内容摘要：在本文中，我们将学习如何在Python中创建交互式可视化。我们将从仅仅以不同格式绘制数据开始，然后再探索添加更多交互式控件。今天，我们将学习如何使用Plotly express。Plotly允许用户在

 在本文中，也太我们将学习如何在Python中创建交互式可视化。好用我们将从仅仅以不同格式绘制数据开始，实现式数视化然后再探索添加更多交互式控件。交互据

今天，也太我们将学习如何使用Plotly express。好用Plotly允许用户在肉眼可见的实现式数视化可视化界面上进行数据交互，并且与Web内容集成起来要容易得多。交互据

plotly express简介

plotly express是也太 plotly 包装器，它允许使用更简单的好用语法。

受Seaborn和ggplot2的实现式数视化启发，它经过专门设计，交互据具有简洁、也太一致且易于学习的好用API：只需一次导入，你就可以在一个函数调用中创建丰富的实现式数视化交互式图，包括刻面、地图、动画和趋势线。

如果你想了解更多信息，可访问Plotly的官方文档：

https://medium.com/plotly/introducing-plotly-express-808df010143d

只需要两行代码，你就可以拥有一个漂亮的交互式图表，非常简单：

import plotly.express as px  fig = px.line(x=x data set, y= y data set)  fig.show()  

数据来源及准备

在本文中，我们将使用COVID-19数据集。

我们将使用以下代码来获取和格式化数据：

import plotly.express as px  import numpy as np  import pandas as pd  url = https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv  df = pd.read_csv(url, delimiter=,, header=infer)  df_interest = df.loc[  df[Country/Region].isin([United Kingdom, US, Italy, Brazil, India])  & df[Province/State].isna()]  df_interest.rename(  index=lambda x: df_interest.at[x, Country/Region], inplace=True)  df1 = df_interest.transpose()  df1 = df1.drop([Province/State, Country/Region, Lat, Long])  df1 = df1.loc[(df1 != 0).any(1)]  df1.index = pd.to_datetime(df1.index)  df1 = df1.diff() #数据每日变化  

创建图表

1、线图

要在图形上添加一个国家的疫情数据可视化，高防服务器我们只需要两行代码：

fig = px.line(x=df1.index, y= df1[df1.columns[0]],title = Daily Deaths due to COVID-19, name = df1.columns[0])  fig.show()  

单线图

要添加更多国家的数据，我们需要.add_scatter（）属性。通过使用循环，我们可以添加所有范围内的国家。

fig = px.line()  for i,n in enumerate(df1.columns):  fig.add_scatter(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i])  

多线图

最后，我们可以考虑在图中添加更多的细节，个人喜欢在图中突出显示不同的数据点。

fig.update_traces(mode=markers+lines)  

带标记的图形

最后，添加相关的轴标签，设置字体大小并替换默认模板。

fig.update_layout(  title = Daily Deaths due to COVID-19  ,xaxis_title = Dates  ,yaxis_title = Number of Deaths  ,font = dict(size = 25)  ,template = plotly_dark #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  )  

2、条形图

正如我们之前看到的，条形图可以很快就可以组合起来：

fig = px.bar(x=df1.index, y= df1[df1.columns[0]])  for i,n in enumerate(df1.columns):  fig.add_bar(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i])  fig.update_layout(  title = Daily Deaths due to COVID-19  ,xaxis_title = Dates  ,yaxis_title = Number of Deaths  ,font = dict(size = 25)  ,template = plotly_dark #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  )  fig.show()  

3、饼状图

和以前一样，唯一的区别是我们只显示时间序列中的最新一天。

df1 = df1.tail(1).transpose()  fig = px.pie(df1, values = str(df1.columns[0]), names = df1.index)  fig.update_traces(textposition=inside, textinfo = percent+label)  ddate = str(df1.columns[0])[:10] #时间戳  fig.update_layout(  title = fDeaths on { ddate} due to COVID-19  ,xaxis_title = Dates  ,yaxis_title = Number of Deaths  ,font = dict(size = 25)  ,template = seaborn #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  )  fig.show()  

交互控件

通过上文，我们知道了如何快速地将不同类型的可视化组合在一起，接下来我们用交互控件来增强数据的可视化。

1、范围滑块

首先，通过下面的网站模板一行代码来添加一个范围滑块，这是一个很好用的控件，让用户看到自己控制想看的特定部分。

  fig.update_xaxes(rangeslider_visible=True)  

2、范围焦点

如果我们的用户只想关注某个时间段里的某些部分呢？我们可以直接建立这些控件！

   fig.update_xaxes(  rangeslider_visible=True,  rangeselector=dict(  buttons=list([  dict(count=7, label="1w", step="day", stepmode="backward"),  dict(count=1, label="1m", step="month", stepmode="backward"),  dict(count=2, label="2m", step="month", stepmode="backward"),  dict(step="all")  ]),  font = dict( color=#008000, size = 11),  )  )  

3、自定义按钮

在体验了上面的范围焦点功能后，我们可以很容易想象到如何构建自定义按钮。Plotly express 以一种简单的方式满足了这一需求。让我们看看定制按钮，把重点放在个别国家上。

  fig.update_layout(  updatemenus=[  dict(  type="buttons",  direction="right",  active=0,  x=0.5,  y=1.03,  buttons=list([  dict(label=df1.columns[0],  method="update",  args=[ { "visible": [True, False, False, False, False]},  { showlegend : True}  ]),  dict(label=df1.columns[1],  method="update",  args=[ { "visible": [False, True, False, False, False]},  { showlegend : True}  ]),  dict(label=df1.columns[2],  method="update",  args=[ { "visible": [False, False, True, False, False]},  { showlegend : True}  ]),  dict(label=df1.columns[3],  method="update",  args=[ { "visible": [False, False, False, True, False]},  { showlegend : True}  ]),  dict(label=df1.columns[4],  method="update",  args=[ { "visible": [False, False, False, False, True]},  { showlegend : True}  ]),  dict(label=All,  method="update",  args=[ { "visible": [True, True, True, True, True]},  { showlegend : True}  ]),  ]),  )  ]  )  

4、下拉式菜单

如果你想在可视化数据中，获得一个下拉菜单，就像注释掉一行代码一样简单。在这里，你只需注释掉“type=”buttons“就可以：

结论

Plotly express绝对是一个非常棒的数据可视化工具，它非常容易获取，使用起来也非常像Python。在这篇文章里，我们只是简单地描述了它所提供的功能。我鼓励你进一步探索这个Python库，站群服务器因为它具有无限可能性！