1、 简单介绍
一般大家在学习python机器学习的时候,用的最多pythonkeshihua/' style='color:#000;font-size:inherit;'>Python可视化的包就是matplot和seaborn, 这2个可视化的优点在于门槛低,代码容易理解,并且容易上手。唯一的可能的缺点就是画出来的图不能交互,简单来说就是matplot和seaborn给出的就是一个图片,当将鼠标放到图上的时候,不会显示出图中具体的数字是多少,而使用plotly之后,可以将图片放大缩小,可以显示与不显示不同类别数据,等等。并且更加方便的是,这个图可以嵌入到html里面,可以直接放到网页上面。我们话不多说,用matplot和plotly来展示相同的数据。
当前使用的数据是股票数据,使用pandas_datareader中的yahoo的API下载一些股票数据,将下载阿里巴巴,苹果,微软,和IBM的每天最高价,并且做出一个图出来。
import pandas_datareader as pdr
import numpy as np
import pandas as pd
Stock_list = ['BABA', 'AAPL', 'MSFT', 'IBM']
Data = [pdr.get_data_yahoo(i)['High'] for i in Stock_list]
Data_month = [i.resample('1m').mean() for i in Data]
result_df = pd.concat(Data_month, axis = 1)
result_df.columns = Stock_list
首先我们作出一个matplot的图出来,由于DataFrame自带了plot的功能,我们就可以直接用.plot()的方法输出图片。
result_df.plot()
然后下看我们用plotly给出的效果,代码部分稍后给出。
我们从这个gif中可以明显的看出来plotly的图片有很好的交互,并且如果将该文件下载为html文件后,这种图也会被嵌入在html文件里面,并且也会保持这种交互的功能。
那什么时候我们用matplot还是plotly呢?个人认为,对于机器学习的结果来说,使用matplot来做模型的结果的检测就足够了,比如说查看是否过拟合,AUCROC图。而plotly更加适合做报表系统,因为对于报表来说,不仅要展示图的大体信息,比如上图中每个股票的趋势,而且更加的是这个图是否能够体现出更多的细节,从而可以让决策者发现比较重要的信息。那在这种需要下,plotly就是一种比较不错的选择。
在市场上,还有一种很火的软件叫echart,那为什么我们不介绍echart而介绍python plotly呢,那是因为echart是用java来写的,并且写法比较复杂,需要重新学习java语言才能画出类似的这种可交互的图出来。但是对于plotly来说的话,我们直接可以用python来写,并且代码量比java的少很多,我们可以直接将我们熟悉的python list, numpy, pandas放进去就可以画图,并且给出的效果和echart的图一摸一样。
另外要提一点的是python plotly也是可以用来做动图的,我们后面会给大家介绍一种用plolty做出来的用于展示Kmeans算法过程的动图。在这个动图中我们则可以很容易的来理解Kmeans的迭代过程。
2 、plotly的安装
安装plotly和其他的安装python包的程序一样,直接在终端打入以下
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple plotly
这里为了防止下载速度过慢,加上了清华源的地址。下载好了plotly之后,如果需要使用plotly的话则需要有2种模式,一种是线上,一种是线下。如果是线上的话,则需要注册一个账号密码,然后在notebook里创造的图将会同步到plotly的个人云盘里面去。但是这种操作不是很好,因为一般一个人最多线上存20张图,之后再做图就会报错。所以我们这里直接介绍offline的模式,也就是线下的模式,这种模式没有限制。
官网在https://plot.ly/python/, 有的时候需要注意,由于某墙的原因,这个网站会加载的非常慢。这个网页里详细的介绍了各种图的制作,我们这会简单的介绍一下scatter plot和给出一个3D图的例子。
注意在当前markdown文档里,plotly给出的图不能交互,在ipynb和html里面可以
首先需要import下一线离线的关于plotly的包
from plotly import tools
import plotly.offline as py
py.offline.init_notebook_mode() import plotly.graph_objs as go
import plotly.figure_factory as ff
config = {'showLink': False}
3、Scatter Plot 点图
我们就拿刚才我们下载的IBM的股票数据来画图。首先我们看下数据是什么样的。我们的数据主要由2部分组成,一个是时间,另一个是每个时间所对应的值。
IBM = result_df['IBM']
IBM.head()
Date 2015-01-31 156.116669 2015-02-28 160.925264 2015-03-31 161.106818 2015-04-30 166.431430 2015-05-31 173.346001 Freq: M, Name: IBM, dtype: float64
所以对于这种数据来说,如果我们想给它画出一个图出来的话,需要一个x轴和y轴。所以这里的话需要将时间作为x轴,数据作为y轴。
对于plotly来说,我们需要x和y的数据全部放入一个叫Scatter的类里面去,并且外面需要用list作为容纳Scatter的一个容器。
data = [go.Scatter(x = IBM.index, #x轴上放时间数据
y = IBM.values, #y轴上放具体的数据,不建议放series,可以放array
mode = 'markers', #画出来的图需要是什么形式的,这里指定了点
name = 'IBM' #这一类数据的类别
)]
当data创建好之后,则需要开始创建框架Layout,也就是x轴,y轴,标题,模版等信息,框架创建出来后,可以用来存放刚才写好的data
layout = go.Layout(title = 'plotly graph for stock data', #这里指出框架的标题
xaxis = {'title' : 'Date'}, #x轴的标题
yaxis = {'title' : 'High'}, #y轴的标题
template = 'plotly_white' #背景模版,这里是指背景为白色
)
当layout创建好之后,则需要将data和layout放入Figure这个图里面即可
fig = go.Figure(data = data, layout = layout)
fig.show()
这里我们看到了我们只是把各种的点给画出来了,但是我们面对的数据是时间序列数据,数据不是杂乱无序的。那我们则需要更改下data里的mode值。
data = [go.Scatter(x = IBM.index,
y = IBM.values,
mode = 'lines+markers', #画出来的图需要是什么形式的,这里指定了点并且将所有的点以线连起来
name = 'IBM'
)]
#layout部分不做任何改变
layout = go.Layout(title = 'plotly graph for stock data', #这里指出框架的标题
xaxis = {'title' : 'Date'}, #x轴的标题
yaxis = {'title' : 'High'}, #y轴的标题
template = 'plotly_white' #背景模版,这里是指背景为白色
)
fig = go.Figure(data = data, layout = layout)
fig.show()
那这个时候我们的图就做出来。现在有个问题是我这里的图只是展示出了一个股票,多个股票可以吗?可以的。当前我们在写data的时候,可以看出它其实是一个list,当前我们的data list里面只有一个元素,这个元素就是我们用Scatter创建的一个类,里面记录的IBM的数据。所以我们可以在这个list里面放入多个Scatter,记录不同的股票数据
AAPL = result_df['AAPL']
data = [go.Scatter(x = IBM.index,y = IBM.values,mode = 'lines+markers',name = 'IBM'),
go.Scatter(x = AAPL.index,y = AAPL.values,mode = 'lines+markers',name = 'AAPL')
]
layout = go.Layout(title = 'plotly graph for stock data', #这里指出框架的标题
xaxis = {'title' : 'Date'}, #x轴的标题
yaxis = {'title' : 'High'}, #y轴的标题
template = 'plotly_white' #背景模版,这里是指背景为白色
)
fig = go.Figure(data = data, layout = layout)
fig.show()
这样子就可以用来比较了。但是呢我们这里如果有多个数据需要放入的话,在data里一行一行的加入股票数据,不方便也不美观,可以采用列表解析式。列表解析式[i for i in result_df.columns]里,每个i就是每个股票的名字,用result_df[i]就可以把每个股票都取出来放入一个go.Scatter()里面,并且name = i,则可以了。并且列表解析给出结果已经是一个list了,所以直接赋值给data进行做图。
data = [go.Scatter(x = result_df.index,
y = result_df[i].values,
mode='lines+markers',
name=i
) for i in result_df.columns]
layout = go.Layout(title = 'plotly graph for stock data',
xaxis = {'title' : 'Date'},
yaxis = {'title' : 'High'},
template = 'plotly_white' )
fig = go.Figure(data = data, layout = layout)
fig.show()
4、3D-surface图
这里我们的图的代码不来详细的介绍,这个在这里展示出来,给大家看一下plotly做出的3D图的效果。这里的例子是参考官网的例子。对于这种3D-surface的图来说,可以用来很好的展示机器学习中梯度下降的内容。
网址链接:
https://plot.ly/python/3d-surface-plots/
plotly这个pythonkeshihua/' style='color:#000;font-size:inherit;'>Python可视化工具,你可还喜欢?了解更多
数据分析咨询请扫描二维码
在如今的数据驱动时代,掌握数据分析的工具和方法不仅是提高工作效率的关键,也是开拓职业机会的重要技能。数据分析涉及从数据的 ...
2024-11-08在现代商业环境中,企业正在逐步认识到数据挖掘技术在客户行为分析中的重要性。通过深度分析客户数据,这项技术不仅可以帮助企业 ...
2024-11-08数据挖掘分析是从大量数据中发现隐藏模式和有用信息的过程。尤其是在图数据挖掘中,提供了分析复杂关系和结构的独特视角。图数据 ...
2024-11-08在当今快速发展的商业环境中,提高运营效率已成为企业取得成功的关键因素。企业需要通过优化工作流程、利用技术创新和提升员工技 ...
2024-11-08Python 是一门非常适合初学者学习的编程语言。其简洁明了的语法、丰富的功能库,以及广泛的应用领域,使其成为学习编程的理想选 ...
2024-11-08在当今快速变化的商业环境中,金融数字化已经成为中小企业(SMEs)发展的关键驱动力。通过采用数字工具和技术,中小企业能够提高 ...
2024-11-08中小企业在全球经济中扮演着重要角色,然而,面对数字化浪潮,这些企业如何有效转型成为一大挑战。数字化转型不仅是技术的升级, ...
2024-11-08选择合适的数据分析方法是数据分析流程中的关键环节。它影响最终结论的准确性和可信度。在这个过程中,需要综合考虑数据的性质、 ...
2024-11-08在当今数据驱动的商业环境中,数据分析师扮演着至关重要的角色。他们帮助企业从大量数据中提取有用的洞察,从而推动决策制定和战 ...
2024-11-07在现代商业环境中,商务数据分析师扮演着至关重要的角色。作为联系业务需求与数据洞察之间的桥梁,数据分析师需要具备一系列技能 ...
2024-11-07在现代商业环境中,商务数据分析师扮演着至关重要的角色。作为联系业务需求与数据洞察之间的桥梁,数据分析师需要具备一系列技能 ...
2024-11-07在现代商业环境中,数据挖掘发挥着至关重要的作用。它不仅帮助企业从庞大的数据集中提取有价值的信息,还为企业的决策和业务运营 ...
2024-11-07数据分析可视化是一种通过图形化方式展现数据的技术,它使复杂的数据变得直观易懂,从而帮助我们更好地做出决策。在这个快速发展 ...
2024-11-07数据分析是一项至关重要的技能,尤其在当今数据驱动的世界中。Python以其强大的库和简单的语法成为了数据分析领域的佼佼者。本文 ...
2024-11-07在现代数据驱动的环境中,数据分析师扮演着至关重要的角色。他们需要掌握多种工具,以满足数据分析、处理和可视化的需求。无论是 ...
2024-11-07作为一名业务分析师,你将发现自己处于企业决策和数据驱动战略之间的桥梁位置。这个角色要求掌握一系列技能,以便有效地将数据转 ...
2024-11-07CDA中科院城市环境研究所(厦门)内训圆满成功 2017年9月12日-15日,CDA数据分析师在中科院城市环境研究所(厦门)进行了 ...
2024-11-07数据分析是现代商业和研究领域不可或缺的重要工具。无论是为了提高业务决策的准确性,还是为了发掘隐藏在数据中的潜在价值,了解 ...
2024-11-06数据分析是一个精细且有序的过程,旨在从海量数据中提取有用的信息,为决策提供有力支持。无论你是新手还是有经验的分析师,理解 ...
2024-11-06在当今竞争激烈的商业环境中,业务分析师(Business Analyst, BA)的角色变得愈加重要。随着企业对数据驱动决策的依赖加深,业务 ...
2024-11-06