點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

作者丨Liana Mehrabyan

數據可以幫助我們描述這個世界、闡釋自己的想法和展示自己的成果，但如果只有單調乏味的文本和數字，我們卻往往能難抓住觀眾的眼球。而很多時候，一張漂亮的可視化圖表就足以勝過千言萬語。本文將介紹 5 種基于 Plotly 的可視化方法，你會發(fā)現(xiàn)，原來可視化不僅可用直方圖和箱形圖，還能做得如此動態(tài)好看甚至可交互。

對數據科學家來說，講故事是一個至關重要的技能。為了表達我們的思想并且說服別人，我們需要有效的溝通。而漂漂亮亮的可視化是完成這一任務的絕佳工具。本文將介紹?5 種非傳統(tǒng)的可視化技術，可讓你的數據故事更漂亮和更有效。這里將使用 Python 的 Plotly 圖形庫（也可通過 R 使用），讓你可以毫不費力地生成動畫圖表和交互式圖表。

那么，Plotly 有哪些好處？Plotly 的整合能力很強：可與 Jupyter Notebook 一起使用，可嵌入網站，并且完整集成了 Dash——一種用于構建儀表盤和分析應用的出色工具。

啟動

如果你還沒安裝 Plotly，只需在你的終端運行以下命令即可完成安裝：

pip?install?plotly

安裝完成后，就開始使用吧！

動畫

在研究這個或那個指標的演變時，我們常涉及到時間數據。Plotly 動畫工具僅需一行代碼就能讓人觀看數據隨時間的變化情況，如下圖所示：

代碼如下：

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()

只要你有一個時間變量來過濾，那么幾乎任何圖表都可以做成動畫。下面是一個制作散點圖動畫的例子：

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) )

?太陽圖

太陽圖（sunburst chart）是一種可視化 group by 語句的好方法。如果你想通過一個或多個類別變量來分解一個給定的量，那就用太陽圖吧。

假設我們想根據性別和每天的時間分解平均小費數據，那么相較于表格，這種雙重 group by 語句可以通過可視化來更有效地展示。

這個圖表是交互式的，讓你可以自己點擊并探索各個類別。你只需要定義你的所有類別，并聲明它們之間的層次結構（見以下代碼中的 parents 參數）并分配對應的值即可，這在我們案例中即為 group by 語句的輸出。

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()

現(xiàn)在我們向這個層次結構再添加一層：

為此，我們再添加另一個涉及三個類別變量的 group by 語句的值。

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()

平行類別

另一種探索類別變量之間關系的方法是以下這種流程圖。你可以隨時拖放、高亮和瀏覽值，非常適合演示時使用。

代碼如下：

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()

平行坐標圖

平行坐標圖是上面的圖表的連續(xù)版本。這里，每一根弦都代表單個觀察。這是一種可用于識別離群值（遠離其它數據的單條線）、聚類、趨勢和冗余變量（比如如果兩個變量在每個觀察上的值都相近，那么它們將位于同一水平線上，表示存在冗余）的好用工具。

代碼如下：

?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()

?量表圖和指示器

量表圖僅僅是為了好看。在報告 KPI 等成功指標并展示其與你的目標的距離時，可以使用這種圖表。

指示器在業(yè)務和咨詢中非常有用。它們可以通過文字記號來補充視覺效果，吸引觀眾的注意力并展現(xiàn)你的增長指標。

?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()

下載1：OpenCV-Contrib擴展模塊中文版教程

在「小白學視覺」公眾號后臺回復：擴展模塊中文教程，即可下載全網第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理等二十多章內容。

下載2：Python視覺實戰(zhàn)項目52講

在「小白學視覺」公眾號后臺回復：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數、添加眼線、車牌識別、字符識別、情緒檢測、文本內容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學校計算機視覺。

下載3：OpenCV實戰(zhàn)項目20講

在「小白學視覺」公眾號后臺回復：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學習進階。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據研究方向邀請進入相關微信群。請勿在群內發(fā)送廣告，否則會請出群，謝謝理解~