共计 2725 个字符,预计需要花费 7 分钟才能阅读完成。
装置
要装置它,请在终端中输出以下命令。
pip install plotly
复制代码
[图片上传失败 …(image-348f36-1641976165820)]
散点图
散点图中 Plotly 能够应用被创立 scatter()
plotly.express 的办法。和 Seaborn 一样,这里也须要一个额定的数据参数。
例子:
import plotly.express as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
# 绘制散点图
fig = px.scatter(data, x="day", y="tip", color='sex')
# 显示 plot
fig.show()
复制代码
输入:
折线图
Plotly 中的折线图看起来比拟直观,并且是 plotly 的卓越合并,它治理各种类型的数据并组装易于款式的统计数据。应用 px.line 将每个数据地位示意为一个顶点
例子:
import plotly.express as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
# 绘制散点图
fig = px.line(data, y='tip', color='sex')
# 显示 plot
fig.show()
复制代码
条形图
Plotly 中的条形图能够应用 plotly.express 类的 bar() 办法创立。
例子:
import plotly.express as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
# 绘制散点图
fig = px.bar(data, x='day', y='tip', color='sex')
# 显示情节
fig.show()
复制代码
输入:
直方图
在 plotly,直方图能够应用 plotly.express 类的 histogram() 函数创立。
例子:
import plotly.express as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
# 绘制散点图
fig = px.histogram(data, x='total_bill', color='sex')
# 显示 plot
fig.show()
复制代码
输入:
增加交互
就像 Bokeh 一样,plotly 也提供了各种交互。让咱们探讨其中的几个。
创立下拉菜单:下拉菜单是菜单按钮的一部分,始终显示在屏幕上。每个菜单按钮都与一个菜单小部件相关联,该小部件能够在单击该菜单按钮时显示该菜单按钮的选项。在 plotly 中,有 4 种可能的办法能够应用 updatemenu 办法来批改图表。
- restyle: 批改数据或数据属性
- relayout: 批改布局属性
- update: 批改数据和布局属性
- animate: 开始或暂停动画
例子:
import plotly.graph_objects as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
plot = px.Figure(data=[px.Scatter(x=data['day'],
y=data['tip'],
mode='markers',)
])
# 增加下拉菜单
plot.update_layout(
updatemenus=[
dict(
buttons=list([
dict(args=["type", "scatter"],
label="Scatter Plot",
method="restyle"
),
dict(args=["type", "bar"],
label="Bar Chart",
method="restyle"
)
]),
direction="down",
),
]
)
plot.show()
复制代码
输入:
增加按钮:在 plotly 中,动作自定义按钮用于间接从记录中疾速制作动作。自定义按钮能够增加到 CRM、营销和自定义应用程序中的页面布局。还有 4 种可能的办法能够利用于自定义按钮:
- restyle: 批改数据或数据属性
- relayout: 批改布局属性
- update: 批改数据和布局属性
- animate: 开始或暂停动画
例子:
import plotly.graph_objects as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
plot = px.Figure(data=[px.Scatter(x=data['day'],
y=data['tip'],
mode='markers',)
])
# 增加下拉菜单
plot.update_layout(
updatemenus=[
dict(
type="buttons",
direction="left",
buttons=list([
dict(args=["type", "scatter"],
label="Scatter Plot",
method="restyle"
),
dict(args=["type", "bar"],
label="Bar Chart",
method="restyle"
)
]),
),
]
)
plot.show()
复制代码
输入:
创立滑块和选择器:
在 plotly 中,范畴滑块是一个自定义范畴类型的输出控件。它容许在指定的最小和最大范畴之间抉择一个值或一个值范畴。范畴选择器是一种用于抉择要在图表中显示的范畴的工具。它提供了用于在图表中抉择预配置范畴的按钮。它还提供了输入框,能够手动输出最小和最大日期
例子:
import plotly.graph_objects as px
import pandas as pd
# 读取数据库
data = pd.read_csv("tips.csv")
plot = px.Figure(data=[px.Scatter(y=data['tip'],
mode='lines',)
])
plot.update_layout(
xaxis=dict(
rangeselector=dict(
buttons=list([
dict(count=1,
step="day",
stepmode="backward"),
])
),
rangeslider=dict(visible=True),
)
)
plot.show()
复制代码
输入:
小结
在本系列教程中,咱们借助 Python 的四个不同绘图模块(即 [Matplotlib]、[Seaborn]、[Bokeh] 和 Plotly)绘制了 tips 数据集。每个模块都以本人独特的形式显示情节,每个模块都有本人的一组性能,例如 Matplotlib 提供了更大的灵活性,但代价是编写更多代码,而 Seaborn 作为一种高级语言提供了容许人们通过大量代码。每个模块都能够依据咱们想要实现的工作应用。
。