三万字长文详解神级绘图框架 plotly

# 生成100个点

x = np.linspace( 0, 2, 100)

y0 = np.random.randn( 100) + 5

y1 = np.random.randn( 100)

y2 = np.random.randn( 100) - 5

# 里面的参数一会儿解释

trace0 = go.Scatter(

x=x, # x 轴的坐标

y=y0, # y 轴的坐标

mode= "markers", # 纯散点绘图

name= "散点"# 曲线名称

)

trace1 = go.Scatter(

x=x,

y=y1,

# 散点 + 线段绘图

mode= "markers + lines",

name= "散点 + 线段"

)

trace2 = go.Scatter(

x=x,

y=y2,

mode= "lines", # 线段绘图

name= "线段"

)

# 我们看到比较神奇的地方是，Scatter 居然也可以绘制线段

# 是的，如果不指定 mode 为 "markers"，默认绘制的就是线段

# 以上就创建了三条轨迹，下面该干什么了？对，创建画布

# 将轨迹组合成列表传进去，因为一张画布是可以显示多条轨迹的

fig = go.Figure(data=[trace0, trace1, trace2])

# 在 notebook 中，直接通过 fig 即可显示图表

fig

看一下画出来的图是什么样子？

可以看到比 matplotlib 漂亮多了，在绘制轨迹的时候我们使用了 4 个参数，回顾一下：

然后再来看一个参数 marker，它接收一个字典，用来设置散点的样式。

x = np.linspace( 0, 2, 100)

y0 = np.random.randn( 100)

trace0 = go.Scatter(

x=x,

y=y0,

mode= "markers",

name= "散点图",

marker={

# 点的大小

"size": 8,

# 点的颜色

"color": "rgba(102, 198, 147, 0.7)",

# 除此之外，还可以设置点的轮廓

"line": {

# 线条大小

"width": 10,

# 线条的颜色

"color": "rgba(1, 170, 118, 0.3)"

}

}

)

fig = go.Figure(data=[trace0])

fig

这里我们没有指定 name 参数，所以右上角不会显示轨迹的名称。再来总结一下 marker 参数：

marker = {

# 点的大小

"size": n,

# 点的颜色，可以是 rgba，可以是 rgb；

# 可以是颜色的英文名，比如 green，yellow；

# 可以是一个 16 进制颜色码，比如：#FF6A04

# 以及它还可以是一个元素个数与轨迹的点的个数相同的数组

# 对应着数组中相同的值的多个点，会被标记为同一种颜色

# 在机器学习里面进行聚类的时候，非常常见

"color": "rgba(n1, n2, n3, n4)",

# 点的线条、轮廓

"line": { "width": n, "color": "green"}

# 是否在右侧显示一个颜色条，默认为 False，不显示

"showscale": True

}

基于以上参数，我们可以将散点图的样式绘制得非常漂亮。

问题来了，如果我想添加标题以及坐标轴名称该怎么办？

# 其它代码不变

fig = go.Figure(

data=[trace0],

layout={

"title": "这是标题",

"xaxis_title": "这是x轴",

"yaxis_title": "这是y轴",

# x轴坐标倾斜60度

"xaxis": { "tickangle": 60}

}

)

fig

我们看到指定 layout 参数即可给画布设置一些额外属性，该参数可以接收一个字典，通过里面的 key 来指定画布属性，比如：

散点图的存在意义

散点图常被用于分析变量之间的相关性，如果两个变量的散点看上去都在某条直线附近波动，则称变量之间是线性相关的；如果所有点看上去都在某条曲线（非直线）附近波动，则称变量之间是非线形相关的；如果所有点在图中没有显示任何关系，则称变量之间是不相关的。

如果散点图呈现出一个集中的大致趋势，并且该趋势可以用一条光滑的曲线来近似，那么这个近似的过程就是曲线拟合，而这条曲线则被称为最佳拟合线或趋势线。如果图中存在个别远离集中区域的数据点，那么这样的点被称为离群点或异常值。

折线图

折线图（Line）是一个由笛卡尔坐标系、一些点、以及线段组成的统计图表，常用来表示数值随连续时间间隔或有序类别的变化。在折线图中，x 轴通常用作连续时间间隔或有序类别（比如阶段1、阶段2、阶段3）；y 轴用于量化的数据，如果为负值则绘制于 y 轴下方；而连线用于连接两个相邻的数据点。

# covid_19_deaths 是数据集，这个不需要关心

# 你完全可以使用其他的数据集代替

trace0 = go.Scatter(

x=covid_19_deaths[ "date"],

y=covid_19_deaths[ "count"],

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark",

"title": "当前死亡人数"})

fig

虽然用的是 go.Scatter，但默认绘制的是折线图。还记得怎么绘制散点图吗？对的，将 mode 指定为 "markers" 即可。

然后是给折线添加样式，我们给散点图添加样式是通过 marker 参数，而给折线添加样式也有对应的参数。

trace0 = go.Scatter(

x=covid_19_deaths[ "date"],

y=covid_19_deaths[ "count"],

line={

# 折线的宽度和颜色

"width": 3,

"color": "rgba(255, 30, 186, 1)"

}

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark",

"title": "当前死亡人数"})

fig

此时折线的样式就改变了，但是我们记得之前在设置散点图的时候好像也用到了 line。没错，只不过那个 line 是传给 marker 参数的字典里面的一个 key，用来设置点的线条、或者轮廓的样式。而这里的 line 它是一个参数，和 marker 参数是同级别的，是用来设置折线样式的。

参数 line 里面还可以指定折线的种类，是虚线、实线等等之类的。

trace0 = go.Scatter(

x=covid_19_deaths[ "date"],

y=covid_19_deaths[ "count"],

line={

"width": 3,

"color": "rgba(255, 30, 186, 1)",

"dash": "dot"# 指定为虚线

}

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark",

"title": "当前死亡人数"})

fig

"dash" 表示线条的种类，可选的 value 如下：

绘制直线的时候，数据可能不是连续的，那么绘制出来的图像就会出现断层。这个时候我们可以指定 connectgaps 参数，举个例子：

x = np.array([ 1, 2, np.nan, 4, 5])

y1 = x * 3+ 1

y2 = x * 3+ 2

trace0 = go.Scatter(

x=x,

y=y1,

)

trace1 = go.Scatter(

x=x,

y=y2,

connectgaps= True

)

fig = go.Figure(data=[trace0, trace1],

layout={ "template": "plotly_dark"})

fig

当数据出现了空值的时候，那么折线默认是会出现断层的，而将 connectgaps 指定为 True ，那么会将缺失值两端的点直接相连，使得直线是完整的。

折线图的存在意义

折线图用于分析事物随时间或有序类别而变化的趋势，如果有多组数据，则用于分析多组数据随时间变化或有序类别的相互作用和影响。折线的方向表示正 / 负变化，折线的斜率表示变化的程度。

柱状图

柱状图，是一种使用矩形条，对不同类别进行数值比较的统计图表。最基础的柱形图，需要一个分类变量和一个数值变量。在柱状图上，分类变量的每个实体都被表示为一个矩形（通俗来讲就是柱子），而数值则决定了柱子的高度。

trace0 = go.Bar(

x=[ "古明地觉", "芙兰朵露", "古明地恋"],

y=[ 17, 400, 16],

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

这是最简单的柱状图，很明显，即便我们什么参数都不加，样式就已经把 matplotlib 给秒杀了。所以先不管 plotly 这个框架的功能如何（很强），光图表的颜值就足以让我们去学习它。

当然我们也可以绘制多个柱状图：

trace0 = go.Bar(

x=[ "古明地觉", "芙兰朵露", "古明地恋"],

y=[ 17, 400, 16],

name= "bar1"

)

trace1 = go.Bar(

x=[ "古明地觉", "芙兰朵露", "古明地恋"],

y=[ 86, 90, 96],

name= "bar2"

)

fig = go.Figure(data=[trace0, trace1],

layout={ "template": "plotly_dark"})

fig

可以看到柱状图并排显示在一起了，此外我们还可以设置层叠柱状图。

trace0 = go.Bar(

x=[ "古明地觉", "芙兰朵露", "古明地恋"],

y=[ 17, 400, 16],

name= "bar1"

)

trace1 = go.Bar(

x=[ "古明地觉", "芙兰朵露", "古明地恋"],

y=[ 86, 90, 96],

name= "bar2"

)

# 指定 barmode 为 stack，会将柱状图堆叠在一起

# 这里又多了一个 barmode，所以可调节的属性非常多

# 但是不同的属性适用于不同的轨迹，我们需要哪个就设置哪个即可

fig = go.Figure(data=[trace0, trace1],

layout={ "template": "plotly_dark",

"barmode": "stack"})

fig

所以层叠柱状图是在画布里面设置的，因为两个轨迹要显示在画布上。至于 Bar 里面的参数是设置轨迹本身， 比如我们还可以调节颜色什么的，通过参数 marker 指定：

trace0 = go.Bar(

x=[ "古明地觉", "芙兰朵露", "古明地恋"],

y=[ 87, 97, 85],

name= "bar1",

marker={

# 除了rgba，还可以通过颜色的名称指定

"color": "pink",

# 指定透明度

# 这里指定透明度的方式，同样适用于Scatter

"opacity": 0.5,

"line": {

"width": 3, # 轮廓的宽度

"color": "cyan", # 轮廓的颜色

}

}

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

柱状图如果想调节样式，也是通过 marker 参数，和 Scatter 里面 marker 一样。

柱状图的存在意义

柱状图最适合对分类的数据进行比较，尤其是当数值比较接近时，由于人眼对于高度的感知优于其它视觉元素（如面积、角度等），因此使用柱状图更加合适。

作为人们最常用的图表之一，柱状图也衍生出多种多样的图表形式。例如，将多个并列的类别聚类、形成一组，再在组与组之间进行比较，这种图表叫做分组柱状图或簇状柱形图。还可以将类别拆分成多个子类别，形成堆叠柱状图。再比如将柱形图和折线图结合起来，共同绘制在一张图上，俗称双轴图等等。

水平柱状图

水平柱状图也叫条形图，和柱状图类似，也是通过 go.Bar 来绘制，只不过需要多加一个参数。

trace0 = go.Bar(

# 方向变了，所以 x 轴和 y 轴的数据也要调换位置

y=[ "古明地觉", "芙兰朵露", "古明地恋"],

x=[ 87, 97, 85],

marker={

"color": "pink",

"opacity": 0.5,

"line": {

"width": 3,

"color": "cyan",

}

},

# 指定为水平方向即可

orientation= "h"

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

柱状图有多高取决于 y 轴，而水平柱状图有多长就取决于 x 轴了，所以此时 x 轴就是代表数值的那一方。至于设置颜色、轮廓等参数，和之前的柱状图一样。

面积图

面积图，又称区域图，是一种随有序变量的变化，反映数值变化的统计图表，原理与折线图相似。而面积图的特点在于，折线与自变量坐标轴之间的区域，会用颜色或者纹理填充。

绘制面积图依旧使用 Scatter，只需要指定一个 fill 参数即可。

x = np.linspace( 0, 2, 100)

y0 = np.cos(x)

y1 = np.sin(x)

trace0 = go.Scatter(

x=x,

y=y0,

name= "cos",

mode= "markers",

fill= "tozeroy"

)

trace1 = go.Scatter(

x=x,

y=y1,

name= "sin",

# mode还可以设置为none，表示将线段隐藏

mode= "none",

fill= "tozeroy"

)

fig = go.Figure(data=[trace0, trace1],

layout={ "title": "面积图",

"template": "plotly_dark"})

fig

我们看到面积图就是将轨迹和 x 轴围成的部分涂上颜色，仔细观察橘色的 sin，线段没了，所以线段或者此时的面积图的边界线就相当于被隐藏掉了。如果不指定 fill，直接指定 mode="none" 也是可以隐藏的，只不过此时绘制的线段你就看不到了。另外我们看到即使是散点，也是可以围成面积图的，会用线将点拟合起来，再绘制围成的面积图。

然后注意 fill 参数，它的可选值如下：

除了这三个可选值之外，其实还有几个，不过一般用不到。我们主要用的还是 tozeroy，绘制和 x 轴围成的面积。

x = np.array([ 1, 2, 3, 4, 5])

y0 = np.array([ 2, 6, 9, 7, 3])

y1 = y0 + 1

y2 = y0 + 2

y3 = y0 + 3

trace0 = go.Scatter(

x=x,

y=y0,

name= "y0",

fill= "tonexty"

)

trace1 = go.Scatter(

x=x,

y=y1,

name= "y1",

fill= "tonexty"

)

trace2 = go.Scatter(

x=x,

y=y2,

name= "y2",

fill= "tonexty"

)

trace3 = go.Scatter(

x=x,

y=y3,

name= "y3",

fill= "tonexty"

)

fig = go.Figure(data=[trace0, trace1, trace2, trace3],

layout={ "title": "面积图",

"template": "plotly_dark"})

fig

还是很简单的。

面积图的存在意义

面积图可用于多个系列数据的比较，此时面积图的外观看上去类似层叠的山脉，在错落有致的外形下表达数据的总量和趋势。相较于折线图，面积图不仅可以清晰地反映出数据的趋势变化，也能够强调不同类别的数据间的差距对比。

但它的劣势在于，填充会让形状互相遮盖，反而看不清变化。我们上面的数据弄的比较规整，所以看起来很清晰，但实际工作中绘制出来的面积图就不一定了。而一种解决方法是使用有透明度的颜色，来让出覆盖区域。

甘特图

甘特图又称横道图，是用来显示项目进度等与时间相关的数据的。直接看个例子就很好理解了：

# 创建甘特图，使用plotly.figure_factory

# 然后调用内部的create_gantt即可

importplotly.figure_factory asff

tasks = [

{ "Task": "任务A", "Start": "2018-1-1", "Finish": "2018-3-1"},

{ "Task": "任务B", "Start": "2018-2-1", "Finish": "2018-5-1"},

{ "Task": "任务C", "Start": "2018-2-1", "Finish": "2018-6-1"},

{ "Task": "任务D", "Start": "2018-4-1", "Finish": "2018-8-1"},

{ "Task": "任务E", "Start": "2018-8-1", "Finish": "2019-1-1"}

]

# 但是数据格式有要求，里面是一个列表，列表里面是字典

# 字典包含至少三个键值对，分别是 Task、Start、Finish

# 表示任务、开始时间、结束时间，不能是其它的名字

fig = ff.create_gantt(tasks, title= "这是甘特图")

# 此时会直接返回画布，想调整属性的话

# 通过 fig.layout.update 即可

fig.layout.update({ "template": "plotly_dark"})

fig

创建甘特图的时候，除了传递一个包含字典的列表，还可以传递 DataFrame，当然列名同样必须是 Task, Start, Finish。

此外我们还可以指定颜色，以及进度。

# 创建甘特图，使用plotly.figure_factory

# 然后调用内部的create_gantt即可

importplotly.figure_factory asff

tasks = [

{ "Task": "任务A", "Start": "2018-1-1",

"Finish": "2018-3-1", "Complete": "干了一小半"},

{ "Task": "任务B", "Start": "2018-2-1",

"Finish": "2018-5-1", "Complete": "干了一半"},

{ "Task": "任务C", "Start": "2018-2-1",

"Finish": "2018-6-1", "Complete": "干了一半"},

{ "Task": "任务D", "Start": "2018-4-1",

"Finish": "2018-8-1", "Complete": "干了一大半"},

{ "Task": "任务E", "Start": "2018-8-1",

"Finish": "2019-1-1", "Complete": "全干完了"}

]

# 为不同的进度赋予不同的颜色

colors = {

"干了一小半": "rgb(125, 135, 144)",

"干了一半": "rgb(187, 20, 168)",

"干了一大半": "rgb(14, 199, 250)",

"全干完了": "rgb(250, 1, 144)"

}

fig = ff.create_gantt(tasks,

# 为不同的进度赋予不同的颜色

colors=colors,

# 表示进度，名字任意

# 这里我们叫 "Complete"

index_col= "Complete",

# 显示颜色条

show_colorbar= True)

# fig.data 获取所有的轨迹

# fig.layout 获取画布的属性

fig = go.Figure(fig.data,

layout={ "template": "plotly_dark",

"title": "我的甘特图"})

fig

甘特图感觉在工作中用的不是很多，了解一下就好。

直方图

直方图，又称质量分布图，用于表示数据的分布情况，是一种常见的统计图表。一般用横轴表示数据区间，纵轴表示分布情况，柱子越高，则落在该区间的数量越大。根据数据分布状况不同，直方图展示的数据有不同的模式，包括对称单峰、偏左单峰、偏右单峰、双峰、多峰以及对称多峰。

构建直方图，首先要确定组距、对数值的范围进行分区，通俗的说就是划定有几根柱子（例如 0-100 分，每隔20分划一个区间，共5个区间）。接着，对落在每个区间的数值进行频次计算（如落在 80-100 分的 10 人，60-80 分的 20 人，以此类推）。最后，绘制矩形，高度由频数决定。

直方图与上面介绍的柱状图有点相像，但其实是完全不同的。前者反映数据分布情况，后者则不具备此功能，只能对数值进行比较。从数据结构来说，柱状图需要 1 个分类变量，是离散的（如一班、二班、三班），因此柱子间有空隙。但直方图的数据均为连续的数值变量（如成绩），因此柱子间是没有空隙的。

x = np.random.randint( 1, 20, 1000)

trace0 = go.Histogram(x=x)

fig = go.Figure(data=[trace0],

layout={ "title": "直方图",

"template": "plotly_dark"})

fig

横坐标是数值，纵坐标是出现的次数。但是有些不完美，就是跨度太大了，所以我们可以指定 xaxis 属性，让跨度小一些。

x = np.random.randint( 1, 20, 1000)

trace0 = go.Histogram(

x=x,

# 指定histnorm为probability

# 那么y轴将显示出现的次数所占的比例

histnorm= "probability"

)

fig = go.Figure(data=[trace0],

layout={ "title": "直方图",

"template": "plotly_dark",

# range表示坐标范围

# dtick表示相邻坐标之间的差值

# 这里是 2，所以就是 0 2 4 6...

"xaxis": { "dtick": 2, "range": [ 0, 20]}

})

fig

忘记说了，其实所有的图表对应的类里面，很多参数都是相同的，比如 marker 设置图表本身的颜色透明度、以及轮廓的颜色、大小，name 设置图表的名称等等，这些参数我们不再赘述，而是会直接使用。

然后我们也可以绘制多个直方图：

x0 = np.random.randn( 1000)

x1 = np.random.chisquare( 5, 1000)

trace0 = go.Histogram(

x=x0,

histnorm= "probability",

marker={

"opacity": 0.75

}

)

trace1 = go.Histogram(

x=x1,

histnorm= "probability",

marker={

"opacity": 0.75

}

)

fig = go.Figure(data=[trace0, trace1],

layout={ "title": "直方图",

"template": "plotly_dark",

"xaxis": { "dtick": 2, "range": [ 1, 20]}

})

fig

但是我们发现这个直方图貌似有些不对劲，因为 plotly 将多个直方图强制变窄了，我们需要将 barmode 指定为 "overlay"。

x0 = np.random.randn( 1000)

x1 = np.random.chisquare( 5, 1000)

trace0 = go.Histogram(

x=x0,

histnorm= "probability",

marker={

"opacity": 0.75

}

)

trace1 = go.Histogram(

x=x1,

histnorm= "probability",

marker={

"opacity": 0.75

}

)

fig = go.Figure(data=[trace0, trace1],

layout={ "title": "直方图",

"template": "plotly_dark",

"barmode": "overlay"})

fig

如果将 barmode 改成 "stack"，那么就会创建堆叠直方图。

x0 = np.random.randn( 1000)

x1 = np.random.randn( 1000)

trace0 = go.Histogram(

x=x0,

histnorm= "probability",

marker={

"opacity": 0.75

}

)

trace1 = go.Histogram(

x=x1,

histnorm= "probability",

marker={

"opacity": 0.75

}

)

fig = go.Figure(data=[trace0, trace1],

layout={ "title": "堆叠直方图",

"template": "plotly_dark",

"barmode": "stack"})

fig

最后是累计直方图，它的特点是：第n+1个区间的样本数是第n-1个区间的样本数加上第n个区间的样本数。

x0 = np.random.randn( 1000)

trace0 = go.Histogram(

x=x0,

histnorm= "probability",

marker={

"opacity": 0.75

},

# 指定 cumulative 即可

cumulative={ "enabled": True}

)

fig = go.Figure(data=[trace0],

layout={ "title": "累计直方图",

"template": "plotly_dark",

"barmode": "stack"})

fig

直方图的种类还是蛮多的，但说实话，感觉直方图用的也不是很多。如果只是做简单的报表统计，那么几乎用不到直方图。但我们接下来要介绍的饼图，使用就很广泛了。

饼图

饼图是一种划分为几个扇形的圆形统计图表。在饼图中，每个扇形的弧长（以及圆心角和面积）大小，表示该种类占总体的比例，并且这些扇形合在一起刚好是一个完全的圆形。

饼图最显著的功能在于表现占比。习惯上，人们也用饼图来比较扇形的大小，从而获得对数据的认知。但是，由于人类对角度的感知能力不如长度，因此在需要准确的表达数值（尤其是当数值接近、或数值很多）时，饼图常常不能胜任，建议用柱状图代替。

# 饼图就很简单了，使用 Pie 这个类

trace0 = go.Pie(

labels=[ "古明地觉", "芙兰朵露", "古明地恋",

"雾雨魔理沙", "紫妈"],

values=[ 10, 25, 5, 35, 41]

)

fig = go.Figure(data=[trace0],

layout={ "title": "饼图",

"template": "plotly_dark"})

fig

我们还可以设置环形饼图，就是在中间挖一个洞。

trace0 = go.Pie(

labels=[ "古明地觉", "芙兰朵露", "古明地恋",

"雾雨魔理沙", "紫妈"],

values=[ 10, 25, 5, 35, 41],

hole= 0.7# 从中心挖掉百分之70的部分

)

fig = go.Figure(data=[trace0],

layout={ "title": "饼图",

"template": "plotly_dark"})

fig

我们还可以将饼图旋转一定角度，因为最上方的两个部分明显是垂直分隔的，另外也可以使某一个部分突出。

trace0 = go.Pie(

labels=[ "古明地觉", "芙兰朵露", "古明地恋",

"雾雨魔理沙", "紫妈"],

values=[ 10, 25, 5, 35, 41],

pull=[ 0, 0, 0, 0, 0.1], # 突出最后一个

rotation= 30, # 旋转30度

marker={

# 饼图也有marker参数，基本上所有图表都有marker参数

# 散点图可以指定一种颜色来让所有的点都呈现相同的颜色

# 但是饼图的每一部分应该是不同的颜色，这才符合饼图这种图形的意义

# 所以我们要传入一个列表，而数据有五个，那么也要指定五种颜色

# 但是即便不指定五个、或者颜色重复也是可以的

# 如果颜色不够，plotly会帮你补充，颜色多了，会只选列表的前五个

"colors": [ "yellow", "green", "cyan", "pink", "blue"],

# 并且这里不叫 color 了，而是叫 colors，因为多个颜色

"line": {

"width": 3,

"color": "white", # 轮廓颜色

}

}

)

fig = go.Figure(data=[trace0],

layout={ "title": "饼图",

"template": "plotly_dark"})

fig

作为最常见的图表之一，饼图大量应用于各行各业的报告中。比如一家公司有着 5 个业务，现在要看每个业务的营收占据总营收的比例，那么饼图再合适不过了。

气泡图

气泡图是一种多变量的统计图表，由笛卡尔坐标系和大小不一的圆组成，可以看作是散点图的变形。在气泡图中，每个气泡都代表着一组三个维度的数据，其中前两个维度决定了气泡在笛卡尔坐标系中的位置（即x，y轴上的值），另外一个则通过气泡的大小来表示。例如，x 轴表示产品销量，y 轴表示产品利润，气泡大小代表产品市场份额百分比。

当然，气泡图也可以容纳更多维的数据，例如用第4个变量决定气泡的颜色、透明度等。

# 生成100个点，x 是横坐标

x = np.linspace( 0, 2, 50)

# y 是纵坐标

y = np.random.uniform( 1, 8, 50)

# x 和 y 确定了气泡的位置

# 而数值的大小，则确定气泡的大小

trace0 = go.Scatter(

x=x,

y=y,

mode= "markers",

marker={

# size 还可以是一个数组

# 手动指定每一个气泡的大小

"size": 13* y / np.min(y),

# color 同样可以是数组

# 值相同的气泡会使用同一种颜色

"color": y,

# 显示颜色条

"showscale": True

}

)

fig = go.Figure(data=[trace0],

layout={ "title": "气泡图",

"template": "plotly_dark"})

fig

气泡图通常用于展示和比较数据之间的关系和分布，通过比较气泡位置和大小来分析数据维度之间的相关性。

气泡图也可以用于二维数据，即 y 轴和气泡大小使用同一维度的数据（y 轴和气泡大小的双视觉编码）。这种情况下，它实际上是作为柱状图的替代，用于对比分类数据，但比柱状图更加简洁美观。

旭日图

旭日图是一种表现层级数据的图表，它以父子层次结构来显示数据，并构成一个同心圆，因此又被成为称为多层饼图。离原点越近，数据的层级越高。换句话说，相邻的两层，内层是外层的父。

同时，一个父可以有多个子，即某一个环形又可以被分割成多个环形，环形的弧度由它在父层中所占比例来决定。若无占比关系，则处理成均分。

labels=[ "河南省", "信阳市", "郑州市", "洛阳市",

"山东省", "济南市", "青岛市", "烟台市",

"安徽省", "凤阳市", "合肥市", "芜湖市"]

parents=[ "", "河南省", "河南省", "河南省",

"", "山东省", "山东省", "山东省",

"", "安徽省", "安徽省", "安徽省"]

# values 为出生了多少万人（数字瞎编的）

values=[ 0, 30, 20, 10,

0, 50, 40, 10,

0, 20, 15, 15]

trace0 = go.Sunburst(

# 注意：每一个层级都要表示

labels=labels,

parents=parents,

values=values

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

市的父级是省，基于每个市的总人数可以算出省的人数，因此内层的圆对应每个省人数所占的比例。然后每个省根据比例再对应外层的圆的一片扇形区域，每个区域再根据比例划分为不同的子区域。

我们可以绘制很多层，目前有两层。但要注意的是，我们需要将每一层的对应关系都描述出来，比如市的父级是省，那么省的父级呢？这里我们假设省为最高级，那么它的父级就是空字符串，父级的值就写成 0。

然后我们改一下，我们将省的父级设置为中国。

labels=[ "河南省", "信阳市", "郑州市", "洛阳市",

"山东省", "济南市", "青岛市", "烟台市",

"安徽省", "凤阳市", "合肥市", "芜湖市"]

parents=[ "中国", "河南省", "河南省", "河南省",

"中国", "山东省", "山东省", "山东省",

"中国", "安徽省", "安徽省", "安徽省"]

values=[ 0, 30, 20, 10,

0, 50, 40, 10,

0, 20, 15, 15]

trace0 = go.Sunburst(

labels=labels,

parents=parents,

values=values

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

然后再来关注 values 里面的几个 0，它们表示啥含义呢？

labels=[ "河南省", "信阳市", "郑州市", "洛阳市",

"山东省", "济南市", "青岛市", "烟台市",

"安徽省", "凤阳市", "合肥市", "芜湖市"]

parents=[ "中国", "河南省", "河南省", "河南省",

"中国", "山东省", "山东省", "山东省",

"中国", "安徽省", "安徽省", "安徽省"]

# 河南省、山东省分别还有 10 万人、20 万人没有统计

# 这些人可能来自于别的市

values=[ 10, 30, 20, 10,

20, 50, 40, 10,

0, 20, 15, 15]

trace0 = go.Sunburst(

labels=labels,

parents=parents,

values=values,

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

旭日图的本质是树状关系，与树图是等价的，因此也被称为极坐标下的矩形树图。它可以在承载大量数据的同时，清晰的显示数据间的结构关系。在许多工具中，旭日图被赋予交互功能，方便读图者自行探索。如支持鼠标悬浮高亮、筛选、显示当前层级等等。

桑基图

桑基图 (Sankey Diagram)，是一种表现流程的示意图，用于描述一组值到另一组值的流向，分支的宽度对应了数据流量的大小。

1869年，查尔斯米纳德绘制了1812年拿破仑征俄图，描绘了拿破仑大军在东进时，兵力是如何一步步削弱的，这也是目前公认较早的桑基图。

假设有上面这种数据，我们来看看如何将它绘制成桑基图。

trace0 = go.Sankey(

node={

"pad": 85,

"thickness": 40,

"line": { "color": "green", "width": 0.5},

"label": [ "女", "男", "狮子座", "双子座", "巨蟹座"],

"color": [ "#f8ade8", "#aff8e9", "#eaf863",

"#6fe2f8", "#f8d47d"],

},

link={

# source 和 target 中的元素都表示上面 label 的索引

# 两者都是一一对应的，比如只看三个数组中的第一个元素

# (0, 2, 5) 就表示 ("女", "狮子座", 5)

"source": [ 0, 0, 0, 1, 1, 1],

"target": [ 2, 3, 4, 2, 3, 4],

"value": [ 5, 2, 3, 4, 2, 2],

"color": [ "rgba(172, 163, 105, 0.6)",

"rgba(196, 166, 255, 0.6)",

"rgba(252, 255, 212, 0.6)",

"rgba(188, 255, 199, 0.6)",

"rgba(255, 185, 217, 0.6)",

"rgba(255, 182, 129, 0.6)"],

},

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

绘制出来就长这个样子，我们来解释一下这张图。

Sankey 里面的参数 node 就表示这几个节点，键 "pad" 表示节点之间的距离，"thickness" 表示节点宽度，"line" 表示线条，"label" 表示节点的名称，"color" 表示节点的颜色。

参数 link 表示节点之间的连接情况，source 和 target 决定了流向，value 表示每个方向的流量，color 表示颜色。

当然我们这里只有一个流出和一个流入，但其实一个流入还可以作为下一个流入的流出，比如：

以上便是桑基图，适合表现分配情况、归类情况，以及变化和流动情况。

漏斗图

漏斗图，形如漏斗，用于单流程分析，在开始和结束之间由N个流程环节组成。漏斗图的起始总是100%，并在各个环节依次减少，每个环节用一个梯形来表示，整体形如漏斗。一般来说，所有梯形的高度应是一致的，这会有助人们辨别数值间的差异。

trace0 = go.Funnel(

y = [ "浏览量", "注册用户", "Vip", "SVip"],

x = [ 20000, 15000, 8000, 2000],

# 以前指定透明度的时候，是通过 marker 参数实现的

# 在 marker 参数里面指定一个 "opacity"

# 但有的图表不行，需要单独使用 opacity 参数

opacity = 0.8,

marker={

# 漏斗每部分的颜色

"color": [ "deepskyblue", "tan", "teal", "silver"],

# 轮廓

"line": {

"width": 4,

"color": [ "wheat", "wheat", "blue", "wheat"]

}

},

# 漏斗之间的连接部分

connector={ "fillcolor": "pink",

"line": { "width": 2, "dash": "dot"}}

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

同样的，你也可以绘制多个漏斗图，比如：

需要注意的是，漏斗图的各个环节，有逻辑上的顺序关系，同时漏斗图的所有环节的流量都应该使用同一个度量。漏斗图最适宜用来呈现业务流程的推进情况，如用户的转化情况、订单的处理情况、招聘的录用情况等。通过漏斗图，可以较直观的看出流程中各部分的占比、发现流程中的问题，进而做出决策。

雷达图

雷达图是一种显示多变量数据的图形方法，通常从同一中心点开始等角度间隔地射出三个以上的轴，每个轴代表一个定量变量，各轴上的点依次连接成线或几何图形。

雷达图可以用来在变量间进行对比，或者查看变量中有没有异常值。另外，多幅雷达图之间或者雷达图的多层数据线之间，还可以进行总体数值情况的对比。

trace0 = go.Scatterpolar(

r=[ 3, 5, 3, 4, 5],

theta=[ "速度", "力量", "技巧", "反应", "心态"],

fill= 'toself'

)

fig = go.Figure(data=[trace0],

layout={ "template": "plotly_dark"})

fig

使用雷达图时，特征类别不能过多，并且特征之间要归一化，或者按照统一标准来标准化。

热力图

热力图是一种通过对色块着色来显示数据的统计图表，绘图时需指定颜色映射的规则。例如，较大的值由较深的颜色表示，较小的值由较浅的颜色表示；或者较大的值由较暖的颜色表示，较小的值由较冷的颜色表示等等。

trace0 = go.Heatmap(

x=[ "星期一", "星期二", "星期三", "星期四", "星期五"],

y=[ "早上", "中午", "晚上"],

z=[ # 星期一到星期五的早上

[ 12, 13, 17, 14, 15],

# 星期一到星期五的中午

[ 32, 33, 37, 34, 35],

# 星期一到星期五的晚上

[ 22, 23, 27, 24, 25],

]

)

fig = go.Figure(

data=[trace0],

layout={ "template": "plotly_dark"},

)

fig

我们还可以调整颜色：

trace0 = go.Heatmap(

x=[ "星期一", "星期二", "星期三", "星期四", "星期五"],

y=[ "早上", "中午", "晚上"],

z=[[ 12, 13, 17, 14, 15],

[ 32, 33, 37, 34, 35],

[ 22, 23, 27, 24, 25],

],

colorscale = 'Viridis'

)

通过指定 colorscale，即可选择不同风格的色块，它的可选值如下：

从数据结构来划分，热力图需要 2 个分类字段和 1 个数值字段，分类字段确定 x、y 轴，将图表划分为规整的矩形块，而数值字段决定了矩形块的颜色。

热力图适合用于查看总体的情况、发现异常值、显示多个变量之间的差异，以及检测它们之间是否存在任何相关性。它的优势在于空间利用率高，可以容纳较为庞大的数据。热力图不仅有助于发现数据间的关系、找出极值，也常用于刻画数据的整体样貌，方便在数据集之间进行比较。

但热力图也有缺陷，尽管热力图能够容纳较多的数据，然而人们很难将其中的色块转换为精确的数字。因此当需要清楚知道数值的时候，可能需要额外的标注，plotly 支持这一点，当把鼠标放到色块上时，会显示相应的数值。

其它轨迹

我们上面已经介绍了工作中常用的图表，如果你还想知道更多的图表，可以查看 plotly 官网。

https://plotly.com/python/

https://plotly.com/python/

画布属性 layout

重点来了，我们创建画布的时候用的是 Figure 类，它里面接收两个参数。第一个参数 data 负责接收轨迹，第二个参数 layout 负责调整画布属性。我们创建完画布之后，也可以通过 fig.data 或 fig.layout 拿到相应的轨迹和画布。

然后我们来看看画布都支持哪些属性。

title

标题，可以是一个字符串，也可以是一个字典。

layout = {

"title": "这是标题"

}

# 或者传递一个字典，指定标题的同时

# 还可以指定字体、位置

layout = {

"title": { "text": "这是标题",

# 字体（一会单独说）

"font": { "family": "STKaiti", "size": 30},

# 水平位置，0.5 表示居中

"x": 0.5}

}

xaxis_title、yaxis_title

x 轴名称和 y 轴名称，同样支持字符串和字典。

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100)

trace0 = go.Scatter(

x=x,

y=y,

mode= "markers"

)

fig = go.Figure(

data=[trace0],

layout={ "template": "plotly_dark",

"title": { "text": "我是散点图",

"font": { "family": "STKaiti", "size": 30},

"x": 0.5},

"xaxis_title": "我是 x 轴",

"yaxis_title": { "text": "我是 y 轴",

"font": { "family": "STKaiti",

"size": 20, "color": "pink"}},

}

)

fig

我们看到标题和 y 轴的字体变了，但 x 轴没有变。因为 x 轴传递的字符串，它只能表示标题内容，样式则使用默认的。

这些用表格罗列出来的，就不演示了，可以自己测试一下，看看这些参数的效果。

font

字体，和 titlefont 属性一致，通过传递一个字典来指定颜色、大小、种类等等。但 titlefont 的效果只会作用于标题，而这里的 font 会作用于所有地方，比如标题、x 轴和 y轴的名称、坐标刻度等等。

x = np.linspace( 0, 2, 100)

y0 = np.random.randn( 100) + 5

y1 = np.random.randn( 100) - 5

trace0 = go.Scatter(

x=x,

y=y0,

name= "one"

)

trace1 = go.Scatter(

x=x,

y=y1,

name= "two"

)

fig = go.Figure(

data=[trace0, trace1],

layout={ "font": { "color": "cyan",

"size": 20,

"family": "stcaiyun"},

"template": "plotly_dark"

}

)

fig

所有能看到字的部分，其字体的颜色、大小、类型都变了。

legend

设置展示轨迹名称时的属性。

x = np.linspace( 0, 2, 100)

y0 = np.random.randn( 100) + 5

y1 = np.random.randn( 100) - 5

trace0 = go.Scatter(

x=x,

y=y0,

name= "one"

)

trace1 = go.Scatter(

x=x,

y=y1,

name= "two"

)

fig = go.Figure(

data=[trace0, trace1],

layout={ "legend": { "bgcolor": "orange",

"font": { "size": 30, "color": "blue"}},

"template": "plotly_dark"

}

)

fig

paper_bgcolor、plot_bgcolor

分别表示画布背景颜色、和图表背景颜色。

x = np.linspace( 0, 2, 100)

y0 = np.random.randn( 100) + 5

y1 = np.random.randn( 100) - 5

trace0 = go.Scatter(

x=x,

y=y0,

name= "one"

)

trace1 = go.Scatter(

x=x,

y=y1,

name= "two"

)

fig = go.Figure(

data=[trace0, trace1],

layout={ "paper_bgcolor": "yellow",

"plot_bgcolor": "cyan"

}

)

fig

images

我个人觉得最牛的一个功能，就是可以将图片作为背景。

fromPIL importImage

x = np.linspace( 0, 2, 100)

y0 = np.random.randn( 100) + 5

y1 = np.random.randn( 100) - 5

# 使用 PIL 打开图片

im = Image.open( "../lemu.jpg")

trace0 = go.Scatter(x=x, y=y0, name= "one")

trace1 = go.Scatter(x=x, y=y1, name= "two")

fig = go.Figure(

data=[trace0, trace1],

layout={

"images": [{

# 可以是PIL读取的Image对象，也可以是base64字符

"source": im,

"sizex": 1,

"sizey": 1,

"yanchor": "bottom",

"opacity": 0.3,

}],

"showlegend": False,

"template": "plotly_dark"

})

fig

以上就是画布 layout 支持的一些属性，但还有两个最重要没有说，就是 xaxis 和 yaxis。

xaxis 和 yaxis

xaxis 和 yaxis 非常重要，关键的东西我们留到最后，由于它们支持的属性是一样的，都是坐标轴，就一起说了。首先 xaxis 和 yaxis 同样是传递给 layout 的字典里面的 key，但关键的是它们对应的 value 也是一个字典，这个字典里面同样可以支持很多的属性。

color：

颜色，针对于当前坐标轴的刻度

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": { "color": "red"},

"template": "plotly_dark"

})

fig

坐标轴刻度变成了红色。

gridcolor、gridwidth

网格线颜色和网格线宽度。

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": { "gridwidth": 5,

"gridcolor": "cyan"},

"template": "plotly_dark",

})

fig

linecolor、linewidth

坐标轴线条颜色与宽度

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": { "linewidth": 5,

"linecolor": "cyan"},

"template": "plotly_dark",

})

fig

rangeslider

范围滑块

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": { "rangeslider": { "bgcolor": "cyan"}},

"template": "plotly_dark"

})

fig

下方有一个滑块，可以拖动，然后显示对应的图形部分。

showgrid

是否显示网格。

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": { "showgrid": False},

"yaxis": { "showgrid": False},

"template": "plotly_dark"

})

fig

side

设置坐标轴刻度位置

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": { "side": "top"},

"yaxis": { "side": "right"},

"template": "plotly_dark"

})

fig

showline：显示线条开关；

spikecolor：峰值数据颜色；

tickangle：刻度倾斜角度，之前用过的。

tickprefix、ticksuffix：刻度前缀和后缀

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": { "tickprefix": ">"},

"template": "plotly_dark"

})

fig

title、titlefont

设置坐标轴名称，类似于 layout 中的 title 和 titlefont，当然坐标轴名称还可以通过 xaxis_title 和 yaxis_title 指定。

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100) + 5

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

# title 也可以是一个字典

# 在里面通过 "font" 指定字体

"xaxis": { "title": "我是 x 轴",

"titlefont": { "color": "cyan", "size": 20}},

"template": "plotly_dark"

})

fig

type：刻度类型

可以是 '-', 'linear', 'log', 'date', 'category', 'multicategory' 之一。

zeroline：是否显示零线、就是值全部为 0 的线

对于 xaxis 就是 y 轴，对于 yaxis 就是 x轴。

zerolinecolor、zerolinewidth

零线的颜色和宽度

x = np.linspace( 0, 2, 100)

y = np.random.randn( 100)

trace0 = go.Scatter(x=x, y=y)

fig = go.Figure(

data=[trace0],

layout={

"xaxis": {

"zerolinecolor": "cyan",

"zerolinewidth": 5

},

"yaxis": {

"zerolinecolor": "pink",

"zerolinewidth": 5

},

"template": "plotly_dark"

})

fig

以上就是两个坐标轴支持的属性设置，可以看到支持的属性非常多，而且都可以自定制，只不过很多我们都用不到。

小结

plotly 真的是一个绘图神器，支持大量的图表，当然我们只介绍了一部分，不过它们都是最常用的。在使用 plotly 的时候要记住轨迹和画布两个概念，我们说图表在 plotly 中就是轨迹，然后轨迹需要展示在画布上，而画布有很多属性，这些我们上面介绍的比较详细了，虽然很多都用不到。

然后就是 plotly 的图表保存问题，我这里都是直接在 jupyter 上生成，然后下载下来的。至于如何用 plotly 的 API 来生成图片，以及多图绘制，我们下一篇文章再说。

申明：本文中对一些图表所做的概念上的解析，来自于网站 "图之典" ，这是由一些爱好数据可视化的人创建的。里面对图表进行了概念上的详细描述，包括来源、适用场景、以及不适用场景等等，都做了详细的说明。如果你喜欢数据可视化，那么这个网站你一定不能错过。

申明：本文中对一些图表所做的概念上的解析，来自于网站 "图之典" ，这是由一些爱好数据可视化的人创建的。里面对图表进行了概念上的详细描述，包括来源、适用场景、以及不适用场景等等，都做了详细的说明。如果你喜欢数据可视化，那么这个网站你一定不能错过。

- EOF -

加主页君微信，不仅Python技能+1

主页君日常还会在个人微信分享 Python相关工具、资源和 精选技术文章，不定期分享一些 有意思的活动、 岗位内推以及 如何用技术做业余项目

加个微信，打开一扇窗

点击标题可跳转

1、 统计学基础知识梳理，建议收藏！

2、 Python 数据可视化的 3 大步骤，你知道吗？

3、 编译器大佬Chris Lattner全新编程语言「Mojo」：兼容Python核心功能，提速35000倍

觉得本文对你有帮助？请分享给更多人

推荐关注「Python开发者」，提升Python技能

点赞和在看就是最大的支持❤️返回搜狐，查看更多