手把手教你用plotly绘制excel中常见的8种图表
最近不是在学习plotly嘛，为了方便理解，我们这里取excel绘图中常见的16种图表为例，分两期演示这些基础图表怎么用plotly进行绘制！
- 第一部分：柱状图、条形图、折线图、面积图、饼图与圆环图、散点图、气泡图和极坐标(雷达图)
- 第二部分：树状图、旭日图、直方图、箱线图、瀑布图、漏斗图、股价图和地图
excel插入图表
今天，我们介绍第一部分8类图表的绘制。
目录：
- 准备工作
- 柱状图
- 条形图
- 折线图
- 面积图
- 饼图与圆环图
- 散点图
- 气泡图
- 极坐标(雷达图)
0. 准备工作
我这边是在jupyterlab中演示的plotly图表，如果只安装plotly是无法正常显示图表的（会显示为空白），我们需要进行以下准备(以下命令均在cmd下操作即可)：
# 安装plotly库及plotly-orca库
pip install plotly
pip install plotly plotly-orca
# Basic JupyterLab renderer support
jupyter labextension install jupyterlab-plotly
# OPTIONAL: Jupyter widgets extension for FigureWidget support
jupyter labextension install @jupyter-widgets/jupyterlab-manager plotlywidget参考：https://github.com/plotly/plotly.py
plotly有两种绘图方式，其一是原始graph_objects，其二是Plotly Express。我们这里用到的是后者，至于其中的区别，大概就是后者是高级版本，封装了很多后者的复杂操作，可以直接用pandas.Dataframe类型，是现在主推的。
1. 柱状图
我们知道，在excel插入图表的时候，柱状图一般可选堆叠柱状图和簇状柱状图。
柱状图：
# 自带数据集 gapminder
data = px.data.gapminder()
data.head()
gapminder
# 柱状图
import plotly.express as px
data_canada = px.data.gapminder().query("country == 'Canada'")
fig = px.bar(
data_canada, # 数据集
x='year', # x轴
y='pop', # y轴
)
fig.show()
柱状图
堆叠柱状图：
# 自带数据集 medals_long（长表数据）
long_df = px.data.medals_long()
long_df.head()
medals_long
# 堆叠柱状图 （使用长表数据，这种数据excel无法直接绘制堆叠图）
import plotly.express as px
long_df = px.data.medals_long()
fig = px.bar(
long_df, # 数据集
x="nation", # x轴
y="count", # y轴
color="medal", # 图例颜色（这种情况下需要设定该参数根据medal类型才区分，否则同色）
title="堆叠柱状图 Long-Form Input", # 图表标题
)
fig.show()
堆叠柱状图-长表
# 自带数据集 medals_long（宽表数据）
wide_df = px.data.medals_wide()
wide_df.head()
宽表
# 堆叠柱状图 （使用长表数据，这种数据excel可以直接绘制堆叠图）
import plotly.express as px
wide_df = px.data.medals_wide()
fig = px.bar(wide_df, x="nation",
y=["gold", "silver", "bronze"],
title="堆叠柱状图 Wide-Form Input")
fig.show()
堆叠柱状图-宽表
**簇状柱状图 **：
# 簇状柱状图
import plotly.express as px
long_df = px.data.medals_long()
fig = px.bar(
long_df,
x="nation",
y="count",
color="medal",
title="簇状柱状图 Long-Form Input",
barmode='group', # barmode 设置为 group则为簇状柱形图，可选 stack(叠加)、group(并列)、overlay(覆盖)、relative(相对)
)
fig.show()
簇状柱状图
类似于excel里柱状图填充色中依据数据点着色：
# 类似于excel里柱状图填充色中依据数据点着色
import plotly.express as px
data = px.data.gapminder()
data_canada = data[data.country == 'Canada']
fig = px.bar(data_canada, x='year', y='pop',
hover_data=['lifeExp', 'gdpPercap'],
color='lifeExp', # 指定柱状图颜色根据 lifeExp字段数值大小自动着色
labels={'pop':'population of Canada'},
height=400, # 图表高度
)
fig.show()
数据点着色
2. 条形图
条形图其实就是柱状图转个90度，横着显示呗。所以，本质上是一样的，唯一的区别：在 Bar 函数中设置orientation='h'，其余参数与柱状图相同。
# 在plotly绘图中，条形图与柱状图唯一的区别：在 Bar 函数中设置orientation='h'，其余参数与柱状图相同
import plotly.express as px
data = px.data.gapminder()
data_canada = data[data.country == 'Canada']
fig = px.bar(data_canada, y='year', x='pop',
hover_data=['lifeExp', 'gdpPercap'],
color='lifeExp', # 指定柱状图颜色根据 lifeExp字段数值大小自动着色
labels={'pop':'population of Canada'},
height=600, # 图表高度
width=800, # 图表宽度
orientation='h' # 条形图设置参数
)
fig.show()
条形图
3. 折线图
折线图大致可以是画一个折线图或多条折线图。
单个折线图：
# 折线图
import plotly.express as px
df = px.data.gapminder().query("country=='Canada'")
fig = px.line(df, x="year", y="lifeExp", title='Life expectancy in Canada',
text='lifeExp', # 数据点显示值
line_shape='linear', # 共有6种插值方式：'linear'、'spline'、'hv'、'vh'、'hvh'和'vhv。
)
fig.update_traces(
texttemplate='%{text:.2f}', # 数据点显示值的格式
textposition='top center', # 数据点显示的位置：'top left', 'top center', 'top right', 'middle left','middle center', 'middle right', 'bottom left', 'bottom center', 'bottom right'
)
fig.show()
单折线图
多折线图：
# 多折线图
import plotly.express as px
# 比如绘制大洋洲（有澳大利亚和新西兰）
df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp",
color='country', # 按照国家区分
)
fig.show()
多折线图
分组多折线图：
# 分组多折线图
import plotly.express as px
# 绘制各大洲每个国家人均寿命随着时间变化曲线
df = px.data.gapminder().query("continent != 'Asia'") # remove Asia for visibility
fig = px.line(df, x="year", y="lifeExp",
color="continent",
line_group="country",
hover_name="country")
fig.show()
分组多折线图
4. 面积图
import plotly.express as px
# 比如绘制大洋洲（有澳大利亚和新西兰）
df = px.data.gapminder().query("continent=='Oceania'")
fig = px.area(df, x="year", y="pop",
color='country', # 按照国家区分
)
fig.show()
面积图
5. 饼图与圆环图
我们在用excel绘制饼图的时候，可以选择既定配色方案，还可以自定义每个色块的颜色。用plotly绘制的时候，这些自定义操作也是支持的。
# 饼图
import plotly.express as px
# 筛选2007年欧洲数据
df = px.data.gapminder().query("year == 2007").query("continent == 'Europe'")
# 将小于200万的国家标记为其他
df.loc[df['pop'] < 2.e6, 'country'] = 'Other countries'
# 绘制饼图
fig = px.pie(df, values='pop', names='country', title='Population of European continent')
fig.show()
饼图
字段多条数据自动处理：
# 自带数据集 tips,字段day下是星期，存在多条
df = px.data.tips()
df.head()
tips数据预览
我们可以看到，在tips数据集中，day字段是星期，包含很多同星期的数据。在进行饼图绘制的时候，以day字段做分类，可以自动实际聚合求和操作。
# 如果 分类 标签下有很多数据，则会自动进行分组求和
import plotly.express as px
# This dataframe has 244 lines, but 4 distinct values for `day`
df = px.data.tips()
fig = px.pie(df, values='tip', names='day')
fig.show()
自动聚合做饼图
设置配色方案：
关于配色方案的更多选择，大家可以参考《我又用Python爬取了4000+股票数据，并用plotly绘制了树状热力图(treemap)》里介绍的内容。
# 设置配色方案
import plotly.express as px
df = px.data.tips()
fig = px.pie(df, values='tip', names='day',
color_discrete_sequence=px.colors.sequential.RdBu, # 设置配色方案
)
fig.show()
设置配色方案作图
我们也可以自定义每个色块颜色：
# 自定义配色
import plotly.express as px
df = px.data.tips()
fig = px.pie(df, values='tip', names='day', color='day',
color_discrete_map={'Thur':'lightcyan',
'Fri':'cyan',
'Sat':'royalblue',
'Sun':'darkblue'})
fig.show()
自定义每个色块颜色
在饼图上显示数据标签：
# 在饼图上显示数据标签
import plotly.express as px
df = px.data.gapminder().query("year == 2007").query("continent == 'Asia'")
fig = px.pie(df, values='pop', names='country',
title='Population of American continent',
hover_data=['lifeExp'],
labels={'lifeExp':'life expectancy'}
)
fig.update_traces(textposition='inside',
textinfo='percent+label' # 数据标签显示的内容
)
fig.show()
在饼图上显示数据标签
圆环图：
圆环图是指饼图中间一定半径的圆部分为空白，设置参数hole=int即可（0-1）。
# 圆环图
import plotly.express as px
df = px.data.tips()
fig = px.pie(df, values='tip', names='day',
color_discrete_sequence=px.colors.sequential.RdBu,
hole=.3, # 设置空心半径比例
)
fig.show()
圆环图
6. 散点图
散点图是x和y均为数字列表情况下的坐标点图。
x轴和y轴均是列表的形式：
# x轴和y轴均是列表的形式
import plotly.express as px
fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
fig.show()
列表数据散点图
给定pd.Dataframe类型数据：
# 自带数据集 iris
df = px.data.iris()
df.head()
iris数据集
pd.Dataframe类型数据散点图
# 设置数据点颜色和大小
import plotly.express as px
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", y="sepal_length",
color="species", # 根据species字段区分颜色
size='petal_length', # 根据sepal_length设置大小
hover_data=['petal_width'],
)
fig.show()
设置数据点颜色额大小
做个三角函数的图：
import plotly.express as px
import numpy as np
t = np.linspace(0, 2*np.pi, 100)
fig = px.scatter(x=t, y=np.cos(t), labels={'x':'t', 'y':'cos(t)'})
fig.show()
cos(t)
7. 气泡图
# 气泡图
import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(df.query("year==2007"), x="gdpPercap", y="lifeExp",
size="pop", # 设置气泡大小依据字段pop
color="continent",
hover_name="country",
log_x=True,
size_max=60, #设置最大气泡
)
fig.show()
气泡图
8. 极坐标(雷达图)
极坐标下，可以用点或线进行构图，绘制点则用px.scatter_polar，绘制线则用px.line_polar。
# 自带数据集 wind
df = px.data.wind()
df.head()
wind
import plotly.express as px
df = px.data.wind()
fig = px.scatter_polar(df,
r="frequency", # 半径
theta="direction", # 类型
)
fig.show()
极坐标
着色和分组标识：
import plotly.express as px
df = px.data.wind()
fig = px.scatter_polar(df, r="frequency", theta="direction",
color="strength", # 颜色根据strength着色
symbol="strength", # 符号根据strength区分
size="frequency", # 大小根据 frequency 区分
color_discrete_sequence=px.colors.sequential.Plasma_r, # 设置配色方案
)
fig.show()
着色和分组标识
雷达图：
# 雷达图
import plotly.express as px
df = px.data.wind()
fig = px.line_polar(df, r="frequency",
theta="direction",
color="strength",
line_close=True, # 线条是否闭环
color_discrete_sequence=px.colors.sequential.Plasma_r,
template="plotly_dark", # 主题模板
)
fig.show()
雷达图
扇形区域图：
# 扇形图区域
import plotly.express as px
fig = px.scatter_polar(r=range(0,90,10), theta=range(0,90,10),
range_theta=[0,90], # 设定区域
start_angle=0,
direction="counterclockwise", # 方位：'counterclockwise' 逆时针 ，'clockwise'顺时针
)
fig.show()
扇形区域图
对比Excel系列图书累积销量达15w册，让你轻松掌握数据分析技能，感兴趣的同学可以直接在各大电商平台搜索书名了解：
版权说明 : 本文为转载文章, 版权归原作者所有 版权申明
原文链接 : https://blog.csdn.net/junhongzhang/article/details/122504962
内容来源于网络，如有侵权，请联系作者删除！