
我们最后来讲python另外一个非常出色的可视化工具,使用plotly创建出色的交互式图,最后,不再需要Matplotlib!
Plotly具有三个重要功能:
· 悬停:将鼠标悬停在图表上时,将弹出注释
· 交互性:无需任何其他设置即可使图表互动(例如,穿越时空的旅程)
· 漂亮的地理空间图:Plotly具有一些内置的基本地图绘制功能,但是另外,可以使用mapbox集成来生成惊人的图表。
我们通过运行fig = x。(PARAMS)然后调用fig.show()来调用绘图:
fig = px.scatter( data_frame=data[data['Year'] == 2018], x="Log GDP per capita", y="Life Ladder", size="Gapminder Population", color="Continent", hover_name="Country name", size_max=60 ) fig.show()
Plotly scatter plot, plotting Log GDP per capita against Life Ladder, where color indicates continent and size of the marker the population
fig = px.scatter( data_frame=data, x="Log GDP per capita", y="Life Ladder", animation_frame="Year", animation_group="Country name", size="Gapminder Population", color="Continent", hover_name="Country name", facet_col="Continent", size_max=45, category_orders={'Year':list(range(2007,2019))} ) fig.show()
Visualization of how the plotted data changes over the years
fig = px.bar( data, x="Continent", y="Gapminder Population", color="Mean Log GDP per capita", barmode="stack", facet_col="Year", category_orders={"Year": range(2007,2019)}, hover_name='Country name', hover_data=[ "Mean Log GDP per capita", "Gapminder Population", "Life Ladder" ] ) fig.show()
Seems like not all countries with high life expectations are happy!
fig = px.bar( data, x="Continent", y="Gapminder Population", color="Mean Log GDP per capita", barmode="stack", facet_col="Year", category_orders={"Year": range(2007,2019)}, hover_name='Country name', hover_data=[ "Mean Log GDP per capita", "Gapminder Population", "Life Ladder" ] ) fig.show()
Filtering a bar chart is easy. Not surprisingly, South Korea is among the wealthy countries in Asia.
fig = px.choropleth( data, locations="ISO3", color="Life Ladder", hover_name="Country name", animation_frame="Year") fig.show()
Map visualization of how happiness evolves over the years. Syria and Afghanistan are at the very end of the Life Ladder range (unsurprisingly)
在本文中,我们学习了如何成为真正的Python可视化高手,了解了如何在快速探索方面提高效率,以及在再次召开董事会会议时如何创建更精美的图表。 还有交互式地图,这在绘制地理空间数据时特别有用哦。
本文翻译自Fabian Bosler的文章《Learn how to create beautiful and insightful charts with Python — the Quick, the Pretty, and the Awesome》 参考https://towardsdatascience.com/plotting-with-python-c2561b8c0f1f)
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15