激光点云数据制作地形图(太阳图平行坐标)
激光点云数据制作地形图(太阳图平行坐标)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:启动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 Note
选自TowardsDataScience
作者:Liana Mehrabyan
机器之心编译
参与:Panda
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。
启动
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!
动画
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(
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 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()
平行类别
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(
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(
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