大家好，我是明哥。
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。
注：源代码（ .ipypnb 文件）的获取方式，我放在文末了。记得下载
1. 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
2. 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：
importplotly_expressaspx
3. 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
3.1 数据集
首先我们看下px中自带的数据集：
importpandasaspd
importnumpyasnp
importplotly_expressaspx# 现在这种方式也可行：import plotly.express as px
# 数据集
gapminder = px.data.gapminder()
gapminder.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"] /100
px.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()
4. 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()
5. 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
6. 总结一下
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