教你 5 种高级的可视化方法,动态可交互!
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:
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:
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:
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。
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。
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:
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:
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。
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()
原文链接:https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41
关键词
数据
代码
变量
图表
工具
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。
版权声明:以上内容为用户推荐收藏至CareerEngine平台,其内容(含文字、图片、视频、音频等)及知识版权均属用户或用户转发自的第三方网站,如涉嫌侵权,请通知[email protected]进行信息删除。如需查看信息来源,请点击“查看原文”。如需洽谈其它事宜,请联系[email protected]。