选自TowardsDataScience
作者：Liana Mehrabyan
机器之心编译
参加：Panda
数据可以在必定程度上协助咱们描绘这样一个国际、阐释自己的主意和展示自己的效果，但假如只需单调乏味的文本和数字，咱们却往往能难捉住观众的眼球。而许多时分，一张美丽的可视化图表就足以胜过千言万语。本文将介绍 5 种依据 Plotly 的可视化办法，你会发现，本来可视化不只可用直方图和箱形图，还能做得如此动态美观乃至可交互。
对数据科学家来说，讲故事是一个至关重要的技能。为了表达咱们的思维而且压服他人，咱们应该有用的交流。而漂美丽亮的可视化是完结这一使命的绝佳东西。本文将介绍5 种非传统的可视化技能，可让你的数据故事更美丽和更有用。这儿将运用 Python 的 Plotly 图形库（也可经过 R 运用），让你可以毫不费力地生成动画图表和交互式图表。
那么，Plotly 有哪些优点？Plotly 的整合才能很强：可与 Jupyter Notebook 一同运用，可嵌入网站，而且完好集成了 Dash——一种用于构建仪表盘和剖析运用的超卓东西。
发动
假如你还没装置 Plotly，只需在你的终端运转以下指令即可完结装置：
pip install plotly
装置完结后，就开始运用吧！
动画
在研讨这个或那个方针的演化时，咱们常触及到时刻数据。Plotly 动画东西仅需一行代码就能让人观看数据随时刻的改变状况，如下图所示：
代码如下：
import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,
y="Entity",
x="Deaths",
animation_frame="Year",
orientation='h',
range_x=[0, df.Deaths.max()],
color="Entity")
# improve aesthetics (size, grids etc.)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)',
title_text='Evolution of Natural Disasters',
showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()
只需你有一个时刻变量来过滤，那么简直任何图表都可以做成动画。下面是一个制造散点图动画的比方：
import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(
df,
x="gdpPercap",
y="lifeExp",
animation_frame="year",
size="pop",
color="continent",
hover_name="country",
log_x=True,
size_max=55,
range_x=[100, 100000],
range_y=[25, 90],
# color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)')
太阳图
太阳图（sunburst chart）是一种可视化 group by 句子的好办法。假如你想经过一个或多个类别变量来分化一个给定的量，那就用太阳图吧。
假定咱们想依据性别和每天的时刻分化均匀小费数据，那么相较于表格，这种两层 group by 句子可以终究靠可视化来更有用地展示。
这个图表是交互式的，让你可以自己点击并探究各个类别。你只需要界说你的一切类别，并声明它们之间的层次结构（见以下代码中的 parents 参数）并分配对应的值即可，这在咱们事例中即为 group by 句子的输出。
import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd
df = px.data.tips()
fig = go.Figure(go.Sunburst(
labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],
parents=["", "", "Female", "Female", 'Male', 'Male'],
values=np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex', 'time']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()
现在咱们向这个层次结构再增加一层：
为此，咱们再增加另一个触及三个类别变量的 group by 句子的值。
import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=[
"Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',
'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri ', 'Sat ', 'Sun ', 'Fri ', 'Thu '
],
parents=[
"", "", "Female", "Female", 'Male', 'Male',
'Dinner', 'Dinner', 'Dinner', 'Dinner',
'Lunch', 'Lunch', 'Dinner ', 'Dinner ',
'Dinner ', 'Lunch ', 'Lunch '
],
values=np.append(
np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex',
'time']).tip.mean().values,
),
df.groupby(['sex', 'time',
'day']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()
平行类别
另一种探究类别变量之间联络的办法是以下这种流程图。你可以随时拖放、高亮和阅读值，很合适演示时运用。
代码如下：
import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_categories(
df,
dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],
color="Genre_id",
color_continuous_scale=px.colors.sequential.Emrld,
)
fig.show()
平行坐标图
平行坐标图是上面的图表的接连版别。这儿，每一根弦都代表单个调查。这是一种可用于辨认离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比方假如两个变量在每个调查上的值都附近，那么它们将坐落同一水平线上，表明存在冗余）的好用东西。
代码如下：
import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_coordinates(
df,
dimensions=[
'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',
'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'
],
color='IMDB_Rating',
color_continuous_scale=px.colors.sequential.Emrld)
fig.show()
量表图和指示器
量表图只是是为了美观。在陈述 KPI 等成功方针并展示其与你的方针的间隔时，可以正常的运用这种图表。
指示器在事务和咨询中非常有用。它们可以终究靠文字记号来弥补视觉效果，招引观众的注意力并展示你的增加方针。
import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
domain = {'x': [0, 1], 'y': [0, 1]},
value = 4.3,
mode = "gauge+number+delta",
title = {'text': "Success Metric"},
delta = {'reference': 3.9},
gauge = {'bar': {'color': "lightgreen"},
'axis': {'range': [None, 5]},
'steps' : [
{'range': [0, 2.5], 'color': "lightgray"},
{'range': [2.5, 4], 'color': "gray"}],
}))
fig.show()
原文链接：https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41
本文为机器之心编译，转载请联络本大众号取得授权。
------------------------------------------------
参加机器之心（全职记者 / 实习生）：hr@jiqizhixin.com
投稿或寻求报导：content@jiqizhixin.com
广告 & 商务协作：bd@jiqizhixin.com
