作者：俊欣

來源：關于數據分析與可視化

相信大家對一些常規的可視化圖表都比較熟悉了，例如像是折線圖、柱狀圖、餅圖等等，今天小編通過Plotly Express模塊來為大家繪制幾個不常見但是特別驚艷的圖表。

SunBurst Chart

SunBurst Chart大家一般稱作是旭日圖或者是太陽圖，和餅圖的結構十分地相似，但是比后者更加能表達清晰的層級和歸屬關系。在旭日圖當中，離圓點越近表示級別就越高，相鄰兩層中是內層包含外層的關系。

在實際項目當中使用旭日圖，不僅數據直觀，而且圖表使用起來特別的酷炫，可以迅速地拉高數據匯報的顏值。代碼如下

import plotly.express as px import numpy as np
df = px.data.gapminder().query("year == 2002")
fig = px.sunburst(df, path=['continent', 'country'], values='pop',
                  color='lifeExp', hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()

output

當中的textinfo參數來調整標簽的表達形式，例如以百分比的形式來顯示所占的比例，代碼如下

fig = px.sunburst(...和上面的代碼一樣...)
fig.update_traces(
    textinfo="label+percent entry" )
fig.show()

output

Treemap

樹形圖(Treemap)適用于層級結構更加鮮明的數據當中，在一個樹形圖中，圖表被分割成了若干個矩形，其中矩形的大小有數值的大小而定，我們來看一下具體的代碼實現

fig = px.treemap(df, path=[px.Constant("world"), 'continent', 'country'], values='pop',
                  color='lifeExp', hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.update_layout(margin = dict(t=50, l=25, r=25, b=25))
fig.show()

output

Polar Charts

在plotly.express模塊當中，我們既可以在極坐標圖當中添加散點，也可以在上面放置折線，其中極坐標中的散點圖調用的是px.scatter_polar()方法來實現，代碼如下

import plotly.express as px
df = px.data.wind()
fig = px.scatter_polar(df, r="frequency", theta="direction",
                       color="strength", symbol="strength", size="frequency",
                       color_discrete_sequence=px.colors.sequential.Plasma_r)
fig.show()

output

極坐標中的折線圖調用的則是px.line_polar()方法，代碼如下

fig = px.line_polar(df, r="frequency", theta="direction", color="strength", line_close=True,
                    color_discrete_sequence=px.colors.sequential.Plasma_r, template="plotly_dark",)
fig.show()

output

Gantt Charts

?；鶊D(Gantt Charts)被用來表示項目工程的進展十分有幫助，其中縱軸表示的是項目的名稱，橫軸表示的是日期，能夠非常直觀地表達項目的周期以及進展，代碼如下

df = pd.DataFrame([
    dict(Task="Job A", Start='2009-01-01', Finish='2009-02-28'),
    dict(Task="Job B", Start='2009-03-05', Finish='2009-04-15'),
    dict(Task="Job C", Start='2009-02-20', Finish='2009-05-30')
])

df.head()

output

數據當中有項目的開始日期和結束日期，然后我們調用px.timeline方法來繪制成?；鶊D，代碼如下

fig = px.timeline(df, x_start="Start", x_end="Finish", y="Task")
fig.update_yaxes(autorange="reversed")
fig.show()

output

當然要是不同的項目由不用的人來負責，我們也可以在圖表上面標注出來，代碼如下

df = pd.DataFrame([
    dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-28', PorjectManager="小王"),
    dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', PorjectManager="小王"),
    dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', PorjectManager="小李")
])

fig = px.timeline(df, x_start="StartDate", x_end="Finish", y="Task", color="PorjectManager")
fig.update_yaxes(autorange="reversed")
fig.show()

output

當然項目的完成進度也可以在圖表上面表示出來，代碼如下

df = pd.DataFrame([
    dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-25', Completion_pct=60),
    dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', Completion_pct=40),
    dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', Completion_pct=75)
])

fig = px.timeline(df, x_start="StartDate", x_end="FinishDate", y="Task", color="Completion_pct")
fig.update_yaxes(autorange="reversed")
fig.show()

output

Map

在plotly.express模塊當中繪制地圖也是十分的簡單，例如我們繪制的是地圖當中的散點圖，調用的是scatter_geo()方法，代碼如下

df = px.data.gapminder().query("year == 2002")
fig = px.scatter_geo(df, locations="iso_alpha",
                     size="pop",
                     )
fig.show()

output

我們可以在此基礎之上再進一步進行圖表的美化，例如不同的國家表示不同的州用不同顏色的散點來表示，代碼如下

fig = px.scatter_geo(df, locations="iso_alpha",
                     color="continent", 
                     hover_name="country", 
                     size="pop", 
                     projection="natural earth")
fig.show()

output

以及分級統計圖(Choropleth map)，具體指的是在整個制圖區域內，每個區劃單元根據各分區劃分出來的數量來進行分級，調用的是px.choropleth()方法

fig = px.choropleth(df, geojson=geojson, color="Bergeron",
                    locations="district", featureidkey="properties.district",
                    projection="mercator" )
fig.update_geos(fitbounds="locations", visible=False)
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})
fig.show()

output