Terdapat juga pilihan untuk menyimpan reka bentuk grafik di luar talian sehingga mereka dapat dieksport dengan mudah. Terdapat banyak ciri lain yang menjadikan penggunaan perpustakaan sangat mudah:
- Simpan grafik untuk penggunaan luar talian sebagai grafik vektor yang sangat dioptimumkan untuk tujuan cetak dan penerbitan
- Carta yang dieksport adalah dalam format JSON dan bukan format gambar. JSON ini dapat dimuat ke alat visualisasi lain seperti Tableau dengan mudah atau dimanipulasi dengan Python atau R
- Oleh kerana grafik yang dieksport bersifat JSON, praktikalnya sangat mudah untuk memasukkan carta ini ke dalam aplikasi web
- Plotly adalah alternatif yang baik untuk Matplotlib untuk visualisasi
Untuk mula menggunakan pakej Plotly, kita perlu mendaftar untuk akaun di laman web yang disebutkan sebelumnya untuk mendapatkan nama pengguna dan kunci API yang sah yang dapat kita mulai menggunakan fungsinya. Nasib baik, rancangan harga percuma tersedia untuk Plotly dengan mana kami mendapat cukup ciri untuk membuat carta kelas pengeluaran.
Memasang Plotly
Sekadar catatan sebelum memulakan, anda boleh menggunakan persekitaran maya untuk pelajaran ini yang boleh kita buat dengan arahan berikut:
python -m virtualenv secara plotlysumber numpy / bin / aktifkan
Setelah persekitaran maya aktif, anda boleh memasang perpustakaan Plotly dalam env maya sehingga contoh yang kami buat seterusnya dapat dilaksanakan:
paip pasang secara plotKami akan memanfaatkan Anaconda dan Jupyter dalam pelajaran ini. Sekiranya anda ingin memasangnya di mesin anda, lihat pelajaran yang menerangkan “Cara Memasang Anaconda Python di Ubuntu 18.04 LTS ”dan kongsi maklum balas anda sekiranya anda menghadapi sebarang masalah. Untuk memasang Plotly dengan Anaconda, gunakan arahan berikut di terminal dari Anaconda:
conda install -c secara plotlyKami melihat sesuatu seperti ini semasa kami melaksanakan perintah di atas:
Setelah semua pakej yang diperlukan dipasang dan selesai, kita dapat mulai menggunakan perpustakaan Plotly dengan pernyataan import berikut:
import secara plotlySetelah anda membuat akaun di Plotly, anda memerlukan dua perkara - nama pengguna akaun dan kunci API. Hanya boleh ada satu kunci API milik setiap akaun. Oleh itu, simpanlah di tempat yang selamat seolah-olah anda kehilangannya, anda perlu membuat semula kunci dan semua aplikasi lama menggunakan kunci lama akan berhenti berfungsi.
Dalam semua program Python yang anda tulis, sebutkan kelayakan seperti berikut untuk mula bekerja dengan Plotly:
secara plot.alatan.set_credentials_file (nama pengguna = 'nama pengguna', api_key = 'kunci-api-anda')Mari mulakan dengan perpustakaan ini sekarang.
Bermula dengan Plotly
Kami akan menggunakan import berikut dalam program kami:
import panda sebagai pdimport numpy sebagai np
import scipy sebagai sp
import secara plotly.plot sebagai py
Kami menggunakan:
- Pandas untuk membaca fail CSV dengan berkesan
- NumPy untuk operasi jadual sederhana
- Scipy untuk pengiraan saintifik
- Plotly untuk visualisasi
Untuk beberapa contoh, kami akan menggunakan set data Plotly sendiri yang terdapat di Github. Akhirnya, harap maklum bahawa anda boleh mengaktifkan mod luar talian untuk Plotly juga ketika anda perlu menjalankan skrip Plotly tanpa sambungan rangkaian:
import panda sebagai pdimport numpy sebagai np
import scipy sebagai sp
import secara plotly
secara plot.di luar talian.init_notebook_mode (bersambung = Benar)
import secara plotly.luar talian sebagai py
Anda boleh menjalankan pernyataan berikut untuk menguji pemasangan Plotly:
mencetak (secara plotly.__versi__)Kami melihat sesuatu seperti ini semasa kami melaksanakan perintah di atas:
Kami akhirnya akan memuat turun set data dengan Pandas dan memvisualisasikannya sebagai jadual:
import secara plotly.angka_kilang sebagai ffdf = pd.read_csv ("https: // mentah.githubusercontent.com / plotly / set data / tuan / sekolah_
pendapatan.csv ")
jadual = ff.create_table (df)
py.iplot (jadual, nama fail = 'table')
Kami melihat sesuatu seperti ini semasa kami melaksanakan perintah di atas:
Sekarang, mari kita bina Graf Bar untuk menggambarkan data:
import secara plotly.graph_objs semasa pergidata = [pergi.Bar (x = df.Sekolah, y = df.Wanita)]
py.iplot (data, nama fail = 'bar wanita')
Kami melihat sesuatu seperti ini semasa kami melaksanakan coretan kod di atas:
Apabila anda melihat carta di atas dengan buku nota Jupyter, anda akan disajikan dengan pelbagai pilihan Zum masuk / keluar pada bahagian carta tertentu, pilih Kotak & Lasso dan banyak lagi.
Carta Bar Berkumpulan
Pelbagai carta palang dapat dikumpulkan bersama untuk tujuan perbandingan dengan mudah dengan Plotly. Mari gunakan set data yang sama untuk ini dan tunjukkan variasi kehadiran lelaki dan wanita di universiti:
wanita = pergi.Bar (x = df.Sekolah, y = df.Wanita)lelaki = pergi.Bar (x = df.Sekolah, y = df.Lelaki)
data = [lelaki, wanita]
susun atur = pergi.Susun atur (barmode = "kumpulan")
ara = pergi.Gambar (data = data, susun atur = susun atur)
py.iplot (rajah)
Kami melihat sesuatu seperti ini semasa kami melaksanakan coretan kod di atas:
Walaupun ini kelihatan baik, label di sudut kanan atas tidak betul! Mari perbetulkannya:
wanita = pergi.Bar (x = df.Sekolah, y = df.Wanita, nama = "Wanita")lelaki = pergi.Bar (x = df.Sekolah, y = df.Lelaki, nama = "Lelaki")
Grafik kelihatan lebih jelas sekarang:
Mari cuba ubah kaedah barm:
susun atur = pergi.Susun atur (barmode = "relatif")ara = pergi.Gambar (data = data, susun atur = susun atur)
py.iplot (rajah)
Kami melihat sesuatu seperti ini semasa kami melaksanakan coretan kod di atas:
Carta Pai dengan Plotly
Sekarang, kami akan berusaha membina Carta Pai dengan Plotly yang menetapkan perbezaan asas antara peratusan wanita di semua universiti. Nama universiti akan menjadi label dan nombor sebenar akan digunakan untuk mengira peratusan keseluruhan. Berikut adalah coretan kod yang sama:
jejak = pergi.Pai (label = df.Sekolah, nilai = df.Wanita)py.iplot ([jejak], nama fail = 'pai')
Kami melihat sesuatu seperti ini semasa kami melaksanakan coretan kod di atas:
Perkara yang baik adalah bahawa Plotly dilengkapi dengan banyak ciri zoom masuk dan keluar dan banyak alat lain untuk berinteraksi dengan carta yang dibina.
Visualisasi data Siri Masa dengan Plotly
Memvisualisasikan data siri masa adalah salah satu tugas terpenting yang dihadapi ketika anda seorang penganalisis data atau jurutera data.
Dalam contoh ini, kami akan menggunakan set data yang terpisah di repositori GitHub yang sama dengan data sebelumnya yang tidak melibatkan data yang dicap waktu. Seperti di sini, kami akan merancang variasi stok pasaran Apple dari masa ke masa:
kewangan = pd.read_csv ("https: // mentah.githubusercontent.com / plotly / set data / induk /kewangan-carta-epal.csv ")
data = [pergi.Penyebaran (x = kewangan.Tarikh, y = kewangan ['AAPL.Tutup '])]
py.iplot (data)
Kami melihat sesuatu seperti ini semasa kami melaksanakan coretan kod di atas:
Sebaik sahaja anda mengarahkan tetikus ke atas garis variasi grafik, anda boleh menentukan butiran titik tertentu:
Kita boleh menggunakan butang zoom masuk dan keluar untuk melihat data khusus untuk setiap minggu juga.
Carta OHLC
Carta OHLC (Open High Low close) digunakan untuk menunjukkan variasi entiti dalam jangka masa. Ini mudah dibina dengan PyPlot:
dari datetime import datetimeopen_data = [33.0, 35.3, 33.5, 33.0, 34.1]
tinggi_data = [33.1, 36.3, 33.6, 33.2, 34.8]
low_data = [32.7, 32.7, 32.8, 32.6, 32.8]
close_data = [33.0, 32.9, 33.3, 33.1, 33.1]
tarikh = [tarikh masa (tahun = 2013, bulan = 10, hari = 10),
masa masa (tahun = 2013, bulan = 11, hari = 10),
masa masa (tahun = 2013, bulan = 12, hari = 10),
masa masa (tahun = 2014, bulan = 1, hari = 10),
masa masa (tahun = 2014, bulan = 2, hari = 10)]
jejak = pergi.Ohlc (x = tarikh,
buka = buka_data,
tinggi = tinggi_data,
rendah = rendah_data,
tutup = tutup_data)
data = [jejak]
py.iplot (data)
Di sini, kami telah memberikan beberapa contoh titik data yang dapat disimpulkan seperti berikut:
- Data terbuka menerangkan kadar saham ketika pasaran dibuka
- Data tinggi menerangkan kadar stok tertinggi dicapai dalam jangka masa tertentu
- Data rendah menerangkan kadar stok terendah yang dicapai sepanjang jangka masa tertentu
- Data penutupan menerangkan kadar stok penutupan apabila selang waktu tertentu telah berakhir
Sekarang, mari jalankan coretan kod yang kami sediakan di atas. Kami melihat sesuatu seperti ini semasa kami melaksanakan coretan kod di atas:
Ini adalah perbandingan yang sangat baik bagaimana membuat perbandingan masa entiti dengan syarikatnya sendiri dan membandingkannya dengan pencapaian tinggi dan rendah.
Kesimpulannya
Dalam pelajaran ini, kami melihat perpustakaan visualisasi lain, Plotly yang merupakan alternatif yang sangat baik untuk Matplotlib dalam aplikasi gred pengeluaran yang didedahkan sebagai aplikasi web, Plotly adalah perpustakaan yang sangat dinamis dan kaya fitur untuk digunakan untuk tujuan pengeluaran, jadi ini pasti kemahiran yang perlu kita miliki di bawah tali pinggang kita.
Cari semua kod sumber yang digunakan dalam pelajaran ini di Github. Sila kongsi maklum balas anda mengenai pelajaran di Twitter dengan @sbmaggarwal dan @LinuxHint.