共计 3102 个字符，预计需要花费 8 分钟才能阅读完成。
明天给大家分享一篇可视化干货，介绍的是功能强大的开源 Python 绘图库 Plotly，教你如何用超简略的（甚至只有一行！）代码，绘制出更棒的图表。
我之前始终守着 matplotlib 用的起因，就是为了我学会它简单的语法，曾经“沉没 ” 在外面的几百个小时的工夫老本。这也导致我破费了不知多少个深夜，在 StackOverflow 上搜寻如何“格式化日期”或“减少第二个 Y 轴”。
但咱们当初有一个更好的抉择了 —— 比方易于应用、文档健全、功能强大的开源 Python 绘图库 Plotly。明天就带你深刻体验下，理解它如何用超简略的（甚至只有一行！）代码，绘制出更棒的图表。
本文中所有代码都曾经在 Github 上开源，所有的图表都是可交互的，请应用 Jupyter notebook 查看。
（plotly 绘制的范例图表。 图片起源： plot.ly）
Plotly 概述
plotly 的 Python 软件包是一个开源的代码库，它基于 plot.js，而后者基于 d3.js。咱们理论应用的则是一个对 plotly 进行封装的库，名叫 cufflinks，它能让你更不便地应用 plotly 和 Pandas 数据表协同工作。
* 注： Plotly 自身是一个领有多个不同产品和开源工具集的可视化技术公司。 Plotly 的 Python 库是能够收费应用的，在离线模式能够创立数量不限的图表，在线模式因为用到了 Plotly 的共享服务，只能生成并分享 25 张图表。
本文中的所有可视化图表都是在 Jupyter Notebook 中应用离线模式的 plotly + cufflinks 库实现的。在应用 pip install cufflinks plotly 实现装置后，你能够用上面这样的代码在 Jupyter 里实现导入：
单变量散布：柱状图和箱形图
单变量剖析图往往是开始数据分析时的规范做法，而柱状图基本上算是单变量散布剖析时必备的图表之一（尽管它还有一些有余）。
就拿博客文章点赞总数为例，做一个简略的交互式柱状图：
（代码中的 df 是规范的 Pandas dataframe 对象）
（应用 plotly+cufflinks 创立的交互式柱状图）
对于曾经习惯 matplotlib 的同学，你们只须要多打一个字母（把 .plot 改成 .iplot），就能取得看起来更加好看的交互式图表！点击图片上的元素就能显示出详细信息、随便缩放，还带有（咱们接下来会提到的）高亮筛选某些局部等超棒性能。
如果你想绘制重叠柱状图，也只须要这样：
对 pandas 数据表进行简略的解决，并生成条形图：
就像下面展现的那样，咱们能够将 plotly + cufflinks 和 pandas 的能力整合在一起。比方，咱们能够先用 .pivot() 进行数据透视表剖析，而后再生成条形图。
比方统计不同发表渠道中，每篇文章带来的新增粉丝数：
交互式图表带来的益处是，咱们能够随便摸索数据、拆分子项进行剖析。箱型图能提供大量的信息，但如果你看不到具体数值，你很可能会错过其中的一大部分！
散点图
散点图是大多数剖析的核心内容，它能让咱们看出一个变量随着时间推移的变动状况，或是两个（或多个）变量之间的关系变动状况。
工夫序列剖析
在事实世界中，相当局部的数据都带有工夫元素。侥幸的是，plotly + cufflinks 天生就带有反对工夫序列可视化剖析的性能。
以我在“Towards Data Science”网站上发表的文章数据为例，让咱们以公布工夫为索引构建一个数据集，看看文章热度的变动状况：
在上图中，咱们用一行代码实现了几件事件：
- 主动生成好看的工夫序列 X 轴
- 减少第二条 Y 轴，因为两个变量的范畴并不统一
- 把文章题目放在鼠标悬停时显示的标签中
为了显示更多数据，咱们能够不便地增加文本正文：
（带有文本正文的散点图）
上面的代码中，咱们将一个双变量散点图按第三个分类变量进行着色：
接下来咱们要玩点简单的：对数坐标轴。咱们通过指定 plotly 的布局（layout）参数来实现这一点（对于不同的布局，请参考官网文档，同时咱们把点的尺寸（size 参数）和一个数值变量 read_ratio（浏览比例）绑定，数字越大，泡泡的尺寸也越大。
如果想要更简单一些（详见 Github 的源代码），咱们甚至能够在一张图里塞进 4 个变量！（然而并不举荐你们真的这么搞）
和后面一样，咱们能够将 pandas 和 plotly+cufflinks 联合起来，实现许多有用的图表：
倡议你查看官网文档，或者源代码，外面有更多的范例和函数实例。只须要简略的一两行代码，就能够为你的图表加上文字正文，辅助线，最佳拟合线等有用的元素，并且放弃原有的各种交互式性能。
高级绘图性能
接下来，咱们要具体介绍几种非凡的图表，平时你可能并不会很常常用到它们，但我保障只有你用好了它们，肯定能让人另眼相看。咱们要用到 plotly 的 figure_factory 模块，只须要一行代码，就能生成超棒的图表！
散点图矩阵
如果咱们要摸索许多不同变量之间的关系，散点图矩阵（也被称为 SPLOM）就是个很棒的抉择：
即便是这样简单的图形，也是齐全可交互的，让咱们能更详尽地对数据进行摸索。
关系热图
为了体现多个数值变量间的关系，咱们能够计算它们的相关性，而后用带标注热度图的模式进行可视化：
自定义主题
除了层出不穷的各种图表外，Cufflinks 还提供了许多不同的着色主题，不便你轻松切换各种不同的图表格调。上面两张图别离是“太空”主题和“ggplot”主题：
此外，还有 3D 图表（曲面和泡泡）：
对有趣味钻研的用户来说，做张饼图也不是什么难事：
在 Plotly 图表工坊（Plotly Chart Studio）里编辑
当你在 Jupyter Notebook 里生成了这些图表之后，你将会发现图表的右下角呈现了一个小小的链接，写着“Export to plot.ly（公布到 plot.ly）”。如果你点击这个链接，你将会跳转到一个“图表工坊”。
在这里，你能够在最终展现之前进一步批改和润色你的图表。能够增加标注，抉择某些元素的色彩，把所有都整顿分明，生成一个超棒的图表。之后，你还能够将它公布到网络上，生成一个供其他人查阅的链接。
上面两张图是在图表工坊里制作的：
讲了这么多，看都看累了吧？然而咱们还并没有穷尽这个库的所有性能。限于篇幅，有些更棒的图表和范例，只好请大家拜访 plotly 和 cufflinks 的官网文档去一一查看咯。
（Plotly 交互式地图，显示了美国国内的风力发电场数据。 起源： plot.ly）
最初 ……
对于沉没老本舛误，最蹩脚的一点在于，人们往往只能在放弃之前的致力时，能力意识到本人节约了多少工夫。
在抉择一款绘图库的时候，你最须要的几个性能有：
- 疾速摸索数据所需的一行代码图表
- 拆分 / 钻研数据所需的交互式元素
- 当须要时能够深刻细节信息的选项
- 最终展现前能轻易进行定制
从当初看来，要用 Python 语言实现以上性能的最佳抉择非 plotly 莫属。它让咱们疾速生成可视化图表，交互性能使咱们更好地了解信息。
我抵赖，绘图相对是数据迷信工作中最让人享受的局部，而 plotly 能让你更加愉悦地实现这些工作。
（用一张图表显示一下用 Python 绘图的愉悦水平随着工夫变动。 起源 towardsdatascience.com）
2022 年是时候降级你的 Python 绘图库了，让本人在数据迷信和可视化方面变得更快、更强、更美吧！
以上就是本次分享的所有内容，如果你感觉文章还不错，欢送关注公众号：Python 编程学习圈，每日干货分享，发送“J”还可支付大量学习材料，内容笼罩 Python 电子书、教程、数据库编程、Django，爬虫，云计算等等。或是返回编程学习网，理解更多编程技术常识。
