這兩天看了一下數據可視化工具plotly，感覺還不錯，比matplotlib炫酷多了，在此記錄一下簡單用法。

介紹plotly

plotly是一款基于D3.js框架的Python庫，所以功能肯定很強大、炫酷。結合jupyter notebook效果更好。pip安裝

pip install plotly

以為pip安裝一下就行了，迫不及待就去跑示例代碼，結果報錯，提示沒有登錄什么的，了解之后才知道，plotly有兩種模式。

離線模式：沒有數量限制，圖片都在本地。
在線模式：最多可以上傳25張，可以通過瀏覽器在線編輯、觀看。更好的分享給別，有分為三種情況——公開(public)、私人(private)、秘密(secret)。

在線plotly

首先需要注冊一個plotly的賬戶，然后可以看到自己的Username和API Keys，放到代碼里面就可以作圖了。

import plotly 
plotly.tools.set_credentials_file(username='yourAccount', api_key='u8U00uFdqKcYH5qykuu4')

plotly.tools.set_config_file(world_readable=True,
                             sharing='public')

import plotly.plotly as py
import plotly.graph_objs as go

trace0 = go.Scatter(
    x=[1, 2, 3, 4],
    y=[10, 15, 13, 17]
)
trace1 = go.Scatter(
    x=[1, 2, 3, 4],
    y=[16, 5, 11, 9]
)
data = [trace0, trace1]

py.plot(data, filename = 'basic-line', auto_open=True)

上面會輸出一個網址，打開就可以看到了。最厲害的是竟然可以直接在線可視化編輯，厲害了！更多功能自己點擊左側按鈕實驗吧。

在線編輯

離線模式

大部分我們還是使用離線模式，比較在線模式有數量限制，還得打開網頁才能看到，其中離線模式我喜歡在jupyter notebook中使用。

import plotly.graph_objs as go
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot

plot([go.Scatter(x=[1, 2, 3], y=[3, 1, 6])])

輸出'file:///data/notebook/dataVisualization/temp-plot.html'，是一個HTML，不是很方便，使用iplot畫圖就方便多了

init_notebook_mode(connected=True)# 設置為離線模式
iplot([{"x": [1, 2, 3], "y": [3, 1, 6]}])

直接輸出圖片了。

舉幾個例子

在jupyter notebook輸出會有縮放、移動、截圖等功能按鈕，但是markdown不能顯示，就簡單截個圖吧。
Plotly的核心是一個數據可視化工具箱，每個plotly圖像的背后都是一個JSON對象，一個類似字典的數據結構。僅僅通過修改這個對象的一些關鍵字，就可以得到非常不同的、詳細的圖。例如：

import plotly.offline as py
import plotly.graph_objs as go

py.init_notebook_mode(connected=True)

trace1 = go.Scatter(x=[1,2,3], y=[4,5,6], marker={'color': 'red', 'symbol': 104, 'size': 10}, 
                    mode="markers+lines",  text=["one","two","three"], name='1st Trace')
                                               
layout=go.Layout(title="First Plot", xaxis={'title':'x1'}, yaxis={'title':'x2'})
figure=go.Figure(data=[trace1],layout=layout)
py.iplot(figure, filename='pyguide_1')

first plot

figure

輸出

Figure({
    'data': [{'marker': {'color': 'red', 'size': 10, 'symbol': 104},
              'mode': 'markers+lines',
              'name': '1st Trace',
              'text': [one, two, three],
              'type': 'scatter',
              'uid': '6e76d08b-2f9b-429e-ae31-0d2faeb41e78',
              'x': [1, 2, 3],
              'y': [4, 5, 6]}],
    'layout': {'title': {'text': 'First Plot'}, 'xaxis': {'title': {'text': 'x1'}}, 'yaxis': {'title': {'text': 'x2'}}}
})

可以看到我們使用py.iplot畫的圖確實是一個類似于字典的對象，此外，我們可以通過添加/定義與散點圖相關的關鍵字的值，來修改這個圖片。
如果我們想改變散點圖的標題，同時使用綠色的先代替紅色的先，可以通過Plot update來實現。

figure.update(dict(layout=dict(title='Plot update'), data=[dict(marker=dict(color='blue'))]))
py.iplot(figure, filename='pyguide_2')

plot update

此外，Plotly plots 是交互式的，這意味著你可以在圖像上通過平移、選擇、縮放來手動操作探索數據。

很快你就能弄明白如何以你想要的方式繪制圖表，怎么分享這些信息給你想分享的人。例如，我們可以快速查看一下如何定義生成散點圖所需的對象，以比較兩個大陸之間的預期壽命了人均GDP。

import pandas as pd

df = pd.read_csv('https://raw.githubusercontent.com/yankev/test/master/life-expectancy-per-GDP-2007.csv')

americas = df[(df.continent=='Americas')]
europe = df[(df.continent=='Europe')]

trace_comp0 = go.Scatter(
    x=americas.gdp_percap,
    y=americas.life_exp,
    mode='markers',
    marker=dict(size=12,
                line=dict(width=1),
                color="navy"
               ),
    name='Americas',
    text=americas.country,
    )

trace_comp1 = go.Scatter(
    x=europe.gdp_percap,
    y=europe.life_exp,
    mode='markers',
    marker=dict(size=12,
                line=dict(width=1),
                color="red"
               ),
    name='Europe',
    text=europe.country,
        )

data_comp = [trace_comp0, trace_comp1]
layout_comp = go.Layout(
    title='Life Expectancy v. Per Capita GDP, 2007',
    hovermode='closest',
    xaxis=dict(
        title='GDP per capita (2000 dollars)',
        ticklen=5,
        zeroline=False,
        gridwidth=2,
    ),
    yaxis=dict(
        title='Life Expectancy (years)',
        ticklen=5,
        gridwidth=2,
    ),
)
fig_comp = go.Figure(data=data_comp, layout=layout_comp)
py.iplot(fig_comp, filename='life-expectancy-per-GDP-2007')

Life Expectancy v. Per Capita GDP, 2007

希望這能讓您了解如果使用Plotly Python Library繪制圖表，稍后，我們將在后面的章節詳細介紹構成這個圖表的不同部分。但是現在，我希望您能看到它的可定制性，以及我們如何通過編程定義這些圖。

Plotly強大能力的來源

Plotly生成的所有圖表實際上都是plotly.js這個javascript庫產生的，無論是在瀏覽器還是Ipython notebook中，所有的可視化、交互都是基于plot.js，plot.js建立在d3.js和stack.gl之上，plotly.js是一個高級的聲明性圖表庫，提供了20多種圖表類型，包含了3D圖表、統計圖和SVG地圖。

使用Python API

Python API是一個設計用來和Plotly.js庫交互的包，以便允許Python用戶在他們喜歡的環境中創建繪圖。這個包提供函數和圖形對象，可以簡化圖形生成的過程，這相當于在JSON對象中正確定義關鍵字(如上面的例子所示)，這將允許我們以函數的方式創建我們的圖。所以我們來分解一下。

import plotly.offline as py
import plotly.graph_objs as go

為了生成我們的Plotly圖表，我們需要兩個主要的模塊。
. plotly.offline包含了與Plotly服務器通信的功能。
. plotly.graph_objs 包含了生成圖表對象的函數
注意：如果我們檢查上一節中的示例代碼，我們可以看到下面的部分。
. Data
. Layout
. Figure

DATA

go.Scatter(x=[1,2,3], y=[4,5,6], marker={'color': 'red', 'symbol': 104, 'size': "10"}, 
                                               mode="markers+lines",  text=["one","two","three"])

輸出

Scatter({
    'marker': {'color': 'red', 'size': 10, 'symbol': 104},
    'mode': 'markers+lines',
    'text': [one, two, three],
    'x': [1, 2, 3],
    'y': [4, 5, 6]
})

定義了一個散點圖的軌跡，此外，它定制了我們需要繪制的數據，即3個數據點(1,4)，(2,5)，(3,6)，以及繪制該數據相關的規范。在這個例子中，我們想把這些點畫成空閑的x，用紅色的線把他們串起來。
此外，我們還可以向數據列表中，添加另一個散點對象，我們可以通過定義一個新的散點對象來實現這一點，并將其包含到數據對象的定義中。

import numpy as np
x = np.arange(1,3.2,0.2)
y = 6*np.sin(x)
y

輸出

array([5.04882591, 5.59223452, 5.91269838, 5.99744162, 5.84308579,
       5.45578456, 4.85097842, 4.05277908, 3.09300823, 2.0099289 ,
       0.84672005])

輸出

trace2 = go.Scatter(x=x, y=y, marker={'color': 'blue', 'symbol': 'star', 'size': 10}, mode='markers', name='2nd trace')
data = go.Data([trace1, trace2])
data

輸出

[Scatter({
     'marker': {'color': 'red', 'size': 10, 'symbol': 104},
     'mode': 'markers+lines',
     'name': '1st Trace',
     'text': [one, two, three],
     'x': [1, 2, 3],
     'y': [4, 5, 6]
 }), Scatter({
     'marker': {'color': 'blue', 'size': 10, 'symbol': 'star'},
     'mode': 'markers',
     'name': '2nd trace',
     'x': array([1. , 1.2, 1.4, 1.6, 1.8, 2. , 2.2, 2.4, 2.6, 2.8, 3. ]),
     'y': array([5.04882591, 5.59223452, 5.91269838, 5.99744162, 5.84308579, 5.45578456,
                 4.85097842, 4.05277908, 3.09300823, 2.0099289 , 0.84672005])
 })]

plot2 = py.iplot(go.Figure(data=data, layout=layout), filename='pyguide_3')
plot2

First Plot

Layout

這個Layout就是定義圖的外觀，以及與數據無關的圖功能。因此，我們可以改變標題、軸標題、間距、字體等。

layout=go.Layout(title="First Plot", xaxis={'title':'x1'}, yaxis={'title':'x2'})
layout

輸出

{'title': 'First Plot', 'xaxis': {'title': 'x1'}, 'yaxis': {'title': 'x2'}}

Annotations

我們為軸添加了標題，還添加一個一個文本注釋，指出最大點。

layout.update(dict(annotations=[go.Annotation(text="Highest Point", x=3, y=6)]))
py.iplot(go.Figure(data=data, layout=layout), filename='pyguide_4')

First Plot

推薦一篇與pandas結合的文章，寫的很好。The Next Level of Data Visualization in Python

參考

Getting Started with Plotly for Python
Plotly User Guide in Python
官方文檔