数据可以帮助我们描述这个世界、阐释自己的想法和展示自己的成果，但如果只有单调乏味的文本和数字，我们却往往能难抓住观众的眼球。而很多时候，一张漂亮的可视化图表就足以胜过千言万语。本文将介绍 5 种基于 Plotly 的可视化方法，你会发现，原来可视化不仅可用直方图和箱形图，还能做得如此动态好看甚至可交互。
对数据科学家来说，讲故事是一个至关重要的技能。为了表达我们的思想并且说服别人，我们需要有效的沟通。而漂漂亮亮的可视化是完成这一任务的绝佳工具。本文将介绍
5 种非传统的可视化技术
，可让你的数据故事更漂亮和更有效。这里将使用 Python 的 Plotly 图形库（也可通过 R 使用），让你可以毫不费力地生成动画图表和交互式图表。
那么，Plotly 有哪些好处？
Plotly 的整合能力很强：
可与 Jupyter Notebook 一起使用，可嵌入网站，并且完整集成了 Dash——一种用于构建仪表盘和分析应用的出色工具。
如果你还没安装 Plotly，只需在你的终端运行以下命令即可完成安装：
pip
install plotly
安装完成后，就开始使用吧！
在研究这个或那个指标的演变时，我们常涉及到时间数据。
Plotly 动画工具仅需一行代码就能让人观看数据随时间的变化情况
，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
只要你有一个时间变量来过滤，那么几乎任何图表都可以做成动画。下面是一个制作散点图动画的例子：
import
plotly.express
as
px
df = px.data.gapminder
fig = px.scatter(
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（sunburst chart）是一种可视化 group by 语句的好方法。
如果你想通过一个或多个类别变量来分解一个给定的量
，那就用太阳图吧。
假设我们想根据性别和每天的时间分解平均小费数据，那么相较于表格，这种双重 group by 语句可以通过可视化来更有效地展示。
这个图表是交互式的，让你可以自己点击并探索各个类别。你只需要定义你的所有类别，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，这在我们案例中即为 group by 语句的输出。
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
现在我们向这个层次结构再添加一层：
为此，我们再添加另一个涉及三个类别变量的 group by 语句的值。
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
另一种探索类别变量之间关系的方法是以下这种流程图。
你可以随时拖放、高亮和浏览值，非常适合演示时使用。
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(
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连续版本。这里，
每一根弦都代表单个观察
。这是一种可用于识别离群值（远离其它数据的单条线）、聚类、趋势和冗余变量（比如如果两个变量在每个观察上的值都相近，那么它们将位于同一水平线上，表示存在冗余）的好用工具。
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(
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
量表图仅仅是为了好看。
在报告 KPI 等成功指标并展示其与你的目标的距离时，可以使用这种图表。
指示器在业务和咨询中非常有用。它们可以通过文字记号来补充视觉效果，吸引观众的注意力并展现你的增长指标。
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
选自TowardsDataScience
作者：Liana Mehrabyan
机器之心编译
参与：Panda
返回搜狐，查看更多
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
