语言 Chinese, Simplified

SEO Title

Don’t use Matplotlib or Seaborn for Your Python Plots

是时候升级你的可视化游戏了！

数据可视化是人脑有效理解任何信息的最舒适、最直观的方式。对于任何使用数据的人来说，创建漂亮直观的可视化的能力是一项非常重要的技能，必须能够有效地传达调查结果并推动行动。
R，提供了一些很棒的数据可视化（ggplot2，传单）和仪表板（使用 R Shiny）包，您可以使用它们创建漂亮的可视化。另一方面，Python 在这方面有点落后，因为 matplotlib 不是一个很好的可视化包。
Seaborn 是在 python 中创建静态图的不错选择，但不具备使这些交互的能力。对于静态绘图，我们无法放大绘图的有趣部分，将鼠标悬停在绘图上以查看特定信息等等。

所以，Plotly 包来了！

Plotly 是一个 Python 库，用于创建交互式、出版质量的可视化。 Plotly 不仅使绘图具有交互性，这是 matplotlib 或 seaborn 中缺少的功能，而且还提供了各种更多的图表，例如：

统计图表，例如树状图、误差带、平行类别图等。
科学图表，例如等高线图、对数图等。
财务图表，如漏斗图、烛台图等
气泡图、密度图等地图。
生物信息学等等。

这就是为什么你应该在 matplotlib 或 seaborn 上使用 plotly 的理论解释。

现在，让我们实际看看！

在下一节中，我们将使用 gapminder 数据来可视化印度和中国多年来在社会和经济方面的进步。我们将对 pandas 数据框进行数据选择和操作，如果您是 pandas 的新手，那么您可以学习 Python 进行数据分析。
您可以打开 jupyter notebook 直接使用代码，无需任何修改。让我们首先安装 plotly 包并导入所需的包。

# install plotly 
! pip install plotly 

# import plotly packages 
import plotly.graph_objects as go
import plotly.express as px

使用 graph_objects 模块，我们将创建不同类型的图，并且 express 模块将用于读取 gapminder 数据。现在，让我们使用 plotly express 读取 gapminder 数据并查看前 5 行。

## reading the data and looking at the 1st five rows using head()
df = px.data.gapminder()
df.head()

从上表可以看出，数据包含了不同国家不同年份的预期寿命、人口、人均GDP等信息。现在，我们将过滤印度和中国的数据框。

# reading the datasets for India and China 
df_india = df[df['country'] == 'India']
df_china = df[df['country'] == 'China']
df_india

下表显示了印度的数据。数据范围从 1952 年到 2007 年。

印度和中国的人口

现在，我们将创建一个条形图，显示多年来印度和中国的人口。使用 plotly graph object 模块创建绘图是一个 2 步过程：

设置图形函数，我们将在其中设置数据参数。 data 参数设置为具有印度和中国的条形功能（go.Bar）的列表。在 bar 函数中，我们将 x 轴设置为年份列，y 轴设置为人口列，标记颜色设置为印度红/蓝色，条形名称设置为国家名称。
使用 update_layout 函数设置图表的标题、x 轴和 y 轴的文本。

## Using figure function to define the data argument and setting it 
##to the bars for India and China 
fig = go.Figure(data = [go.Bar(x = df_india['year'], 
                y = df_india['pop'], marker_color = 'indianred',name = 'India'),
                 go.Bar(x = df_china['year'], y = df_china['pop'], 
                marker_color = 'blue',name = 'China')
                ])

## Setting the titles, xaxis and yaxis  
fig.update_layout(title='Population of India and China over the years',
                   xaxis_title='Years',
                   yaxis_title='Population',
                   )

fig

从上面的图表中，我们可以看到两国的人口以相似的速度增长。

多年来的预期寿命

每当我们有时间序列数据（年/月/周等的测量值）时，折线图是显示趋势的最佳选择。使用以下代码，我们展示了多年来印度和中国的预期寿命如何变化。

# step 1 : Setting the figure function 
fig = go.Figure(data = [go.Scatter(x = df_india['year'], y = df_india['lifeExp'],\
                                    line = dict(color = 'firebrick', width = 4),
                                    text = df_india['country'], name = 'India'),
                        go.Scatter(x = df_china['year'], y = df_china['lifeExp'],\
                                   line = dict(color = 'blue', width = 4), 
                                  text = df_china['country'], name = 'China')])

   
# step 2 : Setting the update_layout function   
fig.update_layout(title='Life Expectency over the years',
                   xaxis_title='Years',
                   yaxis_title='Life Expectancy (years)',
                   )
fig

两国的预期寿命一直存在差距，除了 1960 年左右，中国的预期寿命因“中国大饥荒”而突然下降。

多年来的预期寿命与人均GDP

当我们想查看 2 个连续（数字）特征之间的交互时，散点图是首选图。
在下面的代码中，我们正在创建两个国家的预期寿命和人均 GDP 之间的散点图。

fig = go.Figure(data = [go.Scatter(y = df_india['lifeExp'], x = df_india['gdpPercap'],\
                                   mode = 'markers', name = 'India')
                        ,
                       go.Scatter(y = df_china['lifeExp'], x = df_china['gdpPercap'],\
                                   mode = 'markers', name = 'China')
                       ])

    
fig.update_layout(title='Life Expectency vs GDP per Capita',
                   yaxis_title='Life Expectancy (years)',
                   xaxis_title='gdpPercap',
                   )
fig

这两个国家的预期寿命都随着人均国内生产总值的增加而增加。与印度相比，中国的人均GDP有了显着提高。

随着时间的推移世界发展：动画

使用气泡图，我们可以在 2D 图上显示 3 个维度（x 轴、y 轴和气泡大小）。使用以下代码，我们可以使用 plotly express 模块的 scatter 函数创建气泡图。

df = px.data.gapminder()

fig = px.scatter(df, x = 'gdpPercap', y = 'lifeExp', size = 'pop',
                 color = 'continent', hover_name='country',
                 log_x= True, size_max=50, title = 'World Development in 2007',
                 animation_frame="year", animation_group="country", range_y = [25,90])

fig.update_layout(xaxis = dict(showgrid=False), yaxis = dict(showgrid=False))

fig

让我们了解该函数的一些重要参数：

大小：这设置为将捕获气泡大小的数字列。
颜色：这是在一个分类列中设置的，它将捕获气泡的颜色。在我们的示例中，默认情况下为每个大陆分配一种颜色。
log_x ：将 X 轴（人均 GDP）设置为对数刻度。
size_max：设置气泡的最大尺寸，当设置尺寸参数时。这充当尺寸标准化参数。
animation_frame：用于为动画帧分配标记的数据帧列的值。在我们的示例中，参数设置为年份列。
animation_group：与“animation_group”匹配的行将被视为每帧描述相同的对象。我们想看看每个国家多年来的进展情况，因此将其设置为国家列。