一般大家在学习python机器学习的时候，用的最多的可视化的包就是matplot和seaborn, 这2个可视化的优点在于门槛低，代码容易理解，并且容易上手。唯一的可能的缺点就是画出来的图不能交互，简单来说就是matplot和seaborn给出的就是一个图片，当将鼠标放到图上的时候，不会显示出图中具体的数字是多少，而使用plotly之后，可以将图片放大缩小，可以显示与不显示不同类别数据，等等。并且更加方便的是，这个图可以嵌入到html里面，可以直接放到网页上面。我们话不多说，用matplot和plotly来展示相同的数据。
当前使用的数据是股票数据，使用pandas_datareader中的yahoo的API下载一些股票数据，将下载阿里巴巴，苹果，微软，和IBM的每天最高价，并且做出一个图出来。
首先我们作出一个matplot的图出来，由于DataFrame自带了plot的功能，我们就可以直接用.plot()的方法输出图片
然后下看我们用plotly给出的效果，代码部分稍后给出。
我们从这个gif中可以明显的看出来plotly的图片有很好的交互，并且如果将该文件下载为html文件后，这种图也会被嵌入在html文件里面，并且也会保持这种交互的功能。
那什么时候我们用matplot还是plotly呢？个人认为，对于机器学习的结果来说，使用matplot来做模型的结果的检测就足够了，比如说查看是否过拟合，AUCROC图。而plotly更加适合做报表系统，因为对于报表来说，不仅要展示图的大体信息，比如上图中每个股票的趋势，而且更加的是这个图是否能够体现出更多的细节，从而可以让决策者发现比较重要的信息。那在这种需要下，plotly就是一种比较不错的选择。
在市场上，还有一种很火的软件叫echart，那为什么我们不介绍echart而介绍python plotly呢，那是因为echart是用java来写的，并且写法比较复杂，需要重新学习java语言才能画出类似的这种可交互的图出来。但是对于plotly来说的话，我们直接可以用python来写，并且代码量比java的少很多，我们可以直接将我们熟悉的python list, numpy, pandas放进去就可以画图，并且给出的效果和echart的图一摸一样。
另外要提一点的是python plotly也是可以用来做动图的，我们后面会给大家介绍一种用plolty做出来的用于展示Kmeans算法过程的动图。在这个动图中我们则可以很容易的来理解Kmeans的迭代过程。
安装plotly和其他的安装python包的程序一样，直接在终端打入以下：
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple plotly
这里为了防止下载速度过慢，加上了清华源的地址。下载好了plotly之后，如果需要使用plotly的话则需要有2种模式，一种是线上，一种是线下。如果是线上的话，则需要注册一个账号密码，然后在notebook里创造的图将会同步到plotly的个人云盘里面去。但是这种操作不是很好，因为一般一个人最多线上存20张图，之后再做图就会报错。所以我们这里直接介绍offline的模式，也就是线下的模式，这种模式没有限制。
官网在https://plot.ly/python/， 有的时候需要注意，由于某墙的原因，这个网站会加载的非常慢。这个网页里详细的介绍了各种图的制作，我们这会简单的介绍一下scatter plot和给出一个3D图的例子。
注意在当前markdown文档里，plotly给出的图不能交互，在ipynb和html里面可以。
首先需要import下一线离线的关于plotly的包。
我们就拿刚才我们下载的IBM的股票数据来画图。首先我们看下数据是什么样的。我们的数据主要由2部分组成，一个是时间，另一个是每个时间所对应的值。
所以对于这种数据来说，如果我们想给它画出一个图出来的话，需要一个x轴和y轴。所以这里的话需要将时间作为x轴，数据作为y轴。
对于plotly来说，我们需要x和y的数据全部放入一个叫Scatter的类里面去，并且外面需要用list作为容纳Scatter的一个容器。
当data创建好之后，则需要开始创建框架Layout，也就是x轴，y轴，标题，模版等信息，框架创建出来后，可以用来存放刚才写好的data
xaxis = {'title' : 'Date'}, #x轴的标题 yaxis = {'title' : 'High'}, #y轴的标题 template = 'plotly_white' #背景模版，这里是指背景为白色 )
当layout创建好之后，则需要将data和layout放入Figure这个图里面即可
fig = go.Figure(data = data, layout = layout) fig.show()
这里我们看到了我们只是把各种的点给画出来了，但是我们面对的数据是时间序列数据，数据不是杂乱无序的。那我们则需要更改下data里的mode值。
那这个时候我们的图就做出来。现在有个问题是我这里的图只是展示出了一个股票，多个股票可以吗？可以的。当前我们在写data的时候，可以看出它其实是一个list，当前我们的data list里面只有一个元素，这个元素就是我们用Scatter创建的一个类，里面记录的IBM的数据。所以我们可以在这个list里面放入多个Scatter，记录不同的股票数据
这样子就可以用来比较了。但是呢我们这里如果有多个数据需要放入的话，在data里一行一行的加入股票数据，不方便也不美观，可以采用列表解析式。列表解析式[i for i in result_df.columns]里，每个i就是每个股票的名字，用result_df[i]就可以把每个股票都取出来放入一个go.Scatter()里面，并且name = i，则可以了。并且列表解析给出结果已经是一个list了，所以直接赋值给data进行做图。
这里我们的图的代码不来详细的介绍，这个在这里展示出来，给大家看一下plotly做出的3D图的效果。这里的例子是参考官网的例子。对于这种3D-surface的图来说，可以用来很好的展示机器学习中梯度下降的内容。
网址链接: https://plot.ly/python/3d-surface-plots/
plotly这个可视化工具，你可还喜欢？
数据分析咨询请扫描二维码
