Python使用Plotly绘制常见5种动态交互式图表

下面我将为您详细讲解“Python使用Plotly绘制常见5种动态交互式图表”的完整攻略。

1. 什么是Plotly

Plotly是一个商业化的Python数据层析和可视化库，提供了丰富的交互式图表类型。在其最初版本中，仅提供了一些基本的图表类型，比如散点图、线形图和条形图。但随着时间的推移，Plotly不断更新迭代，现在已经实现了更多种类的图表类型。同时，Plotly可以直接与Pandas数据框、NumPy数组和SQL数据库连接，以方便使用。

2. 安装Plotly

如果您尚未安装Plotly，可以通过以下命令进行安装：

pip install plotly

3. 绘制常见5种动态交互式图表

3.1 动态更新折线图

动态更新折线图能够帮助我们实时监测数据的变化，经过简单的代码配置，即可实现实时刷新的动态图表。

以下是一个绘制动态更新折线图的示例代码：

import plotly.graph_objs as go
import plotly.tools as tls
import pandas as pd
import numpy as np

tls.set_credentials_file(username='XXXXXX', api_key='XXXXXXXX') #填写自己的用户名和api_key

stream_ids = tls.get_credentials_file()['stream_ids']

# 实时数据更新流对象
# 一定要保证多个使用同一个stream id的trace对象是同一个对象，否则无法正常更新
stream_1 = go.Stream(
    token=stream_ids[0],
    maxpoints=1000
)

trace1 = go.Scatter(
    x=[],
    y=[],
    stream=stream_1
)

data = go.Data([trace1])

layout = go.Layout(title='Streaming Energy Usage', font=dict(size=18))

fig = go.Figure(data=data, layout=layout)

py.iplot(fig, filename='streaming_energy_usage')

# Add data to the plot
s = tls.Stream(stream_ids[0])

#连接到实时流
s.open()

#模拟数据的实时更新
while True:
    x = np.random.choice(list(range(100)))
    y = np.random.choice(list(range(100)))
    s.write(dict(x=x, y=y))

#关闭实时流
s.close()

在这个示例中，我们使用了Plotly的Stream对象来连接实时数据流，并更新了相应的图表。在实际使用中，我们需要将x,y的值替换为自己的数据源。

3.2 滑动条控制的条形图

在交互式图表中，滑动条是很常见的一种交互方式。你可以控制滑动条的起止位置，并通过相应的事件来控制图表的展现。

以下是一个绘制滑动条控制的条形图的示例代码：

import plotly.graph_objs as go
import numpy as np

#创建数据
x = np.arange(20)
y = np.random.randint(low=1, high=10, size=20)

#创建滑动条
slider = dict(
    active=0,
    pad=dict(t=50),
    ticklen=3,
    steps=[
        dict(label='{}'.format(i), method='update', args=[{'visible': [x == i for x in range(20)]},
                                                           {'title': 'Update {}'.format(i)}]) for i in range(20)
    ]
)

#设置布局
layout = go.Layout(title='Slider Plot', sliders=[slider])

#创建条形图
trace1 = go.Bar(
    x = x,
    y = y,
    name='bar'
)

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

#绘制图表
go.FigureWidget(fig)

在此示例中，我们通过循环创建了相应数量的滑动条步骤，并设置图表标题的动态更新。在实际使用中，我们需要替换x和y的值为自己的数据源。

3.3 Geo散点图

Geo散点图可以很好地展现地理数据，而且具有高度的自定义性和交互性。在绘制Geo散点图时，我们需要先绘制底层地图，然后将散点数据覆盖在上面。

以下是一个绘制Geo散点图的示例代码：

import plotly.graph_objs as go

#创建地图
map = go.Figure(
    go.Scattergeo(
        lat=[40.50, 40.71, 40.69],
        lon=[-74.00, -74.0060, -73.9790],
        mode='markers',
        marker=dict(
            size=14,
            color=['red', 'green', 'blue'],
            line=dict(width=1, color='white')
        ),
        text=['New York', 'New York City', 'Brooklyn'],
    )
)

#设置地图布局
map.update_layout(
    title='Geo Scatter Plot',
    geo_scope='north america',
)

#展示图表
map.show()

在此示例中，我们创建了一个包含三个点的Geo散点图，并将lat和lon指定为坐标值，以绘制地图。我们还使用mode='markers'将坐标点转换为散点，并使用marker参数设置了散点的大小、颜色和边框。在实际使用中，我们需要替换lat、lon和text的值为自己的数据源。

3.4 热力图

热力图是一种用于显示大量数据分布或聚集状况的图表类型。在热力图中，颜色的深浅表示数据点的密度或者数值大小。

以下是一个绘制热力图的示例代码：

import plotly.graph_objs as go

import numpy as np

#创建数据
x = np.random.randint(low=1, high=10, size=100)
y = np.random.randint(low=1, high=10, size=100)
z = np.random.rand(100)

#创建热力图
heat_map = go.Heatmap(
    x=x,
    y=y,
    z=z,
    colorscale='Viridis'
)

#设置布局
layout = go.Layout(title='Heatmap')

fig = go.Figure(data=[heat_map], layout=layout)

#展示图表
fig.show()

在这个示例中，我们使用了Heatmap对象来创建了一个包含100个数据点的热力图，并使用colorscale参数设置颜色深浅的映射关系。在实际使用中，我们需要替换x、y和z的值为自己的数据源。

3.5 3D散点图

3D散点图可以更好地展现高维数据分布状况，而且具有高度的自定义性和交互性。在3D散点图中，我们需要将数据分别映射到X、Y、Z轴上。

以下是一个绘制3D散点图的示例代码：

import plotly.graph_objs as go

import numpy as np

#创建数据
x = np.random.randint(low=1, high=10, size=50)
y = np.random.randint(low=1, high=10, size=50)
z = np.random.randint(low=1, high=10, size=50)

#创建3D散点图
scatter3D = go.Scatter3d(
    x=x,
    y=y,
    z=z,
    mode='markers',
    marker=dict(
        size=12,
        color=z,
        colorscale='Viridis',
        opacity=0.8
    )
)

#设置布局
layout = go.Layout(
    margin=dict(
        l=0,
        r=0,
        b=0,
        t=0,
        pad=4
    ),
    paper_bgcolor='white',
    plot_bgcolor='white',
    scene=dict(
        xaxis=dict(title='X'),
        yaxis=dict(title='Y'),
        zaxis=dict(title='Z'),
    )
)

fig = go.Figure(data=[scatter3D], layout=layout)

#展示图表
fig.show()

在此示例中，我们使用了Scatter3d对象来创建了一个包含50个数据点的3D散点图，并将散点的颜色映射到Z轴上，以表示数据的分布。在实际使用中，我们需要替换x、y和z的值为自己的数据源。

4. 结论

在本文中，我们详细讲解了如何使用Python的Plotly库绘制常见的5种动态交互式图表，分别包括动态更新折线图、滑动条控制的条形图、Geo散点图、热力图和3D散点图。每种图表类型都具有高度的自定义性和交互性，能够满足各种数据可视化的需求。