5种炫酷的数据可视动态图，用Python轻松实现

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’,
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

96f86381401c05e862fe4e9.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）