Автор оригинала: Pankaj Kumar.
Python Библиотека Plotly
служит для Визуализации данных . Это помогает создавать интерактивные графики наилучшего качества в Интернете и может сохранять их в автономном режиме.
Потребность в сюжете в Python
Plotly полезен в области статистического анализа, визуализации данных и т. Д. Результаты анализа и предсказания могут быть представлены в ярких формах с использованием сюжета.
Начало работы с Python Plotly
Чтобы использовать библиотеку Plotly, нам сначала нужно установить ее с помощью команды pip
.
Установка
pip install plotly==4.5.0
Основные диаграммы в Python Plotly
Давайте погрузимся в функциональные возможности, предоставляемые библиотекой Plotly Python. В этом разделе рассматриваются некоторые основные методы построения графиков для целей визуализации данных.
1. Точечная диаграмма
Как следует из названия, он представляет данные в разрозненном формате.
Мы использовали NumPy для генерации случайных значений, которые будут переданы в качестве входных данных для графика.
Пример:
import plotly import plotly.graph_objs as G import numpy num = 15 x = numpy.random.randn(num) y = numpy.random.randn(num) # Create a trace follow = G.Scatter( x = random_x, y = random_y, mode = 'markers' ) output = [follow] plotly.offline.plot(output, filename='basic-scatter.html')
plotly.graph
содержит объект JSON
, который является dict
подобной структурой. Обновляя значения нескольких ключевых слов этого объекта, можно построить яркие виды графиков.
В приведенном выше фрагменте фрагмента объект plotly.graphs JSON представлен как G. Кроме того, мы использовали NumPy
для генерации случайных значений для обеспечения ввода и построения графиков данных.
object.Scatter()
используется для предоставления размерных значений, т. Е. создания трассировки, и полезен для установки других атрибутов, которые мы хотели бы добавить в график.
Параметры x и y содержат значения, которые будут нанесены на оси x и y.
Параметр mode
определяет режим представления точечной диаграммы. Он может иметь любое из следующих значений:
- линии
- маркеры
- линии+маркеры
- линии+маркеры+текст
- никто
линии
вывод значений через линии в режиме рисования.
маркеры
будут отображать значение, помечая неразделенные данные в виде точек.
plotly.offline
позволяет программисту выводить значения в автономном режиме и сохранять их. Он принимает имя файла в качестве аргумента, который является страницей .html, которая будет отображать автономное построение данных.
Выход:
2. Линейно-точечная диаграмма
В этом типе построения графиков для представления данных используется комбинация линии и способа рассеяния.
import plotly import plotly.graph_objs as G import numpy as p N = 20 x = p.linspace(0, 1, N) one_y=p.random.randn(N)+10 two_y=p.random.randn(N) three_y=p.random.randn(N)-10 # Create traces plot0 = G.Scatter( x = x, y = one_y, mode = 'markers' ) plot1 = G.Scatter( x = x, y = two_y, mode = 'lines+markers' ) plot2 = G.Scatter( x = x, y = three_y, mode = 'lines' ) output = [plot0, plot1, plot2] plotly.offline.plot(output, filename='line-scatter.html')
В приведенном выше фрагменте кода мы использовали функцию numpy.linspace()
для создания равномерно распределенных значений для измерения x.
Кроме того, мы использовали функцию numpy.random()
для генерации случайных значений для трех различных трасс по оси y.
Как видно выше, мы передали различные значения в режим параметров, представляющий тип способа рисования. линия+маркеры
представляет значения и строит их с помощью комбинации линий и маркерных точек.
Выход:
3. Диаграмма рассеяния Пузырьков
import plotly.graph_objects as G img = G.Figure(data=G.Scatter( x=[10, 20, 30, 40], y=[5, 10, 15, 20], mode='markers', marker=dict(size=[10,20,30,40], color=[1, 2, 3, 4]) )) img.show()
маркер
– это dict , который задает символ для представления данных. size
используется для передачи размеров символу чертежа, а color
используется для установки значений для добавления цвета к этим символам чертежа.
сюжетно.Функция Figure()
в основном содержит данные и макет чертежа, и она объединяет оба этих значения для создания фигуры. Данные и значения макета могут быть представлены в виде графических объектов или dict.
сюжетно.функция show()
используется для построения рисунка вместе с его макетом.
Выход:
Статистические диаграммы стилей
Эти виды диаграмм полезны для отображения данных в значительно упрощенном виде.
1. Участок коробки
import plotly.graph_objects as G import numpy a = numpy.random.randn(100) - 10 b = numpy.random.randn(100) + 10 output = G.Figure() output.add_trace(G.Box(y=a)) output.add_trace(G.Box(y=b)) output.show()
функция plotly.add_trace()
используется для обновления графика путем добавления трассировок к измерениям x и y. Он принимает объект графа для отслеживания в качестве параметра, т. е. G. Scatter
, G. Box
и т. Д.
plotly.graph.object.Box()
в основном устанавливает значения трассировки в конкретное измерение.
Выход:
2. Гистограмма
import plotly.graph_objects as G import numpy as N x = N.random.randn(100) output = G.Figure(data=[G.Histogram(x=x)]) output.show()
plotly.graph.object.Гистограмма()
используется для построения гистограммы. x=x указывает рост гистограммы по оси y и наоборот.
Выход:
3. Дистальные участки
Distplot помогает нам построить график нераспределенных данных и позволяет нам наблюдать или проверять значения с помощью линейного графика.
import plotly.figure_factory as ff import numpy as N x = N.random.randn(500) data = [x] label = ['DISTPLOT'] output = ff.create_distplot(data, label) output.show()
API Python содержит модуль фабрики фигур
для построения данных упрощенным способом.
figure_factory.distplot()
отображает данные в виде комбинации гистограммы, нормальной кривой и т. Д. Параметр label
используется для установки текстовой метки на графике.
Выход:
Научные карты
Эти диаграммы помогают в анализе научных ценностей или данных с более широкой точки зрения.
1. Встречные участки
Встречные графики в основном используются при научном анализе огромного количества данных вместе взятых.
import plotly.graph_objects as G from plotly.subplots import make_subplots z = [[2, 4, 7, 12, 13, 14, 15, 16], [3, 1, 6, 11, 12, 13, 16, 17], [4, 2, 7, 7, 11, 14, 17, 18], [5, 3, 8, 8, 13, 15, 18, 19], [7, 4, 10, 9, 16, 18, 20, 19], [9, 10, 5, 27, 23, 21, 21, 21], [11, 14, 17, 26, 25, 24, 23, 22]] out = make_subplots(rows=1, cols=1) out.add_trace(G.Contour(z=z)) out.show()
модуль plotly.subplots
позволяет создавать многочисленные подзаголовки данных с помощью функции make_subplots ()
.
plotly.graph.objects.Contour()
используется для создания контурных линий из предоставленного входного массива.
Выход:
2. Тепловые карты в сюжете
При построении тепловой карты каждое значение, передаваемое на вход, представляется в виде пикселя. Аналогичным образом, тепловые карты также могут быть использованы для улучшения анализа научных ценностей и исследований.
import plotly.graph_objects as G out = G.Figure(data=G.Heatmap( z=[[10, 20, 30], [20, 30, 40], [40, 50, 60]])) out.show()
Объект plotly.graph.object.Функция Heatmap()
в основном представляет каждое значение входных данных в виде пикселя Heatmap.
Выход:
Финансовые участки
Их можно рассматривать как одну из самых сложных диаграмм для формирования и лучшего отображения анализа в реальном времени.
1. График временных рядов
В приведенном ниже фрагменте кода мы использовали модуль Pandas для чтения CSV-файла, а затем построили диаграмму временных рядов для того же самого.
import plotly.express as px import pandas as pd df = pd.read_csv('C:\\Users\\HP\\Desktop\\output11.csv') fig = px.line(df, x='Marks', y='Sr no') fig.show()
Файл, который я использовал, – это простой файл с двумя столбцами, серийным номером (sr no) и метками. Данные строятся автоматически в зависимости от того, какая ось использует какой столбец данных. Вы можете попробовать то же самое с любым двухколоночным CSV-файлом данных.
Выход:
В качестве альтернативы вы можете просто предоставить данные в виде двух списков, как показано ниже . Я предоставляю некоторые случайные значения, чтобы показать, как формируются линейные диаграммы.
import plotly.express as px sr = [1,2,3,4,5,6] marks = [20, 10, 50, 30, 100, 75] fig = px.line(x=marks, y=sr) fig.show()
Выход:
Пакет plotly.express
используется для предоставления высококачественных и упрощенных графиков в целом.
функция plotly.express.line()
используется для построения линии в соответствии с предоставленными значениями и метками для измерений x и y.
2. Воронкообразные диаграммы
Воронкообразные диаграммы позволяют нам представлять данные в различных формах этапов, напоминающих процесс развития бизнеса.
import plotly.express as p data = dict( num=[25, 50, 75, 100], work=["Requirement Analysis", "Design", "Modelling and Construction", "Testing and Deployment"]) out = p.funnel(data, x='num', y='work') out.show()
функция express.funnel()
представляет каждую строку входного кадра данных как этап воронки. Здесь входные данные num и work представлены в виде воронкообразной структуры.
Выход:
Как видно выше, на диаграмме изображены этапы разработки и связанные с ней ценности.
3-D Диаграммы
import plotly.graph_objects as G import numpy as N n = 100 figure = G.Figure(data=[G.Mesh3d(x=(55*N.random.randn(n)), y=(50*N.random.randn(n)), z=(25*N.random.randn(n)), opacity=0.8, color='rgba(244,22,100,0.6)' )]) figure.show()
plotly.graph.object.Mesh 3d()
представляет данные в виде трехмерной структуры чертежа с вершинами x, y, z.
Выход:
Вывод
Таким образом, в этой статье мы поняли функции, обслуживаемые библиотекой Plotly Python.