如何创建Plotly小型多图

方石剑
216 阅读9分钟

在本教程中，我将向你展示如何用Plotly Express创建小型多图。

所以我将解释如何创建Plotly小型多图的语法。

我还会给你看几个清晰的例子，这样你就可以看到它是如何完成的。

本教程有几个部分。 如果你需要特定的东西，只需点击相应的链接。

目录

好的让我们开始吧

用Plotly快速介绍小倍数图表

小型多图是数据科学家可用的最有用的数据可视化技术之一。

Sharp Sight博客的长期读者会知道，我非常喜欢小型多图。

小型多图很有用，因为它们使你能够将数据可视化分解成独立的 "面板"。 通常情况下，你会使用一个现有的图表，并通过一个额外的分类变量将其分解为多个面板。 这使你能够比较多个类别的数据。

A simple example of a small multiple chart made with Plotly, showing how the technique breaks the data out into separate panels, by category.

再次强调：小型多图对于数据分析来说是非常强大和有用的。

但是它们往往没有被充分使用，因为它们往往很难制作。 这在Python中尤其如此。

尽管如此，尽管许多Python数据可视化软件包很难制作这些图表，但用Plotly Express制作这些图表却相当容易......只要你知道正确的语法。

让我们来看看这个语法，看看我们如何用Plotly创建小型多图。

创建Plotly小型多图的语法

在这里，我将向你展示如何用Plotly创建小型多图的语法。

要明确的是：没有一个单一的函数可以用来创建小型多图。

相反，你通过使用现有的Plotly表达函数的特殊参数来创建小型多图。

例如，你可以使用特殊的参数来创建小的多张图表。

以及其他几个 plotly express 工具。

要做到这一点，你需要在那些现有的 plotly 函数里面使用facet_row 和facet_col 参数。

An image that explains the syntax to create a Plotly small multiple, using Plotly express functions in Python.

因此，例如，如果你想创建一个小的多头柱状图，那么你可以调用px.histogram() ，并在函数调用里面使用facet_row= 参数（我将在例子部分向你展示这个例子）。

再次强调：Plotly的小倍数没有单一的函数。 你通过在现有的Plotly Express函数中使用一些参数来创建它们。

Plotly小倍数的参数

有几个参数可以控制Plotly express的小倍数图表的创建。

其中最重要的3个是

  • facet_row
  • facet_col
  • facet_col_wrap

同样，这些参数也适用于px.scatterplot, px.line, px.histogram, px.imshow以及其他大多数Plotly express函数。 这些参数在所有这些工具的上下文中的作用是一样的。

让我们快速看一下这些参数的作用。

facet_row

facet_row= 参数控制的是将可视化分成不同面板的变量，垂直方向（即行方向）。

这通常是一个分类变量。

facet_col

facet_col= 参数控制变量，将可视化分成不同的面板，在水平方向上（即在列方向上）。

这通常是一个分类变量。

facet_col_wrap

facet_col_wrap= 参数控制水平方向（即 "列 "方向）上的面板数量。

这个参数的参数应该是一个整数。

因此，例如，如果你设置facet_col_wrap = 3 ，该函数将垂直地绘制新的面板，将有3个 "列 "的面板。 任何额外的面板将被 "包裹 "到一个新的面板行中。

像这样解释这些参数可能有些难以理解，所以了解它们如何工作的最好方法是通过清晰的例子。

例子：如何创建Plotly小的多个图表

现在我们已经看了与Plotly小型多图相关的语法和参数，让我们看一下一些例子。

例子

先运行这段代码

在你运行这些例子之前，你需要导入一些包并运行一些初步代码。

导入软件包

首先，我们需要导入几个Python包。

import seaborn as sns
import plotly.express as px

我们显然需要plotly.express 来创建我们的Plotly图表和Plotly小倍数。

我们还将使用Seaborn来获取数据集。

获取数据

在这些例子中，我们将使用Seaborn包中的diamonds 数据框架。

你可以通过以下代码获得它。

diamonds = sns.load_dataset('diamonds')
设置图像渲染

最后，在你运行Plotly之前，你可能需要改变一些设置，以便正确地渲染可视化。

默认情况下，Plotly被设置为在浏览器窗口渲染图像。

如果你使用像Spyder这样的集成开发环境来开发你的Python数据科学程序，你需要设置它来渲染Plotly的图。

注意，如果你使用的是Jupyter，你可以跳过这段代码!

要设置Plotly在你的IDE中把你的图画渲染成svg图片，你可以运行下面的代码。

import plotly.io as pio
pio.renderers.default = 'svg'

一旦你运行了所有这些初步的代码，你就应该可以运行这些例子了。

(如果你在设置上有任何问题，请在页面底部的评论区留言）。

例子1:创建一个简单的Plotly直方图

首先，我们将从创建一个简单的Plotly直方图开始。

我们将创建一个简单的直方图，因为这将作为我们以后创建的小型多图的基础。

让我们来看看。

px.histogram(data_frame = diamonds
             ,x = 'price'
             )

下面是输出结果

An image of a simple histogram made with Plotly.

解释

这里，我们正在绘制来自diamonds 数据框的数据。

具体来说，我们在X轴上绘制price 变量，并通过绘制直方图来显示其分布。

例子2：在1个变量上，按列绘制面图

现在我们有了例子1中的简单直方图，让我们通过一个分类变量来 "分面 "这个图。

具体来说，我们将沿着 "cut"变量的列进行分面。

让我们看一下。

px.histogram(data_frame = diamonds
             ,x = 'price'
             ,facet_col = 'cut'
             )

输出

An example of a small multiple chart, made with plotly, faceted along the columns by a categorical variable.

解释

注意，输出结果与例1中的输出结果非常相似。 具体来说，这个新图中的每个小 "面板 "都像是原始直方图的一个小版本。

所以在这里，我们对cut 这个变量进行了分面。 为了做到这一点，我们使用了facet_col 参数。 具体来说，我们设置了facet_col = 'cut' 。（注意，这个变量的名字是有引号的）。

在输出中，每个面板都是原始数据的一个小版本。 cut 变量的每个值都有一个面板。

这就是为什么我们称它为 "小倍数 "图表。 原始图表有多个小版本；面状变量的每一级都有一个小版本。

例子3：按行对1个变量进行分面分析

接下来，我们将对一个单一的变量进行分面，按行排列。

让我们看一下。

px.histogram(data_frame = diamonds
             ,x = 'price'
             ,facet_row = 'cut'
             )

输出

An image of a Plotly small multiple chart, faceted by row on a categorical variable.

解释

这与例子2非常相似。

但在这里，我们不是按列切面，而是按行切面。

为了做到这一点，我们设置了facet_row = 'cut' 。 cut 变量是diamonds 数据框架中的一个分类变量。

由此产生的图包含了原始直方图的5个小版本，被组织成行。

实例4:按列包裹面板

接下来，我们将通过一个分类变量clarity ，沿列进行分面。

但是在这个例子中，分面变量clarity ，有太多的类别，不能很好地适应单行的面板。

因此，我们将使用facet_col_wrap ，在超过最大的面板数量后，将面板 "包裹 "到一个新的行中。

让我们看一下，然后我会进一步解释。

px.histogram(data_frame = diamonds
             ,x = 'price'
             ,facet_col = 'clarity'
             ,facet_col_wrap = 4
             )

输出

解释

那么这里发生了什么？

在这个例子中，我们在clarity 变量上进行了分面。 我们是按列进行分面的。

这个变量有8个独特的值，这可以说是太多了，无法在水平方向上适应。

因此，为了使面板在绘图区域内更合适，我们设置了facet_col_wrap = 4 。 这指定了我们最多希望有4个面板列（即4个面板的横向）。

在列方向达到4个面板后，facet_col_wrap 参数使Plotly将下一个面板 "包裹 "到一个新的行。

An explanation of the col_facet_wrap parameter in Plotly Express.

这就是它的全部作用。facet_col_wrap ，设置最大的面板跨度，并强制系统为额外的面板开始一个新行。

例子5:通过对两个变量进行切面处理来创建一个 "切面网格"

接下来，我们将对两个变量进行分面。

我们将在cut 变量上按列分面，在color 变量上按行分面。

px.histogram(data_frame = diamonds
             ,x = 'price'
             ,facet_col = 'cut'
             ,facet_row = 'color'
             )

输出

An example of a two-variable "facet grid" plot made with Plotly.

解释

在这里，我们对两个分类变量，cut 和color ，进行了分面处理。

为了做到这一点，我们使用了两个分面参数：facet_col 和facet_row 。

具体而言，我们设置了facet_col = 'cut' 和facet_row = 'color' 。

正如你在输出图中所看到的，这已经将原始直方图分成了多个板块，由列中的cut 的值和行中的color 的值来划分。

这种类型的图对多变量数据分析非常有用。 你需要学习这种技术!

最后说明：你可以在不同的plotly可视化中使用这种技术

在我们结束之前，有一个最后的说明。

在本教程中，我已经用Plotly直方图演示了这些Plotly小多的技术。

但是，你可以用其他各种Plotly表达图来使用这个技术，例如。

  • plotly 散点图
  • plotly 柱状图
  • plotly 线形图
  • plotly imshow
  • ...和其他

这些参数对这些可视化的效果和对直方图的效果是一样的。 试试吧!

在这篇文章中，我已经向你展示了如何用Plotly Express创建小型多图。但要真正掌握用Plotly进行Python数据可视化，还有很多东西需要学习。

avatar
文章
阅读
粉丝