作者：俊欣
来源：关于数据分析与可视化
相信大家对一些常规的可视化图表都比较熟悉了，例如像是折线图、柱状图、饼图等等，今天小编通过Plotly Express模块来为大家绘制几个不常见但是特别惊艳的图表。
SunBurst Chart
SunBurst Chart大家一般称作是旭日图或者是太阳图，和饼图的结构十分地相似，但是比后者更加能表达清晰的层级和归属关系。在旭日图当中，离圆点越近表示级别就越高，相邻两层中是内层包含外层的关系。
在实际项目当中使用旭日图，不仅数据直观，而且图表使用起来特别的酷炫，可以迅速地拉高数据汇报的颜值。代码如下
import plotly.express as pxnimport numpy as npndf = px.data.gapminder().query("year == 2002")nfig = px.sunburst(df, path=['continent', 'country'], values='pop',n color='lifeExp', hover_data=['iso_alpha'],n color_continuous_scale='RdBu',n color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))nfig.show()n
output
当中的textinfo参数来调整标签的表达形式，例如以百分比的形式来显示所占的比例，代码如下
fig = px.sunburst(...和上面的代码一样...)nfig.update_traces(n textinfo="label+percent entry"n)nfig.show()n
output
Treemap
树形图(Treemap)适用于层级结构更加鲜明的数据当中，在一个树形图中，图表被分割成了若干个矩形，其中矩形的大小有数值的大小而定，我们来看一下具体的代码实现
fig = px.treemap(df, path=[px.Constant("world"), 'continent', 'country'], values='pop',n color='lifeExp', hover_data=['iso_alpha'],n color_continuous_scale='RdBu',n color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))nfig.update_layout(margin = dict(t=50, l=25, r=25, b=25))nfig.show()n
output
Polar Charts
在plotly.express模块当中，我们既可以在极坐标图当中添加散点，也可以在上面放置折线，其中极坐标中的散点图调用的是px.scatter_polar()方法来实现，代码如下
import plotly.express as pxndf = px.data.wind()nfig = px.scatter_polar(df, r="frequency", theta="direction",n color="strength", symbol="strength", size="frequency",n color_discrete_sequence=px.colors.sequential.Plasma_r)nfig.show()n
output
极坐标中的折线图调用的则是px.line_polar()方法，代码如下
fig = px.line_polar(df, r="frequency", theta="direction", color="strength", line_close=True,n color_discrete_sequence=px.colors.sequential.Plasma_r,n template="plotly_dark",)nfig.show()n
output
Gantt Charts
甘特图(Gantt Charts)被用来表示项目工程的进展十分有帮助，其中纵轴表示的是项目的名称，横轴表示的是日期，能够非常直观地表达项目的周期以及进展，代码如下
df = pd.DataFrame([n dict(Task="Job A", Start='2009-01-01', Finish='2009-02-28'),n dict(Task="Job B", Start='2009-03-05', Finish='2009-04-15'),n dict(Task="Job C", Start='2009-02-20', Finish='2009-05-30')n])nndf.head()n
output
数据当中有项目的开始日期和结束日期，然后我们调用px.timeline方法来绘制成桑基图，代码如下
fig = px.timeline(df, x_start="Start", x_end="Finish", y="Task")nfig.update_yaxes(autorange="reversed")nfig.show()n
output
当然要是不同的项目由不用的人来负责，我们也可以在图表上面标注出来，代码如下
df = pd.DataFrame([n dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-28', PorjectManager="小王"),n dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', PorjectManager="小王"),n dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', PorjectManager="小李")n])nnfig = px.timeline(df, x_start="StartDate", x_end="Finish", y="Task", color="PorjectManager")nfig.update_yaxes(autorange="reversed")nfig.show()n
output
当然项目的完成进度也可以在图表上面表示出来，代码如下
df = pd.DataFrame([n dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-25', Completion_pct=60),n dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', Completion_pct=40),n dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', Completion_pct=75)n])nnfig = px.timeline(df, x_start="StartDate", x_end="FinishDate", y="Task", color="Completion_pct")nfig.update_yaxes(autorange="reversed")nfig.show()n
output
Map
在plotly.express模块当中绘制地图也是十分的简单，例如我们绘制的是地图当中的散点图，调用的是scatter_geo()方法，代码如下
df = px.data.gapminder().query("year == 2002")nfig = px.scatter_geo(df, locations="iso_alpha",n size="pop",n )nfig.show()n
output
我们可以在此基础之上再进一步进行图表的美化，例如不同的国家表示不同的州用不同颜色的散点来表示，代码如下
fig = px.scatter_geo(df, locations="iso_alpha",n color="continent", n hover_name="country", n size="pop", n projection="natural earth")nfig.show()n
output
以及分级统计图(Choropleth map)，具体指的是在整个制图区域内，每个区划单元根据各分区划分出来的数量来进行分级，调用的是px.choropleth()方法
fig = px.choropleth(df, geojson=geojson, color="Bergeron",n locations="district", featureidkey="properties.district",n projection="mercator"n )nfig.update_geos(fitbounds="locations", visible=False)nfig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})nfig.show()n
output
