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
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20