生活階梯（幸福指數）與人均GDP（金錢）正相關的正則圖
本文將探討三種用Python可視化數據的不一樣方法。
以可視化
《2019年世界幸福報告》
的數據爲例，本文用Gapminder和Wikipedia的信息豐富了《世界幸福報告》數據，以探索新的數據關係和可視化方法。
《世界幸福報告》試圖回答世界範圍內影響幸福的因素。
報告根據對「坎特里爾階梯問題」的回答來肯定幸福指數，被調查者需對本身的生活情況進行打分，10分爲最佳狀態，0分爲最差。
本文將使用Life Ladder做爲目標變量。
Life Ladder就是指幸福指數。
圖片來源：Nik MacMillan/Unsplash
本文旨在提供代碼指南和參考點，以便在查找特定類型的圖表時進行參考。
爲了節省空間，有時會將多個圖表合併到一張圖上。
可是請放心，你能夠在這個
Repo
或相應的
Jupyter
Notebook中找到全部基本代碼。
1. 我使用Python進行繪圖的經歷
大約兩年前，我開始更認真地學習Python。
從那時起，Python幾乎每週都會給我一些驚喜，它不只自身簡單易用，並且其生態系統中還有不少使人驚歎的開源庫。
我對命令、模式和概念越熟悉，就越能充分利用其功能。
與用Python繪圖正好相反。
最初，我用matplotlib建立的幾乎每一個圖表看起來都很過期。
更糟糕的是，爲了建立這些討厭的東西，我不得不在Stackoverflow上花費數小時。
例如，研究改變x斜度的基本命令或者相似這些的蠢事。
我一點也不想作多圖表。
以編程的方式建立這些圖表是很是奇妙的，例如，一次生成50個不一樣變量的圖表，結果使人印象深入。
然而，其中涉及大量的工做，須要記住一大堆無用的指令。
學習
Seaborn
可以節省不少精力。
Seaborn能夠抽象出大量的微調。
毫無疑問，這使得圖表在美觀上獲得巨大的改善。
然而，它也是構建在matplotlib之上的。
一般，對於非標準的調整，仍然有必要使用機器級的matplotlib代碼。
一時間，我覺得
Bokeh
會成爲一個後援解決方案。
我在作地理空間可視化的時候發現了Bokeh。
然而，我很快就意識到，雖然Bokeh有所不一樣，但仍是和matplotlib同樣複雜。
不久前我確實嘗試過
plot.ly
（後面就直接用plotly來表示）一樣用於地理空間可視化。
那個時候，plotly比前面提到的庫還要麻煩。
它必須經過筆記本帳戶登陸，而後plotly能夠在線呈現，接着下載最終圖表。
我很快就放棄了。
可是，我最近看到了一個關於plotlyexpress和plotly4.0的
Youtube視
頻，重點是，他們把那些在線的廢話都刪掉了。
我嘗試了一下，本篇文章就是嘗試的成果。
我想，知道得晚總比不知道的好。
Kepler.gl
不是一個Python庫，而是一款強大的基於web的地理空間數據可視化工具。
只須要CSV文件，就可使用Python輕鬆地建立文件。
試試吧!
最後，我決定使用Pandas本地繪圖進行快速檢查，並使用Seaborn繪製要在報告和演示中使用的圖表（視覺效果很重要）。
2. 分佈的重要性
圖片來源：Jonny Caspari/Unsplash
我在聖地亞哥從事研究期間，負責教授統計學（Stats119）。
Stats119是統計學的入門課程，包括統計的基礎知識，如數據聚合（可視化和定量）、機率的概念、迴歸、抽樣、以及最重要的分佈。
這一次，我對數量和現象的理解幾乎徹底轉變爲基於分佈的理解（大多數時候是高斯分佈）。
直到今天，我仍然驚訝於這兩個量的做用，標準差能幫助人理解現象。
只要知道這兩個量，就能夠直接得出具體結果的機率，用戶立刻就知道大部分的結果的分佈狀況。
它提供了一個參考框架，無需進行過於複雜的計算，就能夠快速找出有統計意義的事件。
通常來講，面對新數據時，個人第一步是嘗試可視化其分佈，以便更好地理解數據。
3. 加載數據和包導入
圖片來源：Kelli Tungay/Unsplash
先加載本文使用的數據。
我已經對數據進行了預處理。
並對它的意義進行了探究和推斷。
# Loadthe data
data = pd.read_csv('https://raw.githubusercontent.com/FBosler/AdvancedPlotting/master/combined_set.csv')#this assigns labels per year
data['Mean Log GDP per capita'] =data.groupby('Year')['Log GDP per capita'].transform(
pd.qcut,
q=5,
labels=(['Lowest','Low','Medium','High','Highest'])
)
# Loadthe datadata = pd.read_csv('https://raw.githubusercontent.com/FBosler/AdvancedPlotting/master/combined_set.csv')#this assigns labels per yeardata['Mean Log GDP per capita'] =data.groupby('Year')['Log GDP per capita'].transform( pd.qcut, q=5, labels=(['Lowest','Low','Medium','High','Highest']))
· 生活階梯：
受訪者根據坎特里爾階梯（CantrilLadder），用0~10分（最滿意的爲10分）來衡量他們今天的生活
· 人均GDP：
根據世界銀行2018年11月14日發佈的《世界發展指標》（WDI），將人均GDP調整爲PPP（2011年不變價國際元）
· 社會支持：
對下面問題的回答：
「遇到困難時，是否能夠隨時得到親戚或朋友的幫助？
」
· 出生時預期健康壽命：
出生時預期健康壽命是根據世界衛生組織（WHO）全球衛生觀察站（GHO）數據庫構建的，數據分別來自2005年、2010年、2015年和2016年。
· 自由選擇權：
回答下面這個問題：
「你是否對本身生活的選擇自由感到滿意？
」
· 慷慨：
對「過去一個月是否給慈善機構捐過款?」與人均GDP相比
· 政治清廉：
回答「腐敗現象在政府中是否廣泛？
」「腐敗在企業內部是否廣泛？
」
· 積極影響：
包括前一天快樂、歡笑和享受的平均頻率。
· 負面影響：
包括前一天焦慮、悲傷和憤怒的平均頻率。
· Gapminder預期壽命：
Gapminder的預期壽命
import plotly
import pandas as pd
import numpy as np
import seaborn as sns
import plotly.express as pximport matplotlib%matplotlib inlineassertmatplotlib.__version__ == "3.1.0","""
Please install matplotlib version 3.1.0 by running:
1) !pip uninstall matplotlib
2) !pip install matplotlib==3.1.0
"""
import plotlyimport pandas as pdimport numpy as npimport seaborn as snsimport plotly.express as pximport matplotlib%matplotlib inlineassertmatplotlib.__version__ == "3.1.0","""Please install matplotlib version 3.1.0 by running:1) !pip uninstall matplotlib2) !pip install matplotlib==3.1.0"""
4. 迅速：使用Pandas進行基本繪圖
圖片來源：Marvin Meyer/Unsplash
Pandas有內置的繪圖功能，能夠在Series或DataFrame上調用。
之因此喜歡這些繪圖函數，是由於它們簡潔、使用合理的智能默認值、很快就能給出進展程度。
建立圖表，在數據中調用.plot(kind=<TYPE OF PLOT>)，以下所示：
np.exp(data[data['Year']==2018]['LogGDP per capita']).plot(
kind='hist'
)
np.exp(data[data['Year']==2018]['LogGDP per capita']).plot( kind='hist')
2018年：人均GDP直方圖。大多數國家都很窮，這一點也不奇怪！
· kind：
Pandas必須知道須要建立什麼樣的圖，可選的有如下幾種：
直方圖（hist），條形圖（bar），水平條圖（barh），散點圖（scatter），面積（area），核密度估計（kde），折線圖（line），方框（box），六邊形（hexbin），餅狀圖（pie）。
· figsize：
容許6英寸寬和4英寸高的默認輸出尺寸。
須要一個元組（例如，我就常用figsize=(12,8)）
· title：
爲圖表添加一個標題。
大多數狀況下，能夠用這個標題來標明圖表中所顯示的內容，這樣回過頭來看的時候，就能很快識別出表的內容。
title須要一個字符串。
· bins:直方圖的bin寬度。
bin須要一個值的列表或相似列表序列（例如， bins=np.arange(2,8,0.25)）
· xlim/ylim: 軸的最大和最小默認值。
xlim和ylim都最好有一個元組（例如， xlim=(0,5)）
data[
data['Year'] == 2018
].set_index('Country name')['Life Ladder'].nlargest(15).plot(
kind='bar',
figsize=(12,8)
)
data[ data['Year'] == 2018].set_index('Country name')['Life Ladder'].nlargest(15).plot( kind='bar', figsize=(12,8))
np.exp(data[
data['Year'] == 2018
].groupby('Continent')['Log GDP per capita']\
.mean()).sort_values().plot(
kind='barh',
figsize=(12,8)
)
np.exp(data[ data['Year'] == 2018].groupby('Continent')['Log GDP per capita']\ .mean()).sort_values().plot( kind='barh', figsize=(12,8))
澳大利亞和新西蘭2011年人均GDP（美圓）明顯領先
data['Life Ladder'].plot(
kind='box',
figsize=(12,8)
)
data['Life Ladder'].plot( kind='box', figsize=(12,8))
人生階梯分佈的方框圖顯示平均值在5.5左右，範圍爲3~8。
data[['Healthy life expectancyat birth','Gapminder Life Expectancy']].plot(
kind='scatter',
x='Healthy life expectancy at birth',
y='Gapminder Life Expectancy',
figsize=(12,8)
)
data[['Healthy life expectancyat birth','Gapminder Life Expectancy']].plot( kind='scatter', x='Healthy life expectancy at birth', y='Gapminder Life Expectancy', figsize=(12,8))
該散點圖顯示了《世界幸福報告》的預期壽命與Gapminder的預期壽命二者之間的高度相關性
data[data['Year'] == 2018].plot( kind='hexbin', x='Healthy life expectancy at birth', y='Generosity', C='Life Ladder', gridsize=20, figsize=(12,8), cmap="Blues", # defaults togreenish sharex=False # required to get rid ofa bug)data[data['Year'] == 2018].plot( kind='hexbin', x='Healthy life expectancy at birth', y='Generosity', C='Life Ladder', gridsize=20, figsize=(12,8), cmap="Blues", # defaults togreenish sharex=False # required to get rid ofa bug)
2018年：Hexbin圖，表示人的平均壽命與慷慨程度之間的關係。格子的顏色表示每一個格子的平均壽命。
data[data['Year'] == 2018].groupby(
['Continent']
)['Gapminder Population'].sum().plot(
kind='pie',
figsize=(12,8),
cmap="Blues_r", # defaultsto orangish
)
data[data['Year'] == 2018].groupby( ['Continent'])['Gapminder Population'].sum().plot( kind='pie', figsize=(12,8), cmap="Blues_r", # defaultsto orangish)
data.groupby(
['Year','Continent']
)['Gapminder Population'].sum().unstack().plot(
kind='area',
figsize=(12,8),
cmap="Blues", # defaults toorangish
)
data.groupby( ['Year','Continent'])['Gapminder Population'].sum().unstack().plot( kind='area', figsize=(12,8), cmap="Blues", # defaults toorangish)
data[ data['Country name'] == 'Germany'].set_index('Year')['Life Ladder'].plot( kind='line', figsize=(12,8))data[ data['Country name'] == 'Germany'].set_index('Year')['Life Ladder'].plot( kind='line', figsize=(12,8))
用pandas繪圖很方便。
易於訪問，速度也快。
只是圖表外觀至關醜，幾乎不可能偏離默認值。
不過這不要緊，由於有其餘工具來製做更美觀的圖表。
5. 美觀：使用Seaborn進行高級繪圖
圖片來源：Pavel Nekoranec / Unsplash
Seaborn使用的是默認繪圖。
要確保運行結果與本文一致，請運行如下命令。
sns.reset_defaults()
sns.set(
rc={'figure.figsize':(7,5)},
style="white" # nicerlayout
)
sns.reset_defaults()sns.set( rc={'figure.figsize':(7,5)}, style="white" # nicerlayout)
如前所述，我很是喜歡分佈。
直方圖和核密度分佈都是可視化特定變量關鍵特徵的有效方法。
下面來看看如何在一個圖表中生成單個變量或多個變量分佈。
左圖：2018年亞洲國家人生階梯直方圖和核密度估算；右圖：五組人均GDP人生階梯的核心密度估算——體現了金錢與幸福指數的關係
每當我想要直觀地探索兩個或多個變量之間的關係，老是用到某種形式的散點圖和分佈評估。
在概念上類似的圖表有三種變體。
在每一個圖中，中心圖（散點圖，二元KDE，hexbin）有助於理解兩個變量之間的聯合頻率分佈。
此外，在中心圖的右邊界和上邊界，描述了各自變量的邊際單變量分佈（用KDE或直方圖表示）。
sns.jointplot(
x='Log GDP per capita',
y='Life Ladder',
data=data,
kind='scatter' # or 'kde' or 'hex'
)
sns.jointplot( x='Log GDP per capita', y='Life Ladder', data=data, kind='scatter' # or 'kde' or 'hex')
Seaborn雙標圖，散點圖、二元KDE和Hexbin圖都在中心圖中，邊緣分佈在中心圖的左側和頂部。
散點圖是一種可視化兩個變量聯合密度分佈的方法。
能夠經過添加色度來添加第三個變量，經過添加尺寸參數來添加第四個變量。
sns.scatterplot(
x='Log GDP per capita',
y='Life Ladder',
data=data[data['Year'] == 2018],
hue='Continent',
size='Gapminder Population'
)# both, hue and size are optional
sns.despine() # prettier layout
sns.scatterplot( x='Log GDP per capita', y='Life Ladder', data=data[data['Year'] == 2018], hue='Continent', size='Gapminder Population')# both, hue and size are optionalsns.despine() # prettier layout
人均GDP與生活階梯的關係，不一樣顏色表示不一樣大洲和人口規模
小提琴圖結合了盒狀圖和核密度估計值。
它的做用相似於盒狀圖，顯示了定量數據在分類變量之間的分佈，以便對這些分佈進行比較。
sns.set( rc={'figure.figsize':(18,6)}, style="white")sns.violinplot( x='Continent', y='Life Ladder', hue='Mean Log GDP per capita', data=data)sns.despine()sns.set( rc={'figure.figsize':(18,6)}, style="white")sns.violinplot( x='Continent', y='Life Ladder', hue='Mean Log GDP per capita', data=data)sns.despine()
小提琴圖在繪製大洲與生活階梯的關係圖時，用人均GDP的平均值對數據進行分組。人均GDP越高，幸福指數就越高
Seaborn配對圖是在一個大網格中繪製雙變量散點圖的全部組合。
我一般以爲這有點信息過載，但它有助於發現規律。
sns.set(
style="white",
palette="muted",
color_codes=True
)sns.pairplot(
data[data.Year == 2018][[
'Life Ladder','Log GDP percapita',
'Social support','Healthy lifeexpectancy at birth',
'Freedom to make lifechoices','Generosity',
'Perceptions of corruption','Positive affect',
'Negative affect','Confidence innational government',
'Mean Log GDP per capita'
]].dropna(),
hue='Mean Log GDP per capita'
)
sns.set( style="white", palette="muted", color_codes=True)sns.pairplot( data[data.Year == 2018][[ 'Life Ladder','Log GDP percapita', 'Social support','Healthy lifeexpectancy at birth', 'Freedom to make lifechoices','Generosity', 'Perceptions of corruption','Positive affect', 'Negative affect','Confidence innational government', 'Mean Log GDP per capita' ]].dropna(), hue='Mean Log GDP per capita')
Seaborn散點圖網格中，全部選定的變量都分散在網格的下半部分和上半部分，對角線包含Kde圖。
對我來講，Seaborn的FacetGrid是證實它好用最有說服力的證據之一，由於它能垂手可得地建立多圖表。
經過配對圖，咱們已經看到了FacetGrid的一個示例。
它能夠建立多個按變量分組的圖表。
例如，行能夠是一個變量（人均GDP的類別），列是另外一個變量（大洲）。
它確實還須要適應客戶需求（即便用matplotlib），可是它仍然是使人信服。
g = sns.FacetGrid(
data.groupby(['Mean Log GDP percapita','Year','Continent'])['Life Ladder'].mean().reset_index(),
row='Mean Log GDP per capita',
col='Continent',
margin_titles=True
)
g = (g.map(plt.plot, 'Year','Life Ladder'))
g = sns.FacetGrid( data.groupby(['Mean Log GDP percapita','Year','Continent'])['Life Ladder'].mean().reset_index(), row='Mean Log GDP per capita', col='Continent', margin_titles=True)g = (g.map(plt.plot, 'Year','Life Ladder'))
y軸表明生活階梯，x軸表明年份。網格的列表明大洲，網格的行表明不一樣水平的人均GDP。整體而言，北美人均GDP平均值較低的國家和歐洲人均GDP平均值中等或較高的國家，狀況彷佛有所好轉
g = sns.FacetGrid(data,col="Continent", col_wrap=3,height=4)
g = (g.map(plt.hist, "Life Ladder",bins=np.arange(2,9,0.5)))
g = sns.FacetGrid(data,col="Continent", col_wrap=3,height=4)g = (g.map(plt.hist, "Life Ladder",bins=np.arange(2,9,0.5)))
還能夠向網格中的每一個圖表添加特定的註釋。
如下示例將平均值和標準誤差以及在平均值處繪製的垂直線相加（代碼以下）。
基於大洲的生命階梯核密度估計值，註釋爲均值和標準差
defvertical_mean_line(x, **kwargs):
plt.axvline(x.mean(), linestyle="--",
color= kwargs.get("color", "r"))
txkw =dict(size=15, color= kwargs.get("color", "r"))
label_x_pos_adjustment =0.08# this needs customization based on your data
label_y_pos_adjustment =5# this needs customization based on your data
if x.mean() <6: # this needs customization based on your data
tx ="mean: {:.2f}\n(std: {:.2f})".format(x.mean(),x.std())
plt.text(x.mean() + label_x_pos_adjustment, label_y_pos_adjustment, tx, **txkw)
else:
tx ="mean: {:.2f}\n (std: {:.2f})".format(x.mean(),x.std())
plt.text(x.mean() -1.4, label_y_pos_adjustment, tx, **txkw)
_ = data.groupby(['Continent','Year'])['Life Ladder'].mean().reset_index()
g = sns.FacetGrid(_, col="Continent", height=4, aspect=0.9, col_wrap=3, margin_titles=True)
g.map(sns.kdeplot, "Life Ladder", shade=True, color='royalblue')
g.map(vertical_mean_line, "Life Ladder")
defvertical_mean_line(x, **kwargs): plt.axvline(x.mean(), linestyle="--", color= kwargs.get("color", "r")) txkw =dict(size=15, color= kwargs.get("color", "r")) label_x_pos_adjustment =0.08# this needs customization based on your data label_y_pos_adjustment =5# this needs customization based on your data if x.mean() <6: # this needs customization based on your data tx ="mean: {:.2f}\n(std: {:.2f})".format(x.mean(),x.std()) plt.text(x.mean() + label_x_pos_adjustment, label_y_pos_adjustment, tx, **txkw) else: tx ="mean: {:.2f}\n (std: {:.2f})".format(x.mean(),x.std()) plt.text(x.mean() -1.4, label_y_pos_adjustment, tx, **txkw)_ = data.groupby(['Continent','Year'])['Life Ladder'].mean().reset_index()g = sns.FacetGrid(_, col="Continent", height=4, aspect=0.9, col_wrap=3, margin_titles=True)g.map(sns.kdeplot, "Life Ladder", shade=True, color='royalblue')g.map(vertical_mean_line, "Life Ladder")
annotate_facet_grid.py
hostedwith ❤ by
GitHub
我最喜歡的一種繪圖類型就是FacetGrid的熱圖，即每個網格都有熱圖。
這種類型的繪圖有助於在一個圖中可視化四維和度量。
代碼有點麻煩，可是能夠根據使用者的須要快速調整。
須要注意的是，這種圖表不能很好地處理缺失的值，因此須要大量的數據或適當的分段。
Facet熱圖，外層的行顯示在一年內，外層的列顯示人均GDP，內層的行顯示政治清廉，內層的列顯示大洲。咱們看到幸福指數朝着右上方向增長（即，高人均GDP和高政治清廉）。時間的影響還不肯定，一些大洲（歐洲和北美）彷佛比其餘大洲（非洲）更幸福。
defdraw_heatmap(data,inner_row, inner_col, outer_row, outer_col, values, vmin,vmax):
sns.set(font_scale=1)
fg = sns.FacetGrid(
data,
row=outer_row,
col=outer_col,
margin_titles=True
)
position = left, bottom, width, height =1.4, .2, .1, .6
cbar_ax = fg.fig.add_axes(position)
fg.map_dataframe(
draw_heatmap_facet,
x_col=inner_col,
y_col=inner_row,
values=values,
cbar_ax=cbar_ax,
vmin=vmin,
vmax=vmax
)
fg.fig.subplots_adjust(right=1.3)
plt.show()
defdraw_heatmap_facet(*args, **kwargs):
data = kwargs.pop('data')
x_col = kwargs.pop('x_col')
y_col = kwargs.pop('y_col')
values = kwargs.pop('values')
d = data.pivot(index=y_col, columns=x_col, values=values)
annot =round(d,4).values
cmap = sns.color_palette("Blues",30) + sns.color_palette("Blues",30)[0::2]
#cmap = sns.color_palette("Blues",30)
sns.heatmap(
d,
**kwargs,
annot=annot,
center=0,
cmap=cmap,
linewidth=.5
)
# Data preparation
_ = data.copy()
_['Year'] = pd.cut(_['Year'],bins=[2006,2008,2012,2018])
_['GDP per Capita'] = _.groupby(['Continent','Year'])['Log GDP per capita'].transform(
pd.qcut,
q=3,
labels=(['Low','Medium','High'])
).fillna('Low')
_['Corruption'] = _.groupby(['Continent','GDP per Capita'])['Perceptions of corruption'].transform(
pd.qcut,
q=3,
labels=(['Low','Medium','High'])
)
_ = _[_['Continent'] !='Oceania'].groupby(['Year','Continent','GDP per Capita','Corruption'])['Life Ladder'].mean().reset_index()
_['Life Ladder'] = _['Life Ladder'].fillna(-10)
draw_heatmap(
data=_,
outer_row='Corruption',
outer_col='GDP per Capita',
inner_row='Year',
inner_col='Continent',
values='Life Ladder',
vmin=3,
vmax=8,
)
defdraw_heatmap(data,inner_row, inner_col, outer_row, outer_col, values, vmin,vmax): sns.set(font_scale=1) fg = sns.FacetGrid( data, row=outer_row, col=outer_col, margin_titles=True ) position = left, bottom, width, height =1.4, .2, .1, .6 cbar_ax = fg.fig.add_axes(position) fg.map_dataframe( draw_heatmap_facet, x_col=inner_col, y_col=inner_row, values=values, cbar_ax=cbar_ax, vmin=vmin, vmax=vmax ) fg.fig.subplots_adjust(right=1.3) plt.show()defdraw_heatmap_facet(*args, **kwargs): data = kwargs.pop('data') x_col = kwargs.pop('x_col') y_col = kwargs.pop('y_col') values = kwargs.pop('values') d = data.pivot(index=y_col, columns=x_col, values=values) annot =round(d,4).values cmap = sns.color_palette("Blues",30) + sns.color_palette("Blues",30)[0::2] #cmap = sns.color_palette("Blues",30) sns.heatmap( d, **kwargs, annot=annot, center=0, cmap=cmap, linewidth=.5 )# Data preparation_ = data.copy()_['Year'] = pd.cut(_['Year'],bins=[2006,2008,2012,2018])_['GDP per Capita'] = _.groupby(['Continent','Year'])['Log GDP per capita'].transform( pd.qcut, q=3, labels=(['Low','Medium','High'])).fillna('Low')_['Corruption'] = _.groupby(['Continent','GDP per Capita'])['Perceptions of corruption'].transform( pd.qcut, q=3, labels=(['Low','Medium','High']))_ = _[_['Continent'] !='Oceania'].groupby(['Year','Continent','GDP per Capita','Corruption'])['Life Ladder'].mean().reset_index()_['Life Ladder'] = _['Life Ladder'].fillna(-10)draw_heatmap( data=_, outer_row='Corruption', outer_col='GDP per Capita', inner_row='Year', inner_col='Continent', values='Life Ladder', vmin=3, vmax=8,)
heatmap_facetgrid.py
hostedwith ❤ by
GitHub
6. 精彩：用plotly創造精彩的互動情節
圖片來源：Chris Leipelt / Unsplash
最後, 無需使用matplotlib！
Plotly有三個重要特徵：
· 交互性：
不須要任何額外設置，圖表就能夠進行交互（例如，一次穿越時間的旅程）
· 漂亮的地理空間圖：
Plotly已經內置了一些基本的映射功能，另外，還可使用mapbox集成來製做使人驚歎的圖表。
fig = x.<PLOTTYPE>(PARAMS)而後是 fig.show() ，像這樣：
fig = px.scatter(
data_frame=data[data['Year'] ==2018],
x="Log GDP per capita",
y="Life Ladder",
size="GapminderPopulation",
color="Continent",
hover_name="Country name",
size_max=60
)
fig.show()
fig = x.<PLOTTYPE>(PARAMS)而後是 fig.show() ，像這樣：fig = px.scatter( data_frame=data[data['Year'] ==2018], x="Log GDP per capita", y="Life Ladder", size="GapminderPopulation", color="Continent", hover_name="Country name", size_max=60)fig.show()
Plotly散點圖，繪製人均 GDP與生活階梯的關係，其中顏色表示大洲和人口的大小
fig = px.scatter(
data=data,
x="Log GDP per capita",
y="Life Ladder",
animation_frame="Year",
animation_group="Countryname",
size="GapminderPopulation",
color="Continent",
hover_name="Country name",
facet_col="Continent",
size_max=45,
category_orders={'Year':list(range(2007,2019))}
)fig.show()
fig = px.scatter( data=data, x="Log GDP per capita", y="Life Ladder", animation_frame="Year", animation_group="Countryname", size="GapminderPopulation", color="Continent", hover_name="Country name", facet_col="Continent", size_max=45, category_orders={'Year':list(range(2007,2019))} )fig.show()
def q_bin_in_3(col):
return pd.qcut(
col,
q=3,
labels=['Low','Medium','High']
)_ = data.copy()
_['Social support'] = _.groupby('Year')['Socialsupport'].transform(q_bin_in_3)_['Life Expectancy'] =_.groupby('Year')['Healthy life expectancy atbirth'].transform(q_bin_in_3)_['Generosity'] =_.groupby('Year')['Generosity'].transform(q_bin_in_3)_['Perceptions ofcorruption'] = _.groupby('Year')['Perceptions ofcorruption'].transform(q_bin_in_3)_ = _.groupby(['Social support','LifeExpectancy','Generosity','Perceptions of corruption'])['LifeLadder'].mean().reset_index()fig = px.parallel_categories(_, color="LifeLadder", color_continuous_scale=px.colors.sequential.Inferno)
fig.show()
def q_bin_in_3(col): return pd.qcut( col, q=3, labels=['Low','Medium','High'] )_ = data.copy()_['Social support'] = _.groupby('Year')['Socialsupport'].transform(q_bin_in_3)_['Life Expectancy'] =_.groupby('Year')['Healthy life expectancy atbirth'].transform(q_bin_in_3)_['Generosity'] =_.groupby('Year')['Generosity'].transform(q_bin_in_3)_['Perceptions ofcorruption'] = _.groupby('Year')['Perceptions ofcorruption'].transform(q_bin_in_3)_ = _.groupby(['Social support','LifeExpectancy','Generosity','Perceptions of corruption'])['LifeLadder'].mean().reset_index()fig = px.parallel_categories(_, color="LifeLadder", color_continuous_scale=px.colors.sequential.Inferno)fig.show()
fig = px.bar(
data,
x="Continent",
y="Gapminder Population",
color="Mean Log GDP percapita",
barmode="stack",
facet_col="Year",
category_orders={"Year":range(2007,2019)},
hover_name='Country name',
hover_data=[
"Mean Log GDP percapita",
"Gapminder Population",
"Life Ladder"
]
)
fig.show()
fig = px.bar( data, x="Continent", y="Gapminder Population", color="Mean Log GDP percapita", barmode="stack", facet_col="Year", category_orders={"Year":range(2007,2019)}, hover_name='Country name', hover_data=[ "Mean Log GDP percapita", "Gapminder Population", "Life Ladder" ])fig.show()
過濾條形圖很容易。毫無疑問，韓國是亞洲富裕國家之一。
fig = px.choropleth( data, locations="ISO3", color="Life Ladder", hover_name="Country name", animation_frame="Year")fig.show()fig = px.choropleth( data, locations="ISO3", color="Life Ladder", hover_name="Country name", animation_frame="Year")fig.show()
可視化不一樣地域的幸福指數是如何隨時間變化的。敘利亞和阿富汗正處於人生階梯的末端（這不足爲奇）。
結束語
本文展現瞭如何成爲一名真正的Python可視化專家、如何在快速探索時更有效率、以及如何在董事會會議前建立更漂亮的圖表、還有如何建立交互式繪圖圖表，尤爲是在繪製地理空間數據時，十分有用。
https://towardsdatascience.com/plotting-with-python-c2561b8c0f1f