手把手教你用plotly绘制excel中常见的16种图表(上)

大家好&＃xff0c;我是老表&＃xff5e;

最近不是在学习plotly嘛&＃xff0c;为了方便理解&＃xff0c;我们这里取excel绘图中常见的16种图表为例&＃xff0c;分两期演示这些基础图表怎么用plotly进行绘制&＃xff01;

• 第一部分&＃xff1a;柱状图、条形图、折线图、面积图、饼图与圆环图、散点图、气泡图和极坐标(雷达图)

• 第二部分&＃xff1a;树状图、旭日图、直方图、箱线图、瀑布图、漏斗图、股价图和地图

今天&＃xff0c;我们介绍第一部分8类图表的绘制。文末有全部演示代码ipynb文件获取方式。

目录&＃xff1a;

• 0. 准备工作

• 1. 柱状图

• 2. 条形图

• 3. 折线图

• 4. 面积图

• 5. 饼图与圆环图

• 6. 散点图

• 7. 气泡图

• 8. 极坐标(雷达图)

0. 准备工作

我这边是在jupyterlab中演示的plotly图表&＃xff0c;如果只安装plotly是无法正常显示图表的&＃xff08;会显示为空白&＃xff09;&＃xff0c;我们需要进行以下准备(以下命令均在cmd下操作即可)&＃xff1a;

# 安装plotly库及plotly-orca库
pip install plotly
pip install plotly plotly-orca# Basic JupyterLab renderer support
jupyter labextension install jupyterlab-plotly# OPTIONAL: Jupyter widgets extension for FigureWidget support
jupyter labextension install &＃64;jupyter-widgets/jupyterlab-manager plotlywidget


参考&＃xff1a;https://github.com/plotly/plotly.py

plotly有两种绘图方式&＃xff0c;其一是原始graph_objects&＃xff0c;其二是Plotly Express。我们这里用到的是后者&＃xff0c;至于其中的区别&＃xff0c;大概就是后者是高级版本&＃xff0c;封装了很多后者的复杂操作&＃xff0c;可以直接用pandas.Dataframe类型&＃xff0c;是现在主推的。

1. 柱状图

我们知道&＃xff0c;在excel插入图表的时候&＃xff0c;柱状图一般可选堆叠柱状图和簇状柱状图。

柱状图&＃xff1a;

# 自带数据集 gapminder
data &＃61; px.data.gapminder()
data.head()


# 柱状图
import plotly.express as px
data_canada &＃61; px.data.gapminder().query("country &＃61;&＃61; &＃39;Canada&＃39;")
fig &＃61; px.bar(data_canada, # 数据集x&＃61;&＃39;year&＃39;, # x轴y&＃61;&＃39;pop&＃39;, # y轴
)
fig.show()


堆叠柱状图&＃xff1a;

# 自带数据集 medals_long&＃xff08;长表数据&＃xff09;
long_df &＃61; px.data.medals_long()
long_df.head()


# 堆叠柱状图 &＃xff08;使用长表数据&＃xff0c;这种数据excel无法直接绘制堆叠图&＃xff09;
import plotly.express as pxlong_df &＃61; px.data.medals_long()
fig &＃61; px.bar(long_df,  # 数据集x&＃61;"nation",  # x轴y&＃61;"count",  # y轴color&＃61;"medal",  # 图例颜色&＃xff08;这种情况下需要设定该参数根据medal类型才区分&＃xff0c;否则同色&＃xff09;title&＃61;"堆叠柱状图 Long-Form Input", # 图表标题
)
fig.show()


# 自带数据集 medals_long&＃xff08;宽表数据&＃xff09;
wide_df &＃61; px.data.medals_wide()
wide_df.head()


# 堆叠柱状图 &＃xff08;使用长表数据&＃xff0c;这种数据excel可以直接绘制堆叠图&＃xff09;
import plotly.express as pxwide_df &＃61; px.data.medals_wide()
fig &＃61; px.bar(wide_df, x&＃61;"nation", y&＃61;["gold", "silver", "bronze"], title&＃61;"堆叠柱状图 Wide-Form Input")
fig.show()


**簇状柱状图 **&＃xff1a;

# 簇状柱状图
import plotly.express as pxlong_df &＃61; px.data.medals_long()
fig &＃61; px.bar(long_df,  x&＃61;"nation",  y&＃61;"count",  color&＃61;"medal",  title&＃61;"簇状柱状图 Long-Form Input", barmode&＃61;&＃39;group&＃39;, # barmode 设置为 group则为簇状柱形图&＃xff0c;可选 stack(叠加)、group(并列)、overlay(覆盖)、relative(相对)
)
fig.show() 


类似于excel里柱状图填充色中依据数据点着色&＃xff1a;

# 类似于excel里柱状图填充色中依据数据点着色
import plotly.express as pxdata &＃61; px.data.gapminder()
data_canada &＃61; data[data.country &＃61;&＃61; &＃39;Canada&＃39;]
fig &＃61; px.bar(data_canada, x&＃61;&＃39;year&＃39;, y&＃61;&＃39;pop&＃39;,hover_data&＃61;[&＃39;lifeExp&＃39;, &＃39;gdpPercap&＃39;], color&＃61;&＃39;lifeExp&＃39;, # 指定柱状图颜色根据 lifeExp字段数值大小自动着色labels&＃61;{&＃39;pop&＃39;:&＃39;population of Canada&＃39;}, height&＃61;400, # 图表高度)
fig.show()


2. 条形图

条形图其实就是柱状图转个90度&＃xff0c;横着显示呗。所以&＃xff0c;本质上是一样的&＃xff0c;唯一的区别&＃xff1a;在 Bar 函数中设置orientation&＃61;&＃39;h&＃39;&＃xff0c;其余参数与柱状图相同。

# 在plotly绘图中&＃xff0c;条形图与柱状图唯一的区别&＃xff1a;在 Bar 函数中设置orientation&＃61;&＃39;h&＃39;&＃xff0c;其余参数与柱状图相同
import plotly.express as px
data &＃61; px.data.gapminder()data_canada &＃61; data[data.country &＃61;&＃61; &＃39;Canada&＃39;]
fig &＃61; px.bar(data_canada, y&＃61;&＃39;year&＃39;, x&＃61;&＃39;pop&＃39;,hover_data&＃61;[&＃39;lifeExp&＃39;, &＃39;gdpPercap&＃39;], color&＃61;&＃39;lifeExp&＃39;, # 指定柱状图颜色根据 lifeExp字段数值大小自动着色labels&＃61;{&＃39;pop&＃39;:&＃39;population of Canada&＃39;}, height&＃61;600, # 图表高度width&＃61;800, # 图表宽度orientation&＃61;&＃39;h&＃39; # 条形图设置参数)
fig.show()


3. 折线图

折线图大致可以是画一个折线图或多条折线图。

单个折线图&＃xff1a;

# 折线图
import plotly.express as pxdf &＃61; px.data.gapminder().query("country&＃61;&＃61;&＃39;Canada&＃39;")
fig &＃61; px.line(df, x&＃61;"year", y&＃61;"lifeExp", title&＃61;&＃39;Life expectancy in Canada&＃39;,text&＃61;&＃39;lifeExp&＃39;, # 数据点显示值line_shape&＃61;&＃39;linear&＃39;, # 共有6种插值方式&＃xff1a;&＃39;linear&＃39;、&＃39;spline&＃39;、&＃39;hv&＃39;、&＃39;vh&＃39;、&＃39;hvh&＃39;和&＃39;vhv。)
fig.update_traces(texttemplate&＃61;&＃39;%{text:.2f}&＃39;, # 数据点显示值的格式textposition&＃61;&＃39;top center&＃39;, # 数据点显示的位置&＃xff1a;&＃39;top left&＃39;, &＃39;top center&＃39;, &＃39;top right&＃39;, &＃39;middle left&＃39;,&＃39;middle center&＃39;, &＃39;middle right&＃39;, &＃39;bottom left&＃39;, &＃39;bottom center&＃39;, &＃39;bottom right&＃39;
) 
fig.show()


多折线图&＃xff1a;

# 多折线图
import plotly.express as px# 比如绘制大洋洲&＃xff08;有澳大利亚和新西兰&＃xff09;
df &＃61; px.data.gapminder().query("continent&＃61;&＃61;&＃39;Oceania&＃39;")
fig &＃61; px.line(df, x&＃61;"year", y&＃61;"lifeExp", color&＃61;&＃39;country&＃39;, # 按照国家区分)
fig.show()


分组多折线图&＃xff1a;

# 分组多折线图
import plotly.express as px# 绘制各大洲每个国家人均寿命随着时间变化曲线
df &＃61; px.data.gapminder().query("continent !&＃61; &＃39;Asia&＃39;") # remove Asia for visibility
fig &＃61; px.line(df, x&＃61;"year", y&＃61;"lifeExp", color&＃61;"continent",line_group&＃61;"country", hover_name&＃61;"country")
fig.show()


4. 面积图

import plotly.express as px# 比如绘制大洋洲&＃xff08;有澳大利亚和新西兰&＃xff09;
df &＃61; px.data.gapminder().query("continent&＃61;&＃61;&＃39;Oceania&＃39;")
fig &＃61; px.area(df, x&＃61;"year", y&＃61;"pop", color&＃61;&＃39;country&＃39;, # 按照国家区分)
fig.show()


5. 饼图与圆环图

我们在用excel绘制饼图的时候&＃xff0c;可以选择既定配色方案&＃xff0c;还可以自定义每个色块的颜色。用plotly绘制的时候&＃xff0c;这些自定义操作也是支持的。

# 饼图
import plotly.express as px# 筛选2007年欧洲数据
df &＃61; px.data.gapminder().query("year &＃61;&＃61; 2007").query("continent &＃61;&＃61; &＃39;Europe&＃39;")
# 将小于200万的国家标记为其他
df.loc[df[&＃39;pop&＃39;] < 2.e6, &＃39;country&＃39;] &＃61; &＃39;Other countries&＃39; 
# 绘制饼图
fig &＃61; px.pie(df, values&＃61;&＃39;pop&＃39;, names&＃61;&＃39;country&＃39;, title&＃61;&＃39;Population of European continent&＃39;)
fig.show()


字段多条数据自动处理&＃xff1a;

# 自带数据集 tips,字段day下是星期&＃xff0c;存在多条
df &＃61; px.data.tips()
df.head()


我们可以看到&＃xff0c;在tips数据集中&＃xff0c;day字段是星期&＃xff0c;包含很多同星期的数据。在进行饼图绘制的时候&＃xff0c;以day字段做分类&＃xff0c;可以自动实际聚合求和操作。

# 如果 分类 标签下有很多数据&＃xff0c;则会自动进行分组求和
import plotly.express as px# This dataframe has 244 lines, but 4 distinct values for &＃96;day&＃96;
df &＃61; px.data.tips()
fig &＃61; px.pie(df, values&＃61;&＃39;tip&＃39;, names&＃61;&＃39;day&＃39;)
fig.show()


设置配色方案&＃xff1a;

关于配色方案的更多选择&＃xff0c;大家可以参考《我又用Python爬取了4000&＃43;股票数据&＃xff0c;并用plotly绘制了树状热力图(treemap)》里介绍的内容。

# 设置配色方案
import plotly.express as pxdf &＃61; px.data.tips()
fig &＃61; px.pie(df, values&＃61;&＃39;tip&＃39;, names&＃61;&＃39;day&＃39;, color_discrete_sequence&＃61;px.colors.sequential.RdBu, # 设置配色方案)
fig.show()


我们也可以自定义每个色块颜色&＃xff1a;

# 自定义配色
import plotly.express as pxdf &＃61; px.data.tips()
fig &＃61; px.pie(df, values&＃61;&＃39;tip&＃39;, names&＃61;&＃39;day&＃39;, color&＃61;&＃39;day&＃39;,color_discrete_map&＃61;{&＃39;Thur&＃39;:&＃39;lightcyan&＃39;,&＃39;Fri&＃39;:&＃39;cyan&＃39;,&＃39;Sat&＃39;:&＃39;royalblue&＃39;,&＃39;Sun&＃39;:&＃39;darkblue&＃39;})
fig.show()


在饼图上显示数据标签&＃xff1a;

# 在饼图上显示数据标签
import plotly.express as pxdf &＃61; px.data.gapminder().query("year &＃61;&＃61; 2007").query("continent &＃61;&＃61; &＃39;Asia&＃39;")
fig &＃61; px.pie(df, values&＃61;&＃39;pop&＃39;, names&＃61;&＃39;country&＃39;,title&＃61;&＃39;Population of American continent&＃39;,hover_data&＃61;[&＃39;lifeExp&＃39;], labels&＃61;{&＃39;lifeExp&＃39;:&＃39;life expectancy&＃39;})
fig.update_traces(textposition&＃61;&＃39;inside&＃39;, textinfo&＃61;&＃39;percent&＃43;label&＃39; # 数据标签显示的内容)
fig.show()


圆环图&＃xff1a;

圆环图是指饼图中间一定半径的圆部分为空白&＃xff0c;设置参数hole&＃61;int即可&＃xff08;0-1&＃xff09;。

# 圆环图
import plotly.express as pxdf &＃61; px.data.tips()
fig &＃61; px.pie(df, values&＃61;&＃39;tip&＃39;, names&＃61;&＃39;day&＃39;, color_discrete_sequence&＃61;px.colors.sequential.RdBu,hole&＃61;.3, # 设置空心半径比例)
fig.show()


6. 散点图

散点图是x和y均为数字列表情况下的坐标点图。

x轴和y轴均是列表的形式&＃xff1a;

# x轴和y轴均是列表的形式
import plotly.express as pxfig &＃61; px.scatter(x&＃61;[0, 1, 2, 3, 4], y&＃61;[0, 1, 4, 9, 16])
fig.show()


给定pd.Dataframe类型数据&＃xff1a;

# 自带数据集 iris
df &＃61; px.data.iris()
df.head()


# 设置数据点颜色和大小
import plotly.express as px
df &＃61; px.data.iris()
fig &＃61; px.scatter(df, x&＃61;"sepal_width", y&＃61;"sepal_length", color&＃61;"species", # 根据species字段区分颜色size&＃61;&＃39;petal_length&＃39;, # 根据sepal_length设置大小hover_data&＃61;[&＃39;petal_width&＃39;],)
fig.show()


做个三角函数的图&＃xff1a;

import plotly.express as px
import numpy as npt &＃61; np.linspace(0, 2*np.pi, 100)fig &＃61; px.scatter(x&＃61;t, y&＃61;np.cos(t), labels&＃61;{&＃39;x&＃39;:&＃39;t&＃39;, &＃39;y&＃39;:&＃39;cos(t)&＃39;})
fig.show()


7. 气泡图

# 气泡图
import plotly.express as pxdf &＃61; px.data.gapminder()fig &＃61; px.scatter(df.query("year&＃61;&＃61;2007"), x&＃61;"gdpPercap", y&＃61;"lifeExp",size&＃61;"pop",  # 设置气泡大小依据字段popcolor&＃61;"continent",hover_name&＃61;"country", log_x&＃61;True, size_max&＃61;60, #设置最大气泡)
fig.show()


8. 极坐标(雷达图)

极坐标下&＃xff0c;可以用点或线进行构图&＃xff0c;绘制点则用px.scatter_polar&＃xff0c;绘制线则用px.line_polar。

# 自带数据集 wind
df &＃61; px.data.wind()
df.head()


import plotly.express as pxdf &＃61; px.data.wind()
fig &＃61; px.scatter_polar(df, r&＃61;"frequency", # 半径theta&＃61;"direction", # 类型)
fig.show()


着色和分组标识&＃xff1a;

import plotly.express as pxdf &＃61; px.data.wind()
fig &＃61; px.scatter_polar(df, r&＃61;"frequency", theta&＃61;"direction",color&＃61;"strength",  # 颜色根据strength着色symbol&＃61;"strength",  # 符号根据strength区分size&＃61;"frequency", # 大小根据 frequency 区分color_discrete_sequence&＃61;px.colors.sequential.Plasma_r, # 设置配色方案)
fig.show()


雷达图&＃xff1a;

# 雷达图
import plotly.express as pxdf &＃61; px.data.wind()
fig &＃61; px.line_polar(df, r&＃61;"frequency", theta&＃61;"direction", color&＃61;"strength", line_close&＃61;True, # 线条是否闭环color_discrete_sequence&＃61;px.colors.sequential.Plasma_r,template&＃61;"plotly_dark", # 主题模板 )
fig.show()


扇形区域图&＃xff1a;

# 扇形图区域
import plotly.express as pxfig &＃61; px.scatter_polar(r&＃61;range(0,90,10), theta&＃61;range(0,90,10),range_theta&＃61;[0,90], # 设定区域start_angle&＃61;0, direction&＃61;"counterclockwise", # 方位&＃xff1a;&＃39;counterclockwise&＃39; 逆时针 &＃xff0c;&＃39;clockwise&＃39;顺时针 )
fig.show()


本文相关源码获取方式&＃xff1a;扫下方二维码&＃xff0c;回复&＃xff1a;ploty即可获取扫码回复&＃xff1a;2021
获取最新学习资源


推荐大家关注两个公号

分享程序员生活、互联网资讯、理财复盘日记等

专注于Java学习分享&＃xff0c;从零和你一起学Java

关注后回复【1024】

送上独家资料

◆◆◆

欢迎大家围观朋友圈&＃xff0c;我的微信&＃xff1a;pythonbrief

学习更多&＃xff1a;
整理了我开始分享学习笔记到现在超过250篇优质文章&＃xff0c;涵盖数据分析、爬虫、机器学习等方面&＃xff0c;别再说不知道该从哪开始&＃xff0c;实战哪里找了


“点赞”传统美德不能丢