Lehetőség van egy grafikonterv offline mentésére is, így könnyen exportálhatók. Számos egyéb szolgáltatás is megkönnyíti a könyvtár használatát:
- Grafikonok mentése offline használatra vektorgrafikaként, amelyek nyomtatásra és publikációra nagyon optimalizáltak
- Az exportált diagramok JSON formátumban vannak, és nem képformátumban. Ez a JSON könnyen betölthető más megjelenítő eszközökbe, például a Tableau-ba, vagy manipulálható a Python vagy az R segítségével
- Mivel az exportált grafikonok JSON jellegűek, gyakorlatilag nagyon egyszerű ezeket a diagramokat beágyazni egy webalkalmazásba
- A Plotly jó alternatíva a Matplotlib számára a megjelenítéshez
A Plotly csomag használatának megkezdéséhez regisztrálnunk kell egy fiókot a korábban említett webhelyen, hogy megszerezhessünk egy érvényes felhasználónevet és API kulcsot, amellyel elkezdhetjük használni annak funkcióit. Szerencsére elérhető egy ingyenes árképzési terv a Plotly számára, amellyel elegendő funkciót kapunk ahhoz, hogy gyártási szintű diagramokat készítsünk.
Telepítés Plotly
Csak egy megjegyzés, mielőtt elkezdené, használhat virtuális környezetet ehhez a leckéhez, amelyet a következő paranccsal készíthetünk:
python -m virtualenv cselekményesenforrásszám / bin / aktiválás
Miután a virtuális környezet aktív, telepítheti a Plotly könyvtárat a virtuális env-be, hogy a következő módon létrehozott példák végrehajthatók legyenek:
pip telepíteni telkesenEbben a leckében felhasználjuk az Anacondát és a Jupytert. Ha telepíteni szeretné a számítógépére, nézze meg a „Hogyan telepítsük az Anaconda Python-ot az Ubuntu 18-ra” című leckét.04 LTS ”, és ossza meg visszajelzését, ha bármilyen problémába ütközik. A Plotly Anaconda alkalmazással történő telepítéséhez használja a következő parancsot az Anaconda termináljában:
conda install -c cselekményesenValami ilyesmit látunk, amikor végrehajtjuk a fenti parancsot:
Miután az összes szükséges csomag telepítve és elkészült, elkezdhetjük a Plotly könyvtár használatát a következő importálási utasítással:
importáltan cselekményesenMiután létrehozott egy fiókot a Plotly-ban, két dologra lesz szüksége: a fiók felhasználónevére és egy API kulcsra. Mindegyik fiókhoz csak egy API-kulcs tartozhat. Tehát tartsa valahol biztonságos helyen, mintha elveszítené, akkor regenerálnia kell a kulcsot, és minden régi alkalmazás, amely a régi kulcsot használja, leáll.
A Plotly-val való együttműködés megkezdéséhez az összes Python-programban említse meg a hitelesítő adatokat:
cselesen.eszközök.set_credentials_file (felhasználónév = 'felhasználónév', api_key = 'saját-api-kulcs')Kezdjük most ezzel a könyvtárral.
A Plotly használatának megkezdése
Programunkban a következő importokat fogjuk felhasználni:
import pandák, mint pdimportálja a numpy-t np-ként
import scipy as sp
importáltan cselekményesen.cselesen, mint py
Használjuk:
- Pandák a CSV fájlok hatékony olvasásához
- NumPy az egyszerű táblázatos műveletekhez
- Scipy tudományos számításokhoz
- Teljességgel a vizualizációhoz
Néhány példához felhasználjuk a Plotly saját, a Githubon elérhető adatkészleteit. Végül, vegye figyelembe, hogy engedélyezheti az offline módot a Plotly számára is, ha hálózati kapcsolat nélkül kell futtatnia a Plotly parancsfájlokat:
import pandák, mint pdimportálja a numpy-t np-ként
import scipy as sp
behozatali cselekmény
cselesen.offline.init_notebook_mode (csatlakoztatva = True)
importáltan cselekményesen.offline mint py
A Plotly telepítés teszteléséhez a következő utasítást futtathatja:
nyomtatás (cselekményesen.__változat__)Valami ilyesmit látunk, amikor végrehajtjuk a fenti parancsot:
Végül letöltjük az adatkészletet a Pandas segítségével, és táblázatként jelenítjük meg:
importáltan cselekményesen.ábra_gyár, mint ffdf = pd.read_csv ("https: // nyers.githubusercontent.com / plotly / datasets / master / school_
kereset.csv ")
táblázat = ff.create_table (df)
py.iplot (tábla, fájlnév = 'tábla')
Valami ilyesmit látunk, amikor végrehajtjuk a fenti parancsot:
Most építsük meg a Oszlopdiagram az adatok megjelenítéséhez:
behozatali cselekmény.graph_objs menet közbenadatok = [menj.Sáv (x = df.Iskola, y = df.Nők)]
py.iplot (adatok, fájlnév = 'női sáv')
Valami ilyesmit látunk, amikor végrehajtjuk a fenti kódrészletet:
Amikor látja a fenti diagramot a Jupyter noteszgéppel, akkor a diagram nagy részén, a Box & Lasso kiválasztásán és még sok minden máson keresztül megtekintheti a Nagyítás / Kicsinyítés lehetőségeit.
Csoportosított sávdiagramok
Több oszlopdiagramot összevonhatunk összehasonlítás céljából a Plotly-val. Használjuk ugyanezt az adatkészletet, és mutassuk meg a férfiak és nők jelenlétének variációit az egyetemeken:
nők = menj.Sáv (x = df.Iskola, y = df.Nők)férfiak = menj.Sáv (x = df.Iskola, y = df.Férfiak)
adatok = [férfiak, nők]
elrendezés = megy.Elrendezés (barmode = "csoport")
ábra = megy.Ábra (adatok = adatok, elrendezés = elrendezés)
py.iplot (ábra)
Valami ilyesmit látunk, amikor végrehajtjuk a fenti kódrészletet:
Bár ez jól néz ki, a jobb felső sarokban található címkék nem megfelelőek! Javítsuk ki őket:
nők = menj.Sáv (x = df.Iskola, y = df.Nők, név = "nők")férfiak = menj.Sáv (x = df.Iskola, y = df.Férfiak, név = "Férfiak")
A grafikon most sokkal leíróbbnak tűnik:
Próbáljuk meg megváltoztatni a barmode-ot:
elrendezés = megy.Elrendezés (barmode = "relatív")ábra = megy.Ábra (adatok = adatok, elrendezés = elrendezés)
py.iplot (ábra)
Valami ilyesmit látunk, amikor végrehajtjuk a fenti kódrészletet:
Kördiagramok Plotly-val
Most megpróbálunk a Plotly segítségével elkészíteni egy kördiagramot, amely meghatározza az alapvető különbséget a nők aránya között az összes egyetemen. Az egyetemek neve lesz a címke, és a tényleges számokat kell használni az egész százalékának kiszámításához. Itt található ugyanannak a kódrészlet:
nyom = megy.Pite (címkék = df.Iskola, értékek = df.Nők)py.iplot ([nyom], fájlnév = 'pite')
Valami ilyesmit látunk, amikor végrehajtjuk a fenti kódrészletet:
A jó dolog az, hogy a Plotly számos funkcióval rendelkezik a nagyításhoz és kicsinyítéshez, valamint számos más eszközzel, hogy kölcsönhatásba léphessen a felépített táblázattal.
Idősoros adatok megjelenítése a Plotly segítségével
Az idősoros adatok megjelenítése az egyik legfontosabb feladat, amely akkor merül fel, amikor adatelemző vagy adatmérnök vagy.
Ebben a példában külön adatkészletet fogunk használni ugyanabban a GitHub-tárban, mivel a korábbi adatok nem tartalmaztak kifejezetten időbélyegzővel ellátott adatokat. Ahogy itt, úgy az Apple piaci részvényeinek változásait is feltérképezzük az idő múlásával:
pénzügyi = pd.read_csv ("https: // nyers.githubusercontent.com / plotly / datasets / master /pénzügy-diagramok-alma.csv ")
adatok = [menj.Szórás (x = pénzügyi.Dátum, y = pénzügyi ['AAPL.Bezárás'])]
py.iplot (adatok)
Valami ilyesmit látunk, amikor végrehajtjuk a fenti kódrészletet:
Miután az egérrel a grafikon variációs vonala fölé viszi az egeret, megadhatja a pont részleteit:
A nagyítás és kicsinyítés gombokkal megtekinthetjük az egyes hetekre vonatkozó adatokat is.
OHLC diagram
Egy OHLC (Open High Low close close) diagramot használnak az entitás variációinak bemutatására egy időtartam alatt. Ezt egyszerűen össze lehet állítani a PyPlot segítségével:
a datetime importálásból datetimeopen_data = [33.0, 35.3, 33.5, 33.0, 34.1]
magas_adatok = [33.1, 36.3, 33.6, 33.2, 34.8]
alacsony_adatok = [32.7, 32.7, 32.8, 32.6, 32.8]
bezár_adatok = [33.0, 32.9, 33.3, 33.1, 33.1]
dátum = [dátumidő (év = 2013, hónap = 10, nap = 10),
dátumidő (év = 2013, hónap = 11, nap = 10),
dátumidő (év = 2013, hónap = 12, nap = 10),
dátumidő (év = 2014, hónap = 1, nap = 10),
dátumidő (év = 2014, hónap = 2, nap = 10)]
nyom = megy.Ohlc (x = dátumok,
nyit = nyitott_adatok,
magas = magas_adatok,
alacsony = alacsony_adat,
bezár = bezár_adatok)
adatok = [nyom]
py.iplot (adatok)
Itt bemutattunk néhány minta adatpontot, amelyek a következőképpen következtethetők:
- A nyitott adatok a részvényárfolyamot a piac megnyitásakor írják le
- A magas adatok az adott időszakban elért legmagasabb részvényárfolyamot írják le
- Az alacsony adatok az adott időszak alatt elért legalacsonyabb részvényárfolyamot írják le
- A szoros adatok a záró részvényárfolyamot írják le, amikor egy adott időintervallum elmúlt
Most futtassuk a fent megadott kódrészletet. Valami ilyesmit látunk, amikor végrehajtjuk a fenti kódrészletet:
Ez kiváló összehasonlítás arra vonatkozóan, hogy miként lehet létrehozni egy entitás időbeli összehasonlítását a sajátjával, és összehasonlítani azt a magas és alacsony teljesítményeivel.
Következtetés
Ebben a leckében egy másik vizualizációs könyvtárat néztünk meg, a Plotly-t, amely kiváló alternatíva a Matplotlib-hez a webalkalmazásoknak kitett gyártási fokozatú alkalmazásokban. A Plotly nagyon dinamikus és funkciókban gazdag könyvtár, amelyet termelési célokra használhatunk, így ez mindenképpen egy készség, amellyel rendelkeznünk kell az övünk alatt.
Keresse meg az összes ebben a leckében használt forráskódot a Githubon. Kérjük, ossza meg visszajelzését a leckéről a Twitteren a @sbmaggarwal és a @LinuxHint oldalakon.