利用Plotly绘制各类图表

Plotly部分

Plotly的安装

Plotly比较新，没有包含在anaconda环境中，需要单独安装。
Pycharm或者anaconda找到Plotly点击install安装即可。

可以在终端输入：pip3 install plotly
可以在命令行输入：pip install plotly
可以在anaconda环境中安装：conda install plotly
如果下载速度慢可以使用清华源：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple plotly

检查是否安装成功

import plotly
from plotly import __version__
print(__version__)

这里显示版本即表示安装成功，我用的是4.14.3版本。

利用Plotly绘制第一张图

使用离线版本：plotly.offline
最简单的绘制方式：iplot([数据])，plot和iplot最大区别在于是不是创建一个新的网页来显示图表，后面会演示。
首先看看iplot模式。

from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot

dic1 = {
    
    'x':[1,2,3,4],
        'y':[1,3,5,8]
       }
iplot([dic1])
# 可以试试plot([dic1])感受区别

可以看到，使用plotly绘制出来的图和matplotlib绘制的明显区别是：
1、图表中的数据可以显示出具体数值（可交互性）；
2、右上角有很多对图片细节进行查看的工具（扩展性）。

尝试大量数据的绘制

利用go.Scatter存放数据

import plotly.graph_objects as go
import numpy as np
import random
x = np.random.randn(30)
y = np.random.randn(30)
go.Scatter(x=x,y=y)

当数据比较多，往往会先把数据存放在go.Scatter内，再集中调用。

调取go.Scatter数据绘制散点图

iplot([go.Scatter(x=x,y=y)])
# iplot([数据])，注意这里数据是放在中括号内

这样的数据是非常乱的，实际上我们只需要绘制散点图，这里需要设置模式：mode='markers'

iplot([go.Scatter(x=x,y=y,mode='markers')])

散点图

go对象标准写法

import plotly
import plotly.graph_objs as go
import numpy as np
from plotly.offline import download_plotlyjs , init_notebook_mode,plot ,iplot

n =1000
x = np.random.randn(n)
y = np.random.randn(n)

trace = go.Scatter(x=x, y=y, mode='markers', marker=dict(color='red',size=3,opacity=0.5))
data=[trace]
iplot(data)

go.Scatter语句的标准写法：
第一步、产生数据。
第二步、把数据放入go对象。将go.Scatter()赋值在一个变量内例子用trace，并且在go.Scatter内用marker=dict()调整细节，其中color表示颜色，size表示散点大小，opacity表示透明度。
第三步、创建一个data变量存放go对象。
第四步、（可选） data变量是一个数组列表，所以可以存放超过一个以上的go对象。
第四步、iplot(data)绘制。

饼图

groups=['餐食','账单','娱乐','其他']
amount=[1000,500,1500,300]
colors=['#d32c58','#f9b1ee','#b7f9b1','#b1f5f9']
trace=go.Pie(labels=groups, values=amount)
data=[trace]
iplot(data)

丰富一下细节：

trace=go.Pie(labels=groups, values=amount, hoverinfo='label+percent', textinfo='value',
             textfont=dict(size=25), marker=dict(colors=colors,line=dict(color='#000000',width=3)))
# hoverinfo='label+percent':显示标签+百分比
# textinfo='value':饼图上文字显示value值
# textfont=dict(size=25):文字大小25号
# marker=dict(colors=colors,line=dict(color='#000000',width=3)):颜色用colors内的颜色，线条用黑色，宽度3。
data=[trace]
iplot(data)

也可以只显示需要的部分，并且百分比会重新计算：

使用自定义数据(PUBG吃鸡游戏数据)绘制

数据来源

网站：kaggle网

利用Pandas联动Plotly

利用Pandas读取csv文件数据：

from plotly.offline import download_plotlyjs , init_notebook_mode,plot ,iplot
import plotly.graph_objs as go
import pandas as pd

pubg = pd.read_csv("PUBG.csv")
pubg.head()

做可视化要求数据是数值类型，用info语句查看：

pubg.info()

查看字段：

pubg.columns

处理数据结构

df_pubg = pubg.apply(pd.to_numeric,errors = 'ignore')
# 所有的数据转化成数值类型，错误忽略
df_new_pubg = df_pubg.head(100)

绘制散点图

trace = go.Scatter(x = df_new_pubg.solo_RoundsPlayed ,y = df_new_pubg.solo_Wins , name = 'Rounds Won' ,mode='markers')

layout = go.Layout(title =" PUBG win vs round played " ,plot_bgcolor='rgb(230,230,230)' ,showlegend=True)
# 对输出内容进行设置
# plot_bgcolor:背景颜色
# showlegend=True:显示图示

fig = go.Figure(data=[trace] , layout=layout)
# 把trace和layout组合在一张画布上
iplot(fig)

两组数据绘制柱状图

trace1 = go.Bar(x=df_new_pubg.player_name, y=df_new_pubg.solo_RoundsPlayed, name='Rounds Play')
trace2 = go.Bar(x=df_new_pubg.player_name, y=df_new_pubg.solo_Wins, name='Wins')
layout = go.Layout(barmode='group')
fig = go.Figure(data=[trace1,trace2] , layout=layout)
iplot(fig)

density密度图

数据沿用数据可视化分析2.3的PUGB吃鸡数据文件。

from plotly.offline import download_plotlyjs , init_notebook_mode,plot ,iplot
import plotly.graph_objs as go
import pandas as pd
pubg = pd.read_csv("PUBG.csv")
df_pubg = pubg.apply(pd.to_numeric,errors = 'ignore')
df_new_pubg = df_pubg.head(100)

import plotly.figure_factory as ff

2维图表需要两组数据：

x = df_new_pubg.solo_Wins
y = df_new_pubg.solo_TimeSurvived

设置参数：

colorscale = ['#7A4579','#D56073','rgb(236,158,105)',(1,1,0.2),(0.98,0.98,0.98)]

先不加入参数看看绘制效果

fig=ff.create_2d_density(x,y)
iplot(fig ,filename='histgram_subplot')

通过调色板进行颜色优化：

fig = ff.create_2d_density(x,y , colorscale= colorscale)

这里的密度图和直方图的颜色并不一致，接下来调整直方图颜色：

fig = ff.create_2d_density(x,y , colorscale= colorscale ,hist_color='rgb(255,237,222)' , point_size= 5)

3d散点图

3d图就需要三个数据：

x = df_new_pubg.solo_Wins
y = df_new_pubg.solo_TimeSurvived
z = df_new_pubg.solo_RoundsPlayed

利用go语句给trace赋值：

trace1 = go.Scatter3d(
    x=x,
    y=y,
    z=z,
    mode='markers'
)

data=[trace1]
fig=go.Figure(data=data)
iplot(fig)

对marker参数进行优化：

trace1 = go.Scatter3d(
    x=x,
    y=y,
    z=z,
    mode='markers',
    marker=dict(
        size=12,
        color=z,
        colorscale='Viridis',
        # 采用Viridis调色板
        opacity=0.8, 
        showscale =True
        # 增加图示
    )
)

颜色越浅表面玩的次数越多。
再增加一个布局文件：

layout = go.Layout(margin=dict(
    l=0,
    r=0,
    t=0,
    b=0
))

fig = go.Figure(data=data , layout=layout)
iplot(fig,filename='3d')

在线制图

在网上互动可视化是plotly最强大的特点之一。
首先需要在plotly官网点击Sign Up注册账号：plotly官网
登陆完成之后点击Settings：

之后找到API接口：

生成临时密码：

安装chart_studio库：

开始上传图片：

import chart_studio
import chart_studio.plotly as py

chart_studio.tools.set_credentials_file(username='D_Ddd0701',api_key='ZDBddR6QXiKshV9xdMwu')
# 输入网站上注册的用户名和生成的API
init_notebook_mode(connected=True)
# 笔记本和线上做连接
# 把刚才的代码复制过来，加入py.iplot
fig = go.Figure(data=data , layout=layout)
py.iplot(fig,filename='3d')

点击右下角EDIT按钮，进入网页发现图片已经上传上去，点击Save储存。

确定内容后再次点击Save：

此时图片已经被上传到个人File内：

点击Viewer可以浏览，也可以点击Editor编辑。

同样，也可以去参观别人做的图学习一下别人怎么做的。

实时金融数据绘制

本案例用苹果和特斯拉股票做例子。

利用Pandas导入数据

from plotly.offline import download_plotlyjs , init_notebook_mode,plot ,iplot
import plotly.graph_objects as go
import pandas as pd

df = pd.read_csv('APPL.csv')
df.head()

可以看到数据包含日期，开盘收盘成交量等数据。

绘制图表

利用go语句存放数据：

trace1=go.Scatter(
    x=df['Date'],
    y=df['AAPL.Close']
)

iplot([trace1])

利用同样的方法绘制特斯拉。我们这里绘制特斯拉股票的最高价和最低价。

df2 = pd.read_csv('Tesla.csv')
trace_a = go.Scatter(
         x = df2.date,
         y = df2.high,
         name = "Tesla High",
         line = dict(color = '#17BECF'),
         opacity =0.8

)
trace_b = go.Scatter(
         x = df2.date,
         y = df2.low,
         name = "Tesla Low",
         line = dict(color = '#7f7f7f'),
         opacity =0.8

)
data=[trace_a, trace_b]
iplot(data)

对布局做一些调整Layout：

layout = dict(title = "Tesla stock High vs Low")
fig = dict(data = data,layout = layout)
iplot(fig)

再加入一根收盘价线：

trace_c = go.Scatter(
         x = df2.date,
         y = df2.close,
         name = "Tesla Close",
         line = dict(color = '#7f7f7f'),
         opacity =0.8
)
data =[trace_a,trace_b,trace_c]

引入金融特性——范围选择器

import plotly.express as px
fig = px.line(df2 , x='date',y='close') # 导入df2数据，x轴是date，y是close
fig.update_xaxes(rangeslider_visible=True) # 范围选择器
fig.show()

再看看苹果的：

fig = px.line(df, x='Date', y='AAPL.High', title='Time Series with Rangeslider')
fig.update_xaxes(rangeslider_visible=True)
fig.show()

引入金融特性——日线，5日线等快捷键

fig = px.line(df, x='Date', y='AAPL.High', title='Time Series with Rangeslider')

fig.update_xaxes(rangeslider_visible=True,
                 rangeselector = dict(
                 	buttons=list([
						dict(count=1,label="1d",step="day",stepmode="backward"),
                     	dict(count=5,label="5d",step="day",stepmode="backward"),
                     	dict(count=1,label="1m",step="month",stepmode="backward"),
                     	dict(count=3,label="3m",step="month",stepmode="backward"),
                     	dict(count=6,label="6m",step="month",stepmode="backward"),
                     	dict(count=1,label="1y",step="year",stepmode="backward"),
                     	dict(step="all")   #恢复到之前                  
                 ])
                 )                                               
                )
fig.show()

引入金融特性——蜡烛图

蜡烛图代码：

go.Candlestick(
               x=日期,
               open=开盘价,
               high=最高价,
               low=最低价,
               close=收盘价
              )

fig = go.Figure(data=[go.Candlestick(
                        x=df['Date'],
                        open=df['AAPL.Open'],
                        high=df['AAPL.High'],
                        low=df['AAPL.Low'],
                        close=df['AAPL.Close']
                        )
                     ]
                )
ig = go.Figure(data=[go.Candlestick(
                        x=df['Date'],
                        open=df['AAPL.Open'],
                        high=df['AAPL.High'],
                        low=df['AAPL.Low'],
                        close=df['AAPL.Close']
                        )
                     ]
                )
fig.update_xaxes(rangeslider_visible=True,
                 rangeselector = dict(
                     buttons=list([
                         dict(count=1,label="日",step="day",stepmode="backward"),
                         dict(count=5,label="五日",step="day",stepmode="backward"),
                         dict(count=1,label="月线",step="month",stepmode="backward"),
                         dict(count=3,label="季线",step="month",stepmode="backward"),
                         dict(count=6,label="半年线",step="month",stepmode="backward"),
                         dict(count=1,label="年线",step="year",stepmode="backward"),
                         dict(step="all")                    
                 ])
                 )               
                )
fig.show()

引入金融特性——指标

import cufflinks as cf
cf.set_config_file(offline=True,world_readable=True) #设置offline=True和python关联

用cf自带模拟器生成k线数据：

df= cf.datagen.ohlc()
df.head()

qf=cf.QuantFig(df) # 把df内的数据变为金融数据

用qf.iplot()画K线图：

qf.iplot()

增加macd指标

增加macd指标：qf.add_macd()

qf.add_macd()
qf.iplot()

增加rsi指标

增加rsi指标：qf.add_rsi()

这里根据个人，输入数值：

qf.add_rsi(6,80) #周期6天触发值80
qf.iplot()

增加布林带通道

增加布林带通道：qf.add_bollinger_bands()

qf.add_bollinger_bands()
qf.iplot()

同样可以点击右上角关掉指标。

利用heatmap绘制热力图

引入类库：

import pandas as pd
import numpy as np
import chart_studio.plotly as py
import seaborn as sns
import plotly.express as px
%matplotlib inline #代表所有绘制的图表都内嵌在网页中
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
init_notebook_mode(connected=True)

利用Pandas导入数据

flights = sns.load_dataset("flights")
flights.head()

这里使用的是seaborn自带数据库，可能会出现报错IncompleteRead，解决方法：
1、csv文件下载地址，点击下载。
2、将下载后的fights.csv拷贝放入seaborn-data文件夹。

查看数据类型：flights.info()

绘制热力图

热力图需要三个数据。

fig = px.density_heatmap(flights, x ='year' , y ='month' , z= 'passengers')

换个颜色：color_continuous_scale='配色器'
可选：One of the following named colorscales:
[‘aggrnyl’, ‘agsunset’, ‘algae’, ‘amp’, ‘armyrose’, ‘balance’,
‘blackbody’, ‘bluered’, ‘blues’, ‘blugrn’, ‘bluyl’, ‘brbg’,
‘brwnyl’, ‘bugn’, ‘bupu’, ‘burg’, ‘burgyl’, ‘cividis’, ‘curl’,
‘darkmint’, ‘deep’, ‘delta’, ‘dense’, ‘earth’, ‘edge’, ‘electric’,
‘emrld’, ‘fall’, ‘geyser’, ‘gnbu’, ‘gray’, ‘greens’, ‘greys’,
‘haline’, ‘hot’, ‘hsv’, ‘ice’, ‘icefire’, ‘inferno’, ‘jet’,
‘magenta’, ‘magma’, ‘matter’, ‘mint’, ‘mrybm’, ‘mygbm’, ‘oranges’,
‘orrd’, ‘oryel’, ‘oxy’, ‘peach’, ‘phase’, ‘picnic’, ‘pinkyl’,
‘piyg’, ‘plasma’, ‘plotly3’, ‘portland’, ‘prgn’, ‘pubu’, ‘pubugn’,
‘puor’, ‘purd’, ‘purp’, ‘purples’, ‘purpor’, ‘rainbow’, ‘rdbu’,
‘rdgy’, ‘rdpu’, ‘rdylbu’, ‘rdylgn’, ‘redor’, ‘reds’, ‘solar’,
‘spectral’, ‘speed’, ‘sunset’, ‘sunsetdark’, ‘teal’, ‘tealgrn’,
‘tealrose’, ‘tempo’, ‘temps’, ‘thermal’, ‘tropic’, ‘turbid’,
‘turbo’, ‘twilight’, ‘viridis’, ‘ylgn’, ‘ylgnbu’, ‘ylorbr’,
‘ylorrd’]
选择viridis试试。

fig = px.density_heatmap(flights, x ='year' , y ='month' , z= 'passengers' , color_continuous_scale='viridis')

用histogram方式统计

对x和y轴包含数据总数进行统计计数，需要使用marginal_x="histogram" ,marginal_y="histogram"

fig = px.density_heatmap(flights, x ='year' , y ='month' , z= 'passengers' ,marginal_x="histogram"   ,marginal_y="histogram")

用3D折线图反应热力图

fig = px.line_3d(flights , x ='year' , y ='month' , z= 'passengers' ,color='year') # color='year'表示每一年的数据用不同颜色

这和热力图反应的一致，随着年份增加，人数也在增加。7月数据一般最大的。

如果只看这么几年的数据，那么显示的变化规律会更加直观。

利用scatter绘制散点图

fig = px.scatter_3d(flights , x ='year' , y ='month' , z= 'passengers' ,color='year')

这个和折线图表现的结果类似。

利用scatter_matrix绘制散点矩阵

但是有些时候，我们希望用2D的图把3D图的信息展示出来，刚才案例的数据3D图涉及到x,y,z三组变量，如果用2D展示，则需要把xy，xz，yz的关系用三张图绘制出来。这里需要使用到scatter_matrix功能。

fig = px.scatter_matrix(flights,color="month")

接下来我们用机器学习的经典数据Iris花卉数据集再做一次可视化分析。
Iris数据包括了三种鸢尾花的4个不同维度的属性值。我们希望通过数据集把三种种类的花分开。

df = px.data.iris()
df.head()

用刚才的散点矩阵来分析一下：

fig = px.scatter_matrix(df,color="species")

可以看到，使用petal_length和petal_width绘制分的是比较开的。
所以用这两个元素单独绘制一下散点图：

fig  = px.scatter(df , x ='petal_length' , y='petal_width' , color='species' )

发现，这张图给的信息还不够多，所以我们再增加一个区分：size='petal_length'

fig  = px.scatter(df , x ='petal_length' , y='petal_width' , color='species', size='petal_length')

会发现setosa比较小，virginica比较大，这张图可以把蓝色分出来，红色和绿色中间有重叠，分开比较复杂。所以可以试一试3D。

fig  = px.scatter_3d(df , x ='petal_length' , y='petal_width' ,z='sepal_width' , color='species' ,size='petal_length')

3D图发现在空间上会存在某个切面可以把三者分开。

利用scatter_geo绘制地理散点图

利用px自带数据库

使用自带数据库2007年gdp数据：

df = px.data.gapminder().query("year == 2007")
df.head()

绘制地理信息图

fig = px.scatter_geo(df,locations="iso_alpha")
# locations='iso_alpha'表示自动适配地理信息

为了让显示更加具有辨识度，增加其他参数：

# color="continent"表示按洲不同颜色不同
# hover_name="lifeExp"表示显示数据集中lifeExp数值
# size='pop'表示用数据集中pop数据区别大小
# projection='orthographic'表示用地球投影模式
fig = px.scatter_geo(df,locations="iso_alpha",color="continent",hover_name="lifeExp",size='pop',projection='orthographic')

可以用的投影模式有：
One of the following enumeration values:
[‘equirectangular’, ‘mercator’, ‘orthographic’, ‘natural
earth’, ‘kavrayskiy7’, ‘miller’, ‘robinson’, ‘eckert4’,
‘azimuthal equal area’, ‘azimuthal equidistant’, ‘conic
equal area’, ‘conic conformal’, ‘conic equidistant’,
‘gnomonic’, ‘stereographic’, ‘mollweide’, ‘hammer’,
‘transverse mercator’, ‘albers usa’, ‘winkel tripel’,
‘aitoff’, ‘sinusoidal’]

利用choropleth功能绘制地图信息

import pandas as pd
import numpy as np
import plotly
import plotly.graph_objects as go
import chart_studio.plotly as py
import plotly.express as px

在绘制地图时，需要数据信息，但这个数据需要gps信息（经纬度坐标），如果没有则需要补充geojson信息。
例如，csv文件内的成都并不代表地图上的成都，csv文件的成都只是一个字符串，要让程序识别出这是地图上的成都应该包括成都的范围（经纬度的跨度等）。
这里例举一个具体的例子：

为了确定这个多边形的范围，我们用5个点去圈定他，这样就在一个空间内形成了多边形的地理信息。所有的区域信息可以总结为以下几点：

利用geojson功能绘制地理区域

从geojson官网“圈地”

为了获取geojson数据，需要在geojson的官网去“圈地”。geojson网址

找到自己想要的地方（以成都市中心天府广场举例），框定区域会在右侧形成geojson格式的数据，点击Sava储存为geojson格式就行。

利用folium库在jupyter notebook上“圈地”

首先需要安装folium这个第三方库，安装方式同其他三方库一致。

from folium.plugins import Draw
import folium

m = folium.Map()
draw = Draw(export=True,filename="tianfu_square.geojson")
draw.add_to(m)

点击Export即可储存本地geojson格式文件。

利用choroplethmapbox绘制漂亮的地图

这里准备了一份数据：

geo = pd.read_csv("Geography.csv")

那么我们知道，要在地图上定位只有两种办法：1、给出指定的(x,y)坐标；2、geojson格式文件。显然对市给出坐标太过困难，所以这里选择第2种方式。
网上已经有人给出了一份全国市级地区的geojson文件，我们直接调用。

import json
with open('china_geojson.json') as file:
    china = json.load(file)

绘制图片：

# geojson=geojson数据
# locations=地图对应的id信息
# z=数值
fig = go.Figure(go.Choroplethmapbox(geojson=china,locations=geo.Regions,z=geo.followerPercentage
                                   ,colorscale='Cividis'))
# 直接绘制是不能显示的，必须需要fig.update_layout()渲染s
fig.update_layout(mapbox_style="carto-positron",mapbox_zoom=3,mapbox_center = {
    
    "lat" : 35.9 ,"lon" : 104.2})
fig.update_layout(margin={
    
    "t":0,"b":0,"l":0,"r":0})
fig

这个图看上去没有问题，但是因为Geography.csv文件中给的地标都是英文，我们更希望可以用中文展示：

geo2 = pd.read_csv('Geography2.csv')
geo2.head(5)

把之前的数据的北京和上海改成中文再运行一次：

fig = go.Figure(go.Choroplethmapbox(geojson=china,locations=geo2.Regions,z=geo2.followerPercentage
                                   ,colorscale='Cividis'))
fig.update_layout(mapbox_style="carto-positron",mapbox_zoom=3,mapbox_center = {
    
    "lat" : 35.9 ,"lon" : 104.2})

fig.update_layout(margin={
    
    "t":0,"b":0,"l":0,"r":0})
fig

发现，北京和上海都无法显示了。
这是因为我们的geojson文件id也是英文的，这里如果改成中文的北京上海就会和geojson的不匹配，所以无法显示。
如果修改id成中文就可以正确显示了。

Folium绘制(x,y)定位图

我们想绘制出类似坐标定位的图：

首先导入一个数据集：

df = pd.read_csv('geo_pandas.txt')

我们取数据集前100行。

limit=100
df = df.iloc[:limit,:]

我们可以用folium实现定位：

lat = 37.77
long = -122.42
m2 = folium.Map(location=[lat,long],zoom_start=12)

如果想要绘制定位点的图：

# 引入特征
incidents = folium.map.FeatureGroup()
# 组合经纬度
for lat, long in zip(df.Y, df.X):
    incidents.add_child(
        folium.CircleMarker(# 画小点点
            [lat,long],
            radius=5
        )
    )
m2.add_child(incidents)

还可以进一步美化：

for lat, long in zip(df.Y, df.X):
    incidents.add_child(
        folium.CircleMarker(# 画小点点
            [lat,long],
            radius=5,
            fill = True, # 开启外圈填充
            fill_color = 'blue', # 外圈填充蓝色
            color = 'yellow', #内圈颜色黄色
            fill_opacity = 0.6 #透明度
        )
    
    )
m2.add_child(incidents)

我们还是希望可以像demo一样，有一个标签（箭头）。

for lat, long in zip(df.Y, df.X):
    incidents.add_child(
        folium.CircleMarker(# 画小点点
            [lat,long],
            radius=5,
            fill = True, # 开启外圈填充
            fill_color = 'blue', # 外圈填充蓝色
            color = 'yellow', #内圈颜色黄色
            fill_opacity = 0.6 #透明度
        )
    
    )
lat1 = list(df.Y)
long1 = list(df.X)
label1 = list(df.Category)
for lat1, long1, label1 in zip(lat1, long1, label1):
    folium.Marker([lat1, long1],popup=label1).add_to(m2)
m2.add_child(incidents)

这里我们只显示了前面100行数据，如果全部显示一共有15万个数据，会密密麻麻非常难受，所以这里如果想要全部显示应该怎么办呢？我们可以采用一种聚类的方式。

from folium.plugins import MarkerCluster
# 新建地图
m3 = folium.Map(location=[lat,long],zoom_start=12)
marker_cluster = MarkerCluster().add_to(m3)
lat1 = list(df.Y)
long1 = list(df.X)
label1 = list(df.Category)
for lat1, long1, label1 in zip(lat1, long1, label1):
    folium.Marker([lat1, long1],popup=label1).add_to(marker_cluster)
# 这里不add_to(m3)，而是add_to(聚类分组处理器)

随着滚轮放大缩小可以展示出具体和聚类的信息。

动态数据图的使用

使用普通散点图

首先导入各种类库

import pandas as pd
import numpy as np
import chart_studio.plotly as py
import cufflinks as cf
import seaborn as sns
import plotly.express as px
%matplotlib inline
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
init_notebook_mode(connected=True)

导入px自带数据集：

df_cnt = px.data.gapminder()
df_cnt.head()

绘制散点图看一看gdpPercap和lifeExp的相关性：

px.scatter(df_cnt,x='gdpPercap' , y = "lifeExp" )

这里会发现数据叠在一起，不能分清楚各个国家之前情况如何，所以用颜色区分开：

px.scatter(df_cnt,x='gdpPercap' , y = "lifeExp" ,color='continent')

这里会发现还是不容易区分，所以可以使用之前用过的一个办法——用科学计数法。

px.scatter(df_cnt,x='gdpPercap' , y = "lifeExp" ,color='continent' ,log_x =True)

我们还想点到这个点上可以看到具体国家信息：

px.scatter(df_cnt,x='gdpPercap' , y = "lifeExp" ,color='continent' ,log_x =True , hover_name="country")

其实这张图依然比较杂乱，因为有几十年的数据，如果可以分开展示就会很好，这里就需要使用动态数据图。

使用动态散点图

px.scatter(df_cnt,x='gdpPercap' , y = "lifeExp" ,color='continent' ,log_x =True , hover_name="country",
          animation_frame="year")
#animation_frame="year"表示按年播放

拖动下方滑块或者点击播放键可以播放每一年的数据情况。但是会发现随着时间增加，点会溢出表格，这是因为没有设置动态y轴。
一次性把动态x轴和动态y轴都加上：

px.scatter(df_cnt,x='gdpPercap' , y = "lifeExp" ,color='continent' ,
           log_x =True , hover_name="country",animation_frame="year",range_x=[100,100000],
           range_y=[25,90])

这里还会存在一个问题，gdp实际的大小并不清晰，比如紫色和其他颜色到底gdp情况如何呢？所以可以调整size参数，用人口数量来区分。

px.scatter(df_cnt,x='gdpPercap' , y = "lifeExp" ,color='continent' ,
           log_x =True , hover_name="country",animation_frame="year",range_x=[100,100000],
           range_y=[25,90],size='pop',size_max=60)

使用普通柱状图

px.bar(df_cnt,x='continent' , y='pop')

发现这里指上去不能看到这个柱子代表什么国家。所以增加hover_name="country"

px.bar(df_cnt,x='continent' , y='pop',hover_name="country")

使用动态柱状图

px.bar(df_cnt,x='continent' , y='pop' , hover_name='country' ,color='continent' ,
       animation_frame='year')

这里也会涉及到y轴显示问题，所以设计一下y轴范围：

px.bar(df_cnt,x='continent' , y='pop' , hover_name='country' ,color='continent' ,
       animation_frame='year',range_y=[0,4000000000],animation_group='country')
# 这里的animation_group='country'类似MySQL中的groupby，表示按国家分组

动态密度图

fig = px.density_contour(df_cnt, x="gdpPercap", y="lifeExp", color="continent", marginal_y="histogram",
                        animation_frame='year', animation_group='country', range_y=[25,100])

动态热力图

fig = px.density_heatmap(df_cnt, x="gdpPercap", y="lifeExp", marginal_y="histogram",
                        animation_frame='year', animation_group='country', range_y=[25,100])

动态地理信息图

gapminder = px.data.gapminder()
px.choropleth(gapminder,               
              locations="iso_alpha",               
              color="lifeExp",
              hover_name="country",  
              animation_frame="year",    
              color_continuous_scale='Plasma',  
              height=600             
)

再用地图探究一下某地区犯罪率变化趋势：

df = pd.read_csv('CrimeStatebyState_1960-2014.csv')
df.head()

px.choropleth(df, 
              locations = 'State_code',
              color="Murder_per100000", # 用每10万人犯罪数量区别
              animation_frame="Year",
              color_continuous_scale="oranges",
              locationmode='USA-states', # 自带国家边界的geojson数据
              scope="usa",
              range_color=(0, 20),
              title='Crime by State',
              height=600
             )