作者:俊欣  来源:关于数据分析与可视化

相信大家对一些常规的可视化图表都比较熟悉了,例如像是折线图、柱状图、饼图等等,今天小编通过Plotly Express模块来为大家绘制几个不常见但是特别惊艳的图表。

SunBurst Chart
SunBurst Chart大家一般称作是旭日图或者是太阳图,和饼图的结构十分地相似,但是比后者更加能表达清晰的层级和归属关系。在旭日图当中,离圆点越近表示级别就越高,相邻两层中是内层包含外层的关系。
在实际项目当中使用旭日图,不仅数据直观,而且图表使用起来特别的酷炫,可以迅速地拉高数据汇报的颜值。代码如下

import plotly.express as px
import numpy as np
df = px.data.gapminder().query("year == 2002")
fig = px.sunburst(df, path=['continent', 'country'], values='pop',
                  color='lifeExp', hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()

output

当中的textinfo参数来调整标签的表达形式,例如以百分比的形式来显示所占的比例,代码如下

fig = px.sunburst(...和上面的代码一样...)
fig.update_traces(
    textinfo="label+percent entry"
)
fig.show()

output

Treemap
树形图(Treemap)适用于层级结构更加鲜明的数据当中,在一个树形图中,图表被分割成了若干个矩形,其中矩形的大小有数值的大小而定,我们来看一下具体的代码实现

fig = px.treemap(df, path=[px.Constant("world"), 'continent', 'country'], values='pop',
                  color='lifeExp', hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.update_layout(margin = dict(t=50, l=25, r=25, b=25))
fig.show()

output

Polar Charts
在plotly.express模块当中,我们既可以在极坐标图当中添加散点,也可以在上面放置折线,其中极坐标中的散点图调用的是px.scatter_polar()方法来实现,代码如下

import plotly.express as px
df = px.data.wind()
fig = px.scatter_polar(df, r="frequency", theta="direction",
                       color="strength", symbol="strength", size="frequency",
                       color_discrete_sequence=px.colors.sequential.Plasma_r)
fig.show()

output

极坐标中的折线图调用的则是px.line_polar()方法,代码如下

fig = px.line_polar(df, r="frequency", theta="direction", color="strength", line_close=True,
                    color_discrete_sequence=px.colors.sequential.Plasma_r,
                    template="plotly_dark",)
fig.show()

output

Gantt Charts
甘特图(Gantt Charts)被用来表示项目工程的进展十分有帮助,其中纵轴表示的是项目的名称,横轴表示的是日期,能够非常直观地表达项目的周期以及进展,代码如下

df = pd.DataFrame([
    dict(Task="Job A", Start='2009-01-01', Finish='2009-02-28'),
    dict(Task="Job B", Start='2009-03-05', Finish='2009-04-15'),
    dict(Task="Job C", Start='2009-02-20', Finish='2009-05-30')
])

df.head()

output

数据当中有项目的开始日期和结束日期,然后我们调用px.timeline方法来绘制成桑基图,代码如下

fig = px.timeline(df, x_start="Start", x_end="Finish", y="Task")
fig.update_yaxes(autorange="reversed")
fig.show()

output

当然要是不同的项目由不用的人来负责,我们也可以在图表上面标注出来,代码如下

df = pd.DataFrame([
    dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-28', PorjectManager="小王"),
    dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', PorjectManager="小王"),
    dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', PorjectManager="小李")
])

fig = px.timeline(df, x_start="StartDate", x_end="Finish", y="Task", color="PorjectManager")
fig.update_yaxes(autorange="reversed")
fig.show()

output

当然项目的完成进度也可以在图表上面表示出来,代码如下

df = pd.DataFrame([
    dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-25', Completion_pct=60),
    dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', Completion_pct=40),
    dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', Completion_pct=75)
])

fig = px.timeline(df, x_start="StartDate", x_end="FinishDate", y="Task", color="Completion_pct")
fig.update_yaxes(autorange="reversed")
fig.show()

output

Map
在plotly.express模块当中绘制地图也是十分的简单,例如我们绘制的是地图当中的散点图,调用的是scatter_geo()方法,代码如下

df = px.data.gapminder().query("year == 2002")
fig = px.scatter_geo(df, locations="iso_alpha",
                     size="pop",
                     )
fig.show()
output

我们可以在此基础之上再进一步进行图表的美化,例如不同的国家表示不同的州用不同颜色的散点来表示,代码如下

fig = px.scatter_geo(df, locations="iso_alpha",
                     color="continent", 
                     hover_name="country", 
                     size="pop", 
                     projection="natural earth")
fig.show()

output

以及分级统计图(Choropleth map),具体指的是在整个制图区域内,每个区划单元根据各分区划分出来的数量来进行分级,调用的是px.choropleth()方法

fig = px.choropleth(df, geojson=geojson, color="Bergeron",
                    locations="district", featureidkey="properties.district",
                    projection="mercator"
                   )
fig.update_geos(fitbounds="locations", visible=False)
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})
fig.show()

output