)
使用line_geo来制图：
fig = px.line_geo(gapminder2007, # 数据集locations="iso_alpha", # 配合和color显示数据color="continent", # 颜色projection="orthographic") # 球形的地图fig.show
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
fig = px.scatter(iris, # 数据集x="sepal_width", # 横坐标y="sepal_length" # 纵坐标)fig.show
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：
px.scatter( iris, # 数据集 x="sepal_width", # 横坐标 y="sepal_length", # 纵坐标 color="species", # 颜色 marginal_x="histogram", # 横坐标直方图 marginal_y="rug" # 细条图)
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：
px.scatter( iris, # 数据集 x="sepal_width", # 横坐标 y="sepal_length", # 纵坐标 color="species", # 颜色 marginal_y="violin", # 纵坐标小提琴图 marginal_x="box", # 横坐标箱型图 trendline="ols" # 趋势线)
3.8 散点矩阵图
px.scatter_matrix( iris, # 数据 dimensions=["sepal_width","sepal_length","petal_width","petal_length"], # 维度选择 color="species") # 颜色
3.9 平行坐标图
px.parallel_coordinates(iris, # 数据集color="species_id", # 颜色labels={"species_id":"Species", # 各种标签值"sepal_width":"Sepal Width","sepal_length":"Sepal Length","petal_length":"Petal Length","petal_width":"Petal Width"},color_continuous_scale=px.colors.diverging.Tealrose,color_continuous_midpoint=2)
3.10 箱体误差图
# 对当前值加上下两个误差值iris["e"] = iris["sepal_width"] / 100px.scatter(iris, # 绘图数据集x="sepal_width", # 横坐标y="sepal_length", # 纵坐标color="species", # 颜色值error_x="e", # 横轴误差error_y="e" # 纵轴误差)
3.11 等高线图
等高线图反映数据的密度情况：
px.density_contour( iris, # 绘图数据集 x="sepal_width", # 横坐标 y="sepal_length", # 纵坐标值 color="species" # 颜色)
等高线图和直方图的俩和使用：
px.density_contour( iris, # 数据集 x="sepal_width", # 横坐标值 y="sepal_length", # 纵坐标值 color="species", # 颜色 marginal_x="rug", # 横轴为线条图 marginal_y="histogram" # 纵轴为直方图 )
3.12 密度热力图
px.density_heatmap(iris, # 数据集x="sepal_width", # 横坐标值y="sepal_length", # 纵坐标值marginal_y="rug", # 纵坐标值为线型图marginal_x="histogram" # 直方图)
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：
fig = px.parallel_categories(tips, # 数据集 color="size", # 颜色color_continuous_scale=px.colors.sequential.Inferno) # 颜色变化取值fig.show
3.14 柱状图
fig = px.bar(tips, # 数据集x="sex", # 横轴y="total_bill", # 纵轴color="smoker", # 颜色参数取值barmode="group", # 柱状图模式取值facet_row="time", # 行取值facet_col="day", # 列元素取值category_orders={"day": ["Thur","Fri","Sat","Sun"], # 分类顺序"time":["Lunch", "Dinner"]})fig.show
3.15 直方图
fig = px.histogram(tips, # 绘图数据集x="sex", # 横轴为性别y="tip", # 纵轴为费用histfunc="avg", # 直方图显示的函数color="smoker", # 颜色barmode="group", # 柱状图模式facet_row="time", # 行取值facet_col="day", # 列取值category_orders={ # 分类顺序"day":["Thur","Fri","Sat","Sun"],"time":["Lunch","Dinner"]})
fig.show
3.16 箱型图
箱型图也是现实数据的误差和分布情况：
# notched=True显示连接处的锥形部分px.box(tips, # 数据集x="day", # 横轴数据y="total_bill", # 纵轴数据color="smoker", # 颜色notched=True) # 连接处的锥形部分显示出来
px.box( tips, # 数据集 x="day", # 横轴 y="total_bill", # 纵轴 color="smoker", # 颜色# notched=True # 隐藏参数 )
再来画一次小提琴图：
px.violin( tips, # 数据集 x="smoker", # 横轴坐标 y="tip", # 纵轴坐标 color="sex", # 颜色参数取值 box=True, # box是显示内部的箱体 points="all", # 同时显示数值点 hover_data=tips.columns) # 结果中显示全部数据
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
fig = px.line_polar(wind, # 数据集r="frequency", # 半径theta="direction", # 角度color="strength", # 颜色line_close=True, # 线性闭合color_discrete_sequence=px.colors.sequential.Plasma_r) # 颜色变化fig.show
柱状极坐标图
fig = px.bar_polar(wind, # 数据集r="frequency", # 半径theta="direction", # 角度color="strength", # 颜色template="plotly_dark", # 主题color_discrete_sequence=px.colors.sequential.Plasma_r) # 颜色变化fig.show
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：
px.colors.qualitative.swatches
px.colors.sequential.swatches
主题
px中存在3种主题：
plotly
plotly_white
plotly_dark
px.scatter(iris, # 数据集x="sepal_width", # 横坐标值y="sepal_length", # 纵坐标取值color="species", # 颜色marginal_x="box", # 横坐标为箱型图marginal_y="histogram", # 纵坐标为直方图height=600, # 高度trendline="ols", # 显示趋势线template="plotly") # 主题
px.scatter( iris, # 数据集 x="sepal_width", # 横坐标值 y="sepal_length", # 纵坐标取值 color="species", # 颜色 marginal_x="box", # 横坐标为箱型图 marginal_y="histogram", # 纵坐标为直方图 height=600, # 高度 trendline="ols", # 显示趋势线 template="plotly_white") # 主题
px.scatter(iris, # 数据集x="sepal_width", # 横坐标值y="sepal_length", # 纵坐标取值color="species", # 颜色marginal_x="box", # 横坐标为箱型图marginal_y="histogram", # 纵坐标为直方图height=600, # 高度trendline="ols", # 显示趋势线template="plotly_dark") # 主题
总结
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。