【四 （4）数据可视化之 Ploty Express常用图表及代码实现 】

文章导航

【一 简明数据分析进阶路径介绍（文章导航）】

一、介绍

plotly是一个基于javascript的绘图库，python语言对相关参数进行了封装，ploty默认是生成HTML网页文件，通过浏览器查看，也可以在jupyter notebook中显示。

二、安装Plotly Express

pip install plotly

三、导入Plotly Express

import plotly.express as px

四、占比类图表

1、饼图

import plotly.express as px  
import pandas as pd  # 假设我们有以下数据  
data = {  '类别': ['类别A', '类别B', '类别C', '类别D'],  '值': [20, 30, 15, 35]  
}  
df = pd.DataFrame(data)  # 绘制饼图  
fig = px.pie(df, values='值', names='类别', title='饼图示例')  fig.update_traces(textposition='inside', textinfo='percent+label')  
fig.show()

2、环形图

import plotly.express as px  
import pandas as pd  # 环形图其实就是带孔的饼图  
fig = px.pie(df, values='值', names='类别', title='环形图示例', hole=.3)  
fig.update_layout(  font_family="SimHei",  title_font_size=16,  legend_title_text='类别',  legend_font_size=12  
)  
fig.update_traces(textposition='inside', textinfo='percent+label')  
fig.show()

3、堆叠条形图

import plotly.express as px  
import pandas as pd  
# 假设我们有以下数据，包含多个分类和它们的值  
data = {  '年份': ['2020', '2020', '2021', '2021'],  '类别': ['A', 'B', 'A', 'B'],  '值': [10, 15, 20, 25]  
}  
df = pd.DataFrame(data)  # 绘制堆叠条形图  
fig = px.bar(df, x='年份', y='值', color='类别', barmode='stack', title='堆叠条形图示例')    def set_text(trace):  trace.text = [f"{val:.1f}" for val in trace.y]  trace.textposition = 'outside'  fig.for_each_trace(set_text)  
fig.show()

4、百分比堆叠条形图

import plotly.express as px  
import pandas as pd  # 假设数据  
data = {  '年份': ['2020', '2020', '2021', '2021'],  '类别': ['A', 'B', 'A', 'B'],  '值': [10, 15, 20, 25]  
}  
df = pd.DataFrame(data)  # 计算每个年份的总值，用于计算百分比  
df['总值'] = df.groupby('年份')['值'].transform('sum')  
df['百分比'] = (df['值'] / df['总值']) * 100  # 绘制堆叠条形图  
fig = px.bar(df, x='年份', y='百分比', color='类别', barmode='stack', title='百分比堆叠条形图示例')  # 遍历每个轨迹并设置文本  
def set_text(trace):  trace.text = [f"{val:.1f}%" for val in trace.y]  trace.textposition = 'outside'  fig.for_each_trace(set_text)  # 显示图表  
fig.show()  

五、比较排序类

1、条形图

import plotly.express as px  
import pandas as pd  # 假设我们有以下数据  
data = {  '类别': ['A', 'B', 'C', 'D'],  '值': [20, 35, 30, 25]  
}  
df = pd.DataFrame(data)  # 绘制条形图  
fig = px.bar(df, x='类别', y='值', title='条形图示例')  # 遍历每个轨迹并设置文本  
def set_text(trace):  trace.text = [f"{val:.1f}" for val in trace.y]  trace.textposition = 'outside'  fig.for_each_trace(set_text)  # 显示图表  
fig.show()

2、漏斗图

import plotly.express as px  
import pandas as pd  data = dict(number=[10000,7000,4000,2000,1000],stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel(data,x='number',y='stage')# 显示图表  
fig.show()  

3、面积漏斗图

import plotly.express as px  
import pandas as pd  data = dict(number=[10000,7000,4000,2000,1000],stage=["浏览次数","关注数量","下载数量","咨询数量","成交数量"])
fig = px.funnel_area(names=data['stage'],values=data['number'])# 显示图表  
fig.show()  

六、趋势类图表

1、折线图

import plotly.express as px  
import pandas as pd  # 假设的数据集  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '销售额': [12000, 15000, 18000, 13000, 16000, 19000]  
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 使用Plotly Express绘制折线图  
fig = px.line(df, x='月份', y='销售额', title='每月销售额趋势', labels={'月份': '月份', '销售额': '销售额'})  # 显示图表  
fig.show()

2、多图例折线图

import plotly.express as px  
import pandas as pd  # 假设的数据集，包含两个不同类别的销售额  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '线上销售额': [12000, 15000, 18000, 13000, 16000, 19000],  '线下销售额': [8000, 10000, 12000, 14000, 11000, 13000]  
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 使用Plotly Express绘制多图例折线图  
fig = px.line(df, x='月份', y=['线上销售额', '线下销售额'], title='每月线上与线下销售额趋势')  # 显示图表  
fig.show()

3、分列折线图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建示例数据  
np.random.seed(0)  
date_rng = pd.date_range(start='2023-01-01', periods=12, freq='M')  # 生成12个月的日期范围  
categories = ['Category1', 'Category2']  # 分类变量  
subcategories = ['Sub1', 'Sub2', 'Sub3']  # 子分类变量  # 生成时间序列数据  
df = pd.DataFrame()  
for cat in categories:  for subcat in subcategories:  data = np.random.rand(len(date_rng))  # 随机生成数据  df = df.append(pd.DataFrame({  'Date': date_rng,  'Category': cat,  'Subcategory': subcat,  'Value': data  }), ignore_index=True)  # 将Date列转换为pandas的日期格式  
df['Date'] = pd.to_datetime(df['Date'])  # 设置Date列为索引，以便在折线图中使用它作为x轴  
df.set_index('Date', inplace=True)  # 绘制分列折线图  
fig = px.line(df, x=df.index, y='Value', color='Subcategory',  #facet_row='Category',  # 按照Category进行分行展示  facet_col='Category',  # 按照Category进行分列展示  title='分列折线图示例',  labels={'Value': '数值', 'Subcategory': '子类别'},  width=1000, height=600)  # 显示图表  
fig.show()

4、面积图

import plotly.express as px  
import pandas as pd  # 假设的数据集  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '销售额': [12000, 15000, 18000, 13000, 16000, 19000]
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 计算累积销售额  
df['累积销售额'] = df['销售额'].cumsum()  
# 使用Plotly Express绘制面积图  
fig = px.area(df, x='月份', y='累积销售额', title='累积销售额趋势', labels={'月份': '月份', '累积销售额': '累积销售额'})  # 设置面积图的颜色填充
fig.update_traces(fill='tonexty', fillcolor='lightskyblue')# 显示图表
fig.show()

5、多图例面积图

import plotly.express as px  
import pandas as pd  # 假设的数据集  
data = {  '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],  '产品A销售额': [1000, 1200, 1500, 1300, 1600, 1800],  '产品B销售额': [800, 1000, 1100, 1400, 1500, 1700]  
}  # 创建Pandas DataFrame  
df = pd.DataFrame(data)  # 使用Plotly Express绘制多图例面积图  
fig = px.area(df, x='月份', y=['产品A销售额', '产品B销售额'],   title='不同产品销售额趋势',  labels={'月份': '月份', '产品A销售额': '产品A销售额', '产品B销售额': '产品B销售额'},  color_discrete_sequence=['#1f77b4', '#ff7f0e'])  # 更新图表的样式和布局  
fig.update_layout(  xaxis=dict(  titlefont=dict(size=16, color='black'),  tickfont=dict(size=12),  ),  yaxis=dict(  titlefont=dict(size=16, color='black'),  tickfont=dict(size=12),  ),  legend=dict(  x=0.01,  y=0.99,  bgcolor='rgba(255, 255, 255, 0.8)',  bordercolor='rgba(0, 0, 0, 0.5)'  ),  font=dict(  size=12,  color='black'  ),  plot_bgcolor='rgba(240, 240, 240, 1)',  # 设置背景色  paper_bgcolor='rgba(240, 240, 240, 1)',  # 设置画布背景色  margin=dict(l=40, r=40, t=60, b=30)  # 设置图表边距  
)  # 显示图表  
fig.show()

七、频率分布类

1、直方图

import plotly.express as px  
import numpy as np  # 生成一个正态分布的数据集  
np.random.seed(0)  # 设置随机种子以便结果可复现  
data = np.random.normal(loc=0, scale=1, size=1000)  # 生成均值为0，标准差为1的正态分布数据  # 创建一个简单的DataFrame来存储数据  
df = pd.DataFrame(data, columns=['值'])# 绘制直方图  
fig = px.histogram(df, x='值', nbins=30, title='数据集的直方图示例',  histnorm='probability density',  # 归一化为概率密度  opacity=0.8,  # 设置条形的透明度  color_discrete_sequence=['#4E79A7'])  # 设置条形的颜色  # 更新布局以美化图表  
fig.update_layout(  font_family="SimHei",  # 使用支持中文的字体  title_font_size=16,  # 标题字体大小  xaxis_title_text='值',  # x轴标题  yaxis_title_text='概率密度',  # y轴标题  xaxis_tickfont_size=12,  # x轴刻度字体大小  yaxis_tickfont_size=12,  # y轴刻度字体大小  barmode='overlay',  # 设置条形的堆叠模式（如果需要的话）  bargap=0.1,  # 设置条形之间的间隙  bargroupgap=0.1  # 设置组之间的间隙  
)  # 显示图表  
fig.show()

2、箱线图

import plotly.express as px  # 假设我们有以下数据，包含分类列'category'和数值列'value'  
data = {  'category': ['A', 'A', 'B', 'B', 'C', 'C', 'D', 'D'],  'value': [1, 2, 5, 4, 3, 7, 6, 8]  
}  
df = pd.DataFrame(data)  # 绘制箱线图  
fig = px.box(df, x='category', y='value', title='箱线图示例')  fig.show()

八、关系类图表

1、散点图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建示例数据  
np.random.seed(0)  
df = pd.DataFrame({  'x': np.random.randn(200),  'y': np.random.randn(200),  'category': np.random.choice(['A', 'B', 'C'], 200)  
})  # 绘制散点图  
fig = px.scatter(df, x='x', y='y', color='category',  title='散点图示例',  labels={'x': 'X轴变量', 'y': 'Y轴变量', 'category': '类别'},  width=800, height=600)  # 显示图表  
fig.show()

2、分列散点图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建示例数据  
np.random.seed(0)  
df = pd.DataFrame({  'Category': np.repeat(['A', 'B'], 200),  'X': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),  'Y': np.concatenate((np.random.randn(200) + 2, np.random.randn(200) - 2)),  'Subcategory': np.tile(['Sub1', 'Sub2', 'Sub3', 'Sub4'], 100)  
})  # 绘制分列散点图  
fig = px.scatter(df, x='X', y='Y', color='Subcategory',  facet_col='Category',  title='分列散点图示例',  labels={'X': 'X轴数据', 'Y': 'Y轴数据', 'Subcategory': '子类别'},  width=1000, height=600,  facet_col_wrap=2 # 设置每行显示的子图数量  )  # 显示图表  
fig.show()

3、气泡图

import plotly.express as px  
import pandas as pd  
import numpy as np  # 创建一个简单的DataFrame作为示例  
np.random.seed(0)  # 设置随机种子以便结果可复现  
df = pd.DataFrame({  'x': np.random.randn(200),  # x轴数据  'y': np.random.randn(200),  # y轴数据  'size': np.random.uniform(10, 50, 200),  # 气泡大小  'category': np.random.choice(['A', 'B', 'C', 'D'], 200)  # 气泡的类别  
})  # 使用px.scatter绘制气泡图  
fig = px.scatter(df, x='x', y='y', size='size', color='category',  title='气泡图示例',  labels={'x': 'X轴数据', 'y': 'Y轴数据', 'size': '大小', 'category': '类别'},  hover_data=['size', 'category'],  # 鼠标悬停时显示的数据  log_x=False,  # 是否对X轴使用对数尺度，这里我们不使用  width=800, height=600)  # 显示图表  
fig.show()   

4、热力图

import seaborn as sns  # 创建随机二维数据矩阵  
data = np.random.rand(10, 12)  
df_heat = pd.DataFrame(data, columns=[f'Col{i}' for i in range(1, 13)],  index=[f'Row{i}' for i in range(1, 11)])  # 绘制热力图  
fig = px.imshow(df_heat,  title='热力图示例',  labels=dict(x="列", y="行", color="值"),  x=df_heat.columns, y=df_heat.index,  color_continuous_scale='viridis',  width=800, height=600)  # 显示图表  
fig.show()

5、成对关系图

import seaborn as sns  # 使用内置的iris数据集作为示例  
df_iris = px.data.iris()  # 绘制成对关系图  
fig = px.scatter_matrix(df_iris,  dimensions=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'],  color='species',  title='成对关系图示例',  width=1000, height=800)  # 显示图表  
fig.show()