锐客网

  1. 首页 > 睿知 > it技术 > >

python可视化函数库的简单介绍( 三 )

IT技术数据


我们使用 Plotly Express 的主要目标是使 Plotly.py 更容易用于 探索 和快速迭代 。
我们想要构建一个库，它做出了不同的权衡：在可视化过程的早期牺牲一些控制措施来换取一个不那么详细的 API，允许你在一行 Python 代码中制作各种各样的图表 。然而 ， 正如我们上面所示，该控件并没有消失：你仍然可以使用底层的 Plotly.py 的 API 来调整和优化用 Plotly Express 制作的图表 。
支持这种简洁 API 的主要设计决策之一是所有 Plotly Express 的函数都接受“整洁”的 dataframe 作为输入 。每个 Plotly Express 函数都体现了dataframe 中行与单个或分组标记的清晰映射，并具有图形启发的语法签名，可让您直接映射这些标记的变量，如 x 或 y 位置、颜色、大小、 facet-column 甚至是 动画帧到数据框（dataframe）中的列 。当您键入 px.scatter（data，x ='col1'，y='col2'） 时，Plotly Express 会为数据框中的每一行创建一个小符号标记 - 这就是 px.scatter 的作用 - 并将 “col1” 映射到 x 位置（类似于 y 位置） 。这种方法的强大之处在于它以相同的方式处理所有可视化变量：您可以将数据框列映射到颜色 ， 然后通过更改参数来改变您的想法并将其映射到大小或进行行分面（facet-row） 。
接受整个整洁的 dataframe 的列名作为输入（而不是原始的 numpy 向量）也允许 px 为你节省大量的时间 ， 因为它知道列的名称，它可以生成所有的 Plotly.py 配置用于标记图例、轴、悬停框、构面甚至动画帧 。但是 ， 如上所述 ， 如果你的 dataframe 的列被笨拙地命名，你可以告诉 px 用每个函数的 labels 参数替换更好的 。
仅接受整洁输入所带来的最终优势是它更直接地支持快速迭代：您整理一次数据集，从那里可以使用 px 创建数十种不同类型的图表，包括在 SPLOM 中可视化多个维度 、使用平行坐标、在地图上绘制，在二维、三维极坐标或三维坐标中使用等，所有这些都不需要重塑您的数据！
在 API 级别，我们在 px 中投入了大量的工作，以确保所有参数都被命名 ， 以便在键入时最大限度地发现：所有 scatter -类似的函数都以 scatter 开头（例如 scatter_polar，scatter_ternary）所以你可以通过自动补全来发现它们 。我们选择拆分这些不同的散点图函数，因此每个散点图函数都会接受一组定制的关键字参数 ， 特别是它们的坐标系 。也就是说，共享坐标系的函数集（例如 scatter，line ＆ bar ， 或 scatter_polar， line_polar 和 bar_polar ）也有相同的参数，以最大限度地方便学习 。我们还花了很多精力来提出简短而富有表现力的名称 ， 这些名称很好地映射到底层的 Plotly.py 属性，以便于在工作流程中稍后调整到交互的图表中 。
最后，Plotly Express 作为一个新的 Python 可视化库，在 Plotly 生态系统下，将会迅速发展 。所以不要犹豫 ， 立即开始使用 Plotly Express 吧！
Python中除了matplotlib外还有哪些数据可视化的库数据可视化是展示数据、理解数据的有效手段，常用的Python数据可视化库如下：
1.Matplotlib：第一个Python可视化库，有许多别的程序库都是建立在其基础上或者直接调用该库，可以很方便地得到数据的大致信息，功能非常强大，但也非常复杂 。
2.Seaborn：利用Matplotlib，用简洁的代码来制作好看的图表，与Matplotlib最大的区别为默认绘图风格和色彩搭配都具有现代美感 。
3.ggplot：基于R的一个作图库的ggplot2，同时利用了源于《图像语法》中的概念，允许叠加不同的图层来完成一幅图，并不适用于制作非常个性化的图像，为操作的简洁度而牺牲了图像的复杂度 。

推荐阅读


上一篇：固态硬盘怎么连接蓝牙耳机，固态硬盘怎么连接蓝牙耳机教程

下一篇：为什么恋爱游戏里的女主，为什么恋爱游戏里的女主那么丑