用 Python 绘制动态可视化图表，太酷了！
对数据科学家来说，太酷了讲故事是制动一个至关重要的技能。为了表达我们的态可图表思想并且说服别人，我们需要有效的视化沟通。而漂漂亮亮的太酷了可视化是完成这一任务的绝佳工具。
本文将介绍5种非传统的制动可视化技术，可让你的态可图表数据故事更漂亮和更有效。这里将使用Python的视化Plotly图形库，让你可以毫不费力地生成动画图表和交互式图表。太酷了
安装模块
如果你还没安装 Plotly，制动只需在你的态可图表终端运行以下命令即可完成安装：
pip install plotly
可视化动态图
在研究这个或那个指标的演变时，我们常涉及到时间数据。视化Plotly动画工具仅需一行代码就能让人观看数据随时间的太酷了变化情况，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,制动
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。态可图表下面是源码下载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()
指针图
指针图仅仅是服务器租用为了好看。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。
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()
桑基图
另一种探索类别变量之间关系的方法是以下这种平行坐标图。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衍生版本。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()