使用Python实现炫酷的数据动态图大全

更新时间：2024年06月16日 13:34:27 作者：知来者逆

数据可视化是通过图形、图表、地图等可视元素将数据呈现出来,以便更容易理解、分析和解释,它是将抽象的数据转化为直观形象的过程,本文给大家介绍了使用Python实现炫酷的数据动态图大全,需要的朋友可以参考下

前言

数据可视化是通过图形、图表、地图等可视元素将数据呈现出来，以便更容易理解、分析和解释。它是将抽象的数据转化为直观形象的过程，有助于发现数据中的模式、趋势和关系。数据可视化对于数据科学、商业分析、决策制定等领域都至关重要。当我们想用数据描述世界、阐释想法和展示成果时，如果只有单调的文本和数字，很难吸引观众的注意。漂亮的可视化图表有时能够在表达信息上胜过大量文字。

一、 plotly库

Plotly是一款交互式的数据可视化库，支持多种编程语言，包括Python、R、JavaScript等。它可以用于创建各种类型的图表，从简单的折线图和散点图到复杂的热力图和3D图。Plotly的图表具有动态性和交互性，使用户能够在图表中进行缩放、拖动、悬停等操作，以更深入地探索数据。

安装 Plotly： 在Python中，可以使用以下命令安装Plotly库：

pip install plotly

导入 Plotly： 在Python脚本或Jupyter Notebook中，导入Plotly库：

import plotly.graph_objects as go

创建图表对象： 使用graph_objects模块创建图表对象，例如：

fig = go.Figure()

添加图表元素： 向图表对象添加不同类型的图表元素，如散点、线条、柱形等。

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6], mode='markers', name='Scatter'))

自定义图表： 设置图表的标题、坐标轴标签、布局等。

fig.update_layout(title='My Plotly Chart', xaxis_title='X-axis', yaxis_title='Y-axis')

显示图表： 在Jupyter Notebook中，可以使用以下命令显示图表：

fig.show()

Plotly还支持通过Dash创建交互式的Web应用程序，可以在数据可视化和用户界面方面提供更高级的功能。Dash是基于Plotly构建的开源框架，用于创建仪表板和数据分析应用。通过使用Plotly，可以轻松创建漂亮、交互式的图表，以更好地理解和传达数据。

二、示例

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': "

以上就是使用Python实现炫酷的数据动态图大全的详细内容，更多关于Python数据动态图的资料请关注脚本之家其它相关文章！

您可能感兴趣的文章:

使用python实现kmean算法
这篇文章主要介绍了使用python实现kmean算法,kmean 是无监督学习的一种算法，主要是用来进行聚类分析的，他会在数据集中算出几个点作为簇中心，求这些数据集与这些簇中心的距离，并将距离同一个簇中心距离最近的数据归为一类,需要的朋友可以参考下
2023-04-04
Python 操作SQLite3数据库的实现示例
本文主要介绍了Python 操作SQLite3数据库,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
2026-02-02
Python基础知识之推导式详解
这篇文章主要介绍了Python基础知识之推导式详解,Python推导式是一种简洁高效的代码编写方式，可以用一行代码来创建列表、集合、字典等复杂数据结构,需要的朋友可以参考下
2023-07-07
详解将Python程序(.py)转换为Windows可执行文件(.exe)
这篇文章主要介绍了详解将Python程序(.py)转换为Windows可执行文件(.exe)，小编觉得挺不错的，现在分享给大家，也给大家做个参考。一起跟随小编过来看看吧
2019-07-07
python数据分析近年比特币价格涨幅趋势分布
这篇文章主要为大家介绍了python分析近年来比特币价格涨幅趋势的数据分布，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步
2021-11-11
Python新手入门必备之字符串操作全攻略指南
无论你是在开发网站、分析数据还是编写自动化脚本,字符串 (String) 都是你几乎每天都会打交道的基础数据类型,本文将从字符串的基础概念讲起,逐步深入到各种常用操作和高级技巧,助你轻松驾驭Python字符串
2025-12-12
Jupyter notebook无法链接内核、运行代码问题
文章主要介绍了在VSCode中使用Jupyter Notebook遇到的问题及其解决过程,问题包括包版本冲突、文件冲突、路径错误和找不到文件,通过逐一排查和安装相关依赖包,最终解决了这些问题,使得Jupyter Notebook可以在VSCode中正常运行
2025-02-02
pytorch中Schedule与warmup_steps的用法说明
这篇文章主要介绍了pytorch中Schedule与warmup_steps的用法说明，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
2021-05-05
Python+appium框架原生代码实现App自动化测试详解
这篇文章主要介绍了Python+appium框架原生代码实现App自动化测试详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-03-03
Python中可复用函数的6种实践
为了实现可维护性,我们的Python函数应该：小型、只做一项任务；没有重复；有一个层次的抽象性；有一个描述性的名字和有少于四个参数,下面我们就来看看这6个特性的实践吧
2023-08-08

使用Python实现炫酷的数据动态图大全

目录

前言

一、 plotly库

二、示例

相关文章

最新评论

大家感兴趣的内容

最近更新的内容

常用在线小工具