最近不是在学习plotly嘛，为了方便理解，我们这里取excel绘图中常见的16种图表为例，分两期演示这些基础图表怎么用plotly进行绘制！

• 第一部分：柱状图、条形图、折线图、面积图、饼图与圆环图、散点图、气泡图和极坐标(雷达图)

• 第二部分：树状图、旭日图、直方图、箱线图、瀑布图、漏斗图、股价图和地图

今天，我们介绍第一部分8类图表的绘制。

目录：

• 0. 准备工作

• 1. 柱状图

• 2. 条形图

• 3. 折线图

• 4. 面积图

• 5. 饼图与圆环图

• 6. 散点图

• 7. 气泡图

• 8. 极坐标(雷达图)

0. 准备工作

我这边是在jupyterlab中演示的plotly图表，如果只安装plotly是无法正常显示图表的（会显示为空白），我们需要进行以下准备(以下命令均在cmd下操作即可)：

# 安装plotly库及plotly-orca库
pip install plotly
pip install plotly plotly-orca# Basic JupyterLab renderer support
jupyter labextension install jupyterlab-plotly# OPTIONAL: Jupyter widgets extension for FigureWidget support
jupyter labextension install @jupyter-widgets/jupyterlab-manager plotlywidget

参考：https://github.com/plotly/plotly.py

plotly有两种绘图方式，其一是原始graph_objects，其二是Plotly Express。我们这里用到的是后者，至于其中的区别，大概就是后者是高级版本，封装了很多后者的复杂操作，可以直接用pandas.Dataframe类型，是现在主推的。

1. 柱状图

我们知道，在excel插入图表的时候，柱状图一般可选堆叠柱状图和簇状柱状图。

柱状图：

# 自带数据集 gapminder
data = px.data.gapminder()
data.head()

# 柱状图
import plotly.express as px
data_canada = px.data.gapminder().query("country == 'Canada'")
fig = px.bar(data_canada, # 数据集x='year', # x轴y='pop', # y轴
)
fig.show()

堆叠柱状图：

# 自带数据集 medals_long（长表数据）
long_df = px.data.medals_long()
long_df.head()

# 堆叠柱状图 （使用长表数据，这种数据excel无法直接绘制堆叠图）
import plotly.express as pxlong_df = px.data.medals_long()
fig = px.bar(long_df,  # 数据集x="nation",  # x轴y="count",  # y轴color="medal",  # 图例颜色（这种情况下需要设定该参数根据medal类型才区分，否则同色）title="堆叠柱状图 Long-Form Input", # 图表标题
)
fig.show()

# 自带数据集 medals_long（宽表数据）
wide_df = px.data.medals_wide()
wide_df.head()

# 堆叠柱状图 （使用长表数据，这种数据excel可以直接绘制堆叠图）
import plotly.express as pxwide_df = px.data.medals_wide()
fig = px.bar(wide_df, x="nation", y=["gold", "silver", "bronze"], title="堆叠柱状图 Wide-Form Input")
fig.show()

**簇状柱状图 **：

# 簇状柱状图
import plotly.express as pxlong_df = px.data.medals_long()
fig = px.bar(long_df,  x="nation",  y="count",  color="medal",  title="簇状柱状图 Long-Form Input", barmode='group', # barmode 设置为 group则为簇状柱形图，可选 stack(叠加)、group(并列)、overlay(覆盖)、relative(相对)
)
fig.show()

类似于excel里柱状图填充色中依据数据点着色：

# 类似于excel里柱状图填充色中依据数据点着色
import plotly.express as pxdata = px.data.gapminder()
data_canada = data[data.country == 'Canada']
fig = px.bar(data_canada, x='year', y='pop',hover_data=['lifeExp', 'gdpPercap'], color='lifeExp', # 指定柱状图颜色根据 lifeExp字段数值大小自动着色labels={'pop':'population of Canada'}, height=400, # 图表高度)
fig.show()

2. 条形图

条形图其实就是柱状图转个90度，横着显示呗。所以，本质上是一样的，唯一的区别：在 Bar 函数中设置orientation='h'，其余参数与柱状图相同。

# 在plotly绘图中，条形图与柱状图唯一的区别：在 Bar 函数中设置orientation='h'，其余参数与柱状图相同
import plotly.express as px
data = px.data.gapminder()data_canada = data[data.country == 'Canada']
fig = px.bar(data_canada, y='year', x='pop',hover_data=['lifeExp', 'gdpPercap'], color='lifeExp', # 指定柱状图颜色根据 lifeExp字段数值大小自动着色labels={'pop':'population of Canada'}, height=600, # 图表高度width=800, # 图表宽度orientation='h' # 条形图设置参数)
fig.show()

3. 折线图

折线图大致可以是画一个折线图或多条折线图。

单个折线图：

# 折线图
import plotly.express as pxdf = px.data.gapminder().query("country=='Canada'")
fig = px.line(df, x="year", y="lifeExp", title='Life expectancy in Canada',text='lifeExp', # 数据点显示值line_shape='linear', # 共有6种插值方式：'linear'、'spline'、'hv'、'vh'、'hvh'和'vhv。)
fig.update_traces(texttemplate='%{text:.2f}', # 数据点显示值的格式textposition='top center', # 数据点显示的位置：'top left', 'top center', 'top right', 'middle left','middle center', 'middle right', 'bottom left', 'bottom center', 'bottom right'
) 
fig.show()

多折线图：

# 多折线图
import plotly.express as px# 比如绘制大洋洲（有澳大利亚和新西兰）
df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", color='country', # 按照国家区分)
fig.show()

分组多折线图：

# 分组多折线图
import plotly.express as px# 绘制各大洲每个国家人均寿命随着时间变化曲线
df = px.data.gapminder().query("continent != 'Asia'") # remove Asia for visibility
fig = px.line(df, x="year", y="lifeExp", color="continent",line_group="country", hover_name="country")
fig.show()

4. 面积图

import plotly.express as px# 比如绘制大洋洲（有澳大利亚和新西兰）
df = px.data.gapminder().query("continent=='Oceania'")
fig = px.area(df, x="year", y="pop", color='country', # 按照国家区分)
fig.show()

5. 饼图与圆环图

我们在用excel绘制饼图的时候，可以选择既定配色方案，还可以自定义每个色块的颜色。用plotly绘制的时候，这些自定义操作也是支持的。

# 饼图
import plotly.express as px# 筛选2007年欧洲数据
df = px.data.gapminder().query("year == 2007").query("continent == 'Europe'")
# 将小于200万的国家标记为其他
df.loc[df['pop'] < 2.e6, 'country'] = 'Other countries' 
# 绘制饼图
fig = px.pie(df, values='pop', names='country', title='Population of European continent')
fig.show()

字段多条数据自动处理：

# 自带数据集 tips,字段day下是星期，存在多条
df = px.data.tips()
df.head()

我们可以看到，在tips数据集中，day字段是星期，包含很多同星期的数据。在进行饼图绘制的时候，以day字段做分类，可以自动实际聚合求和操作。

# 如果 分类 标签下有很多数据，则会自动进行分组求和
import plotly.express as px# This dataframe has 244 lines, but 4 distinct values for `day`
df = px.data.tips()
fig = px.pie(df, values='tip', names='day')
fig.show()

设置配色方案：

关于配色方案的更多选择，大家可以参考《我又用Python爬取了4000+股票数据，并用plotly绘制了树状热力图(treemap)》里介绍的内容。

# 设置配色方案
import plotly.express as pxdf = px.data.tips()
fig = px.pie(df, values='tip', names='day', color_discrete_sequence=px.colors.sequential.RdBu, # 设置配色方案)
fig.show()

我们也可以自定义每个色块颜色：

# 自定义配色
import plotly.express as pxdf = px.data.tips()
fig = px.pie(df, values='tip', names='day', color='day',color_discrete_map={'Thur':'lightcyan','Fri':'cyan','Sat':'royalblue','Sun':'darkblue'})
fig.show()

在饼图上显示数据标签：

# 在饼图上显示数据标签
import plotly.express as pxdf = px.data.gapminder().query("year == 2007").query("continent == 'Asia'")
fig = px.pie(df, values='pop', names='country',title='Population of American continent',hover_data=['lifeExp'], labels={'lifeExp':'life expectancy'})
fig.update_traces(textposition='inside', textinfo='percent+label' # 数据标签显示的内容)
fig.show()

圆环图：

圆环图是指饼图中间一定半径的圆部分为空白，设置参数hole=int即可（0-1）。

# 圆环图
import plotly.express as pxdf = px.data.tips()
fig = px.pie(df, values='tip', names='day', color_discrete_sequence=px.colors.sequential.RdBu,hole=.3, # 设置空心半径比例)
fig.show()

6. 散点图

散点图是x和y均为数字列表情况下的坐标点图。

x轴和y轴均是列表的形式：

# x轴和y轴均是列表的形式
import plotly.express as pxfig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
fig.show()

给定pd.Dataframe类型数据：

# 自带数据集 iris
df = px.data.iris()
df.head()

# 设置数据点颜色和大小
import plotly.express as px
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species", # 根据species字段区分颜色size='petal_length', # 根据sepal_length设置大小hover_data=['petal_width'],)
fig.show()

做个三角函数的图：

import plotly.express as px
import numpy as npt = np.linspace(0, 2*np.pi, 100)fig = px.scatter(x=t, y=np.cos(t), labels={'x':'t', 'y':'cos(t)'})
fig.show()

7. 气泡图

# 气泡图
import plotly.express as pxdf = px.data.gapminder()fig = px.scatter(df.query("year==2007"), x="gdpPercap", y="lifeExp",size="pop",  # 设置气泡大小依据字段popcolor="continent",hover_name="country", log_x=True, size_max=60, #设置最大气泡)
fig.show()

8. 极坐标(雷达图)

极坐标下，可以用点或线进行构图，绘制点则用px.scatter_polar，绘制线则用px.line_polar。

# 自带数据集 wind
df = px.data.wind()
df.head()

import plotly.express as pxdf = px.data.wind()
fig = px.scatter_polar(df, r="frequency", # 半径theta="direction", # 类型)
fig.show()

着色和分组标识：

import plotly.express as pxdf = px.data.wind()
fig = px.scatter_polar(df, r="frequency", theta="direction",color="strength",  # 颜色根据strength着色symbol="strength",  # 符号根据strength区分size="frequency", # 大小根据 frequency 区分color_discrete_sequence=px.colors.sequential.Plasma_r, # 设置配色方案)
fig.show()

雷达图：

# 雷达图
import plotly.express as pxdf = px.data.wind()
fig = px.line_polar(df, r="frequency", theta="direction", color="strength", line_close=True, # 线条是否闭环color_discrete_sequence=px.colors.sequential.Plasma_r,template="plotly_dark", # 主题模板 )
fig.show()

扇形区域图：

# 扇形图区域
import plotly.express as pxfig = px.scatter_polar(r=range(0,90,10), theta=range(0,90,10),range_theta=[0,90], # 设定区域start_angle=0, direction="counterclockwise", # 方位：'counterclockwise' 逆时针 ，'clockwise'顺时针 )
fig.show()

对比Excel系列图书累积销量达15w册，让你轻松掌握数据分析技能，感兴趣的同学可以直接在各大电商平台搜索书名了解：