Phenquestions
Graafiku kujundus on võimalik ka võrguühenduseta salvestada, et neid saaks hõlpsasti eksportida. Teegi kasutamise hõlbustavad paljud muud funktsioonid:
- Salvestage graafikud võrguühenduseta kasutamiseks vektorgraafikana, mis on printimiseks ja avaldamiseks väga optimeeritud
- Eksporditavad diagrammid on JSON-vormingus, mitte pildivormingus. Selle JSON-i saab hõlpsasti laadida teistesse visualiseerimisvahenditesse, näiteks Tableau, või seda saab Pythoni või R-ga manipuleerida
- Kuna eksporditavad graafikud on oma olemuselt JSON, on neid diagramme praktiliselt väga lihtne veebirakendusse manustada
- Plotly on Matplotlibile visualiseerimiseks hea alternatiiv
Plotly paketi kasutamise alustamiseks peame registreeruma eelnevalt mainitud veebisaidil konto saamiseks, et saada kehtiv kasutajanimi ja API-võti, millega saame selle funktsioone kasutada. Õnneks on Plotly jaoks saadaval tasuta hinnakava, mille abil saame piisavalt funktsioone tootmisklassi graafikute koostamiseks.
Plotly installimine
Enne alustamist võite lihtsalt märkida, et saate selle õppetunni jaoks kasutada virtuaalset keskkonda, mille saame teha järgmise käsuga:
python -m virtualenv kavalaltallikas numpy / bin / aktiveeri
Kui virtuaalne keskkond on aktiivne, saate installida Plotly teegi virtuaalsesse env-sse, et saaksime järgmiselt loodud näited täita:
pip paigaldada kavalaltSelles tunnis kasutame Anaconda ja Jupyterit. Kui soovite selle oma arvutisse installida, vaadake õppetundi, mis kirjeldab artiklit „Kuidas Anaconda Pythoni installida Ubuntu 18.04 LTS ”ja jagage oma tagasisidet, kui teil on probleeme. Placi installimiseks koos Anacondaga kasutage Anaconda terminalis järgmist käsku:
conda install -c kavalalt kavalaltÜlaloleva käsu täitmisel näeme midagi sellist:
Kui kõik vajalikud paketid on installitud ja tehtud, saame Plotly teegi kasutamist alustada järgmise impordilausega:
importida krimpseltKui olete Plotly's konto teinud, vajate kahte asja - konto kasutajanime ja API-võtit. Igale kontole võib kuuluda ainult üks API-võti. Nii et hoidke seda kusagil turvalises kohas, nagu kaotaksite selle, peate võtme uuesti genereerima ja kõik vanu võtmeid kasutavad rakendused lakkavad töötamast.
Plotlyga töötamise alustamiseks mainige kõigis teie Pythoni programmides mandaate järgmiselt:
kavalalt.tööriistad.set_credentials_file (kasutajanimi = 'kasutajanimi', api_key = 'teie-api-võti')Alustame selle raamatukoguga kohe.
Plotlyga alustamine
Kasutame oma programmis järgmist importi:
impordi pandad kui pdimpordi numpy kui np
impordi scipy nagu sp
importida krimpselt.kavalalt kui py
Kasutame:
- Pandad CSV-failide tõhusaks lugemiseks
- NumPy lihtsate tabelitoimingute jaoks
- Scipy teaduslike arvutuste jaoks
- Kavandatav visualiseerimiseks
Mõne näite jaoks kasutame Plotly enda andmebaase, mis on saadaval Githubis. Lõpuks pidage meeles, et saate Plotly jaoks lubada ka võrguühenduseta režiimi, kui peate Plotly skripte käivitama ilma võrguühenduseta:
impordi pandad kui pdimpordi numpy kui np
impordi scipy nagu sp
importida krimpselt
kavalalt.võrguühenduseta.init_notebook_mode (ühendatud = True)
importida krimpselt.offline kui py
Plotly installimise testimiseks võite käivitada järgmise lause:
trükk (kavalalt.__versioon__)Ülaloleva käsu täitmisel näeme midagi sellist:
Lõpuks laadime andmekogumi koos Pandadega alla ja visualiseerime selle tabelina:
importida krimpselt.joonis_tehas nagu ffdf = pd.read_csv ("https: // toores.githubusercontent.com / plotly / datasets / master / school_
sissetulek.csv ")
tabel = ff.create_table (df)
py.iplot (tabel, failinimi = 'tabel')
Ülaloleva käsu täitmisel näeme midagi sellist:
Ehitagem nüüd a Tulpdiagramm andmete visualiseerimiseks:
importida krimpselt.graph_objs kui minnaandmed = [mine.Baar (x = df.Kool, y = df.Naised)]
py.iplot (andmed, failinimi = 'naiste riba')
Ülaloleva koodilõigu käivitamisel näeme midagi sellist:
Kui näete Jupyteri sülearvutiga ülaltoodud diagrammi, kuvatakse teile diagrammi konkreetse jaotise suumimise ja vähendamise erinevad valikud, Box & Lasso valik ja palju muud.
Grupeeritud baari graafikud
Plotlyga saab võrreldavuse huvides mitu tulpdiagrammi grupeerida. Kasutame selleks sama andmekogumit ja näitame varieeruvat meeste ja naiste kohalolekut ülikoolides:
naised = mine.Baar (x = df.Kool, y = df.Naised)mehed = mine.Baar (x = df.Kool, y = df.Mehed)
andmed = [mehed, naised]
paigutus = mine.Paigutus (barmode = "rühm")
fig = mine.Joonis (andmed = andmed, paigutus = paigutus)
py.iplot (joonis)
Ülaloleva koodilõigu käivitamisel näeme midagi sellist:
Kuigi see näeb hea välja, pole paremas ülanurgas olevad sildid õiged! Parandame need:
naised = mine.Baar (x = df.Kool, y = df.Naised, nimi = "Naised")mehed = mine.Baar (x = df.Kool, y = df.Mehed, nimi = "Mehed")
Graafik näeb nüüd palju kirjeldavam välja:
Proovime baarmoodi vahetada:
paigutus = mine.Paigutus (barmode = "suhteline")fig = mine.Joonis (andmed = andmed, paigutus = paigutus)
py.iplot (joonis)
Ülaloleva koodilõigu käivitamisel näeme midagi sellist:
Pirukad koos Plotlyga
Nüüd proovime koostada Plotly abil sektordiagrammi, mis määrab naiste ülikoolide protsentuaalse erinevuse kõigis ülikoolides. Ülikoolide nimeks saavad sildid ja terviku protsendi arvutamiseks kasutatakse tegelikke numbreid. Siin on sama koodilõik:
jälg = mine.Pirukas (sildid = df.Kool, väärtused = df.Naised)py.iplot ([jälg], failinimi = 'pie')
Ülaloleva koodilõigu käivitamisel näeme midagi sellist:
Hea on see, et Plotlyl on palju suumimise ja vähendamise funktsioone ning palju muid tööriistu koostatud diagrammiga suhtlemiseks.
Aegridade andmete visualiseerimine Plotly abil
Aegridade andmete visualiseerimine on üks olulisemaid ülesandeid, mis tuleb ette siis, kui olete andmeanalüütik või andmetöötlusinsener.
Selles näites kasutame samas GitHubi hoidlas eraldi andmekogumit, kuna varasemad andmed ei hõlmanud spetsiaalselt ajatempliga andmeid. Nagu siin, joonistame ka Apple'i turuvaru variatsiooni aja jooksul:
rahaline = pd.read_csv ("https: // toores.githubusercontent.com / plotly / datasets / master /rahandus-graafikud-õun.csv ")
andmed = [mine.Hajumine (x = rahaline.Kuupäev, y = rahaline ['AAPL.Sulge'])]
py.iplot (andmed)
Ülaloleva koodilõigu käivitamisel näeme midagi sellist:
Kui hõljutate kursorit graafiku variatsioonijoone kohal, saate täpsustada punktide üksikasju:
Saame kasutada suumimis- ja vähendamisnuppe, et näha ka igale nädalale omaseid andmeid.
OHLC diagramm
OHLC (Open High Low close close) diagrammi kasutatakse üksuse variatsiooni kuvamiseks kogu ajavahemiku jooksul. PyPloti abil on seda lihtne üles ehitada:
alates datetime impordi datetimeavatud_andmed = [33.0, 35.3, 33.5, 33.0, 34.1]
suured_andmed = [33.1, 36.3, 33.6, 33.2, 34.8]
madalad andmed = [32.7, 32.7, 32.8, 32.6, 32.8]
sule_andmed = [33.0, 32.9, 33.3, 33.1, 33.1]
kuupäevad = [kuupäev (aasta = 2013, kuu = 10, päev = 10),
kuupäevaaeg (aasta = 2013, kuu = 11, päev = 10),
kuupäevaaeg (aasta = 2013, kuu = 12, päev = 10),
kuupäevaaeg (aasta = 2014, kuu = 1, päev = 10),
kuupäevaaeg (aasta = 2014, kuu = 2, päev = 10)]
jälg = mine.Ohlc (x = kuupäevad,
avatud = avatud_andmed,
kõrge = suur_andmed,
madal = madal_andmed,
lähedal = lähedal_andmed)
andmed = [jälg]
py.iplot (andmed)
Siin oleme esitanud mõned prooviandmete punktid, mida võib järeldada järgmiselt:
- Avatud andmed kirjeldavad aktsia määra turu avanemisel
- Kõrged andmed kirjeldavad kõrgeimat aktsiakurssi, mis on saavutatud antud ajaperioodi jooksul
- Madalad andmed kirjeldavad madalaimat aktsiakurssi, mis on saavutatud antud ajaperioodi jooksul
- Lähedased andmed kirjeldavad sulgemisvaru määra, kui antud ajaintervall oli möödas
Käivitame nüüd ülaltoodud koodilõigu. Ülaloleva koodilõigu käivitamisel näeme midagi sellist:
See on suurepärane võrdlus selle kohta, kuidas luua üksuse ajalisi võrdlusi oma omadega ning võrrelda seda tema kõrgete ja madalate saavutustega.
Järeldus
Selles tunnis vaatasime veel üht visualiseerimisraamatukogu, Plotly, mis on suurepärane alternatiiv Matplotlibile tootmisklassi rakendustes, mis on avatud veebirakendustena. Plotly on väga dünaamiline ja funktsioonirikas raamatukogu, mida saab tootmiseks kasutada, nii et see on kindlasti oskus, mis meil peab olema vöö all.
Githubist leiate kõik selles õppetükis kasutatud lähtekoodi. Palun jagage oma tagasisidet õppetunni kohta Twitteris @sbmaggarwal ja @LinuxHint.
