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，让你可以毫不费力地生成动画图表和交互式图表。
安装模块如果你还没安装 plotly，只需在你的终端运行以下命令即可完成安装：
pip install plotly
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。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()
指针图指针图仅仅是为了好看。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。
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()
以上就是用 python 绘制动态可视化图表，太酷了！的详细内容。