今天就帶你深入體驗易于使用、文檔健全、功能強大的開(kāi)源 Python 繪圖庫 Plotly，教你如何用超簡(jiǎn)單的（甚至只要一行！）代碼，繪制出更棒的圖表。

“沉沒(méi)成本謬誤”是人們常犯的幾種認知偏差之一：由于在某件事上已經(jīng)投入了（“沉沒(méi)”）太多的成本，即使這件事已經(jīng)注定要失敗，人們傾向于繼續投入更多的時(shí)間和金錢(qián)。

比如，在不好的職位上待了比正常更長(cháng)的時(shí)間，在一個(gè)明顯不可能的項目上埋頭苦干，以及（你猜的沒(méi)錯）繼續用一個(gè)陳舊、枯燥的繪圖庫——matplotlib——即使已經(jīng)有了更高效、更美觀(guān)、可互動(dòng)性更好的替代品了。

我之前一直守著(zhù) matplotlib 用的原因，就是為了我學(xué)會(huì )它復雜的語(yǔ)法，已經(jīng)“沉沒(méi)"在里面的幾百個(gè)小時(shí)的時(shí)間成本。這也導致我花費了不知多少個(gè)深夜，在 StackOverflow 上搜索如何“格式化日期”或“增加第二個(gè)Y軸”。

但我們現在有一個(gè)更好的選擇了 —— 比如易于使用、文檔健全、功能強大的開(kāi)源 Python 繪圖庫 Plotly。今天就帶你深入體驗下，了解它如何用超簡(jiǎn)單的（甚至只要一行?。┐a，繪制出更棒的圖表。

* 本文中所有代碼都已經(jīng)在 Github 上開(kāi)源，所有的圖表都是可交互的，請使用NBViewer查看 。

（Github 源代碼地址：https://github.com/WillKoehrsen/Data-Analysis/blob/master/plotly/Plotly%20Whirlwind%20Introduction.ipynb）

（plotly 繪制的范例圖表。圖片來(lái)源：plot.ly）

plotly 的 Python 軟件包是一個(gè)開(kāi)源的代碼庫，它基于 plot.js，而后者基于 d3.js。我們實(shí)際使用的則是一個(gè)對 plotly 進(jìn)行封裝的庫，名叫 cufflinks，它能讓你更方便地使用 plotly 和 Pandas 數據表協(xié)同工作。

*注：Plotly 本身是一個(gè)擁有多個(gè)不同產(chǎn)品和開(kāi)源工具集的可視化技術(shù)公司。Plotly 的 Python 庫是可以免費使用的，在離線(xiàn)模式可以創(chuàng )建數量不限的圖表，在線(xiàn)模式因為用到了 Plotly 的共享服務(wù)，只能生成并分享 25 張圖表。

本文中的所有可視化圖表都是在 Jupyter Notebook 中使用離線(xiàn)模式的 plotly + cufflinks 庫完成的。在使用 pip install cufflinks plotly 完成安裝后，你可以用下面這樣的代碼在 Jupyter 里完成導入：

單變量分析圖往往是開(kāi)始數據分析時(shí)的標準做法，而柱狀圖基本上算是單變量分布分析時(shí)必備的圖表之一（雖然它還有一些不足）。

就拿博客文章點(diǎn)贊總數為例（原始數據見(jiàn) Github：https://github.com/WillKoehrsen/Data-Analysis/tree/master/medium ），做一個(gè)簡(jiǎn)單的交互式柱狀圖：

（代碼中的 df 是標準的 Pandas dataframe 對象）

（使用 plotly+cufflinks 創(chuàng )建的交互式柱狀圖）

對于已經(jīng)習慣 matplotlib 的同學(xué)，你們只需要多打一個(gè)字母（把 .plot 改成 .iplot ），就能獲得看起來(lái)更加美觀(guān)的交互式圖表！點(diǎn)擊圖片上的元素就能顯示出詳細信息、隨意縮放，還帶有（我們接下來(lái)會(huì )提到的）高亮篩選某些部分等超棒功能。

如果你想繪制堆疊柱狀圖，也只需要這樣：

對 pandas 數據表進(jìn)行簡(jiǎn)單的處理，并生成條形圖：

就像上面展示的那樣，我們可以將 plotly + cufflinks 和 pandas 的能力整合在一起。比如，我們可以先用 .pivot() 進(jìn)行數據透視表分析，然后再生成條形圖。

比如統計不同發(fā)表渠道中，每篇文章帶來(lái)的新增粉絲數：

交互式圖表帶來(lái)的好處是，我們可以隨意探索數據、拆分子項進(jìn)行分析。箱型圖能提供大量的信息，但如果你看不到具體數值，你很可能會(huì )錯過(guò)其中的一大部分！

散點(diǎn)圖是大多數分析的核心內容，它能讓我們看出一個(gè)變量隨著(zhù)時(shí)間推移的變化情況，或是兩個(gè)（或多個(gè)）變量之間的關(guān)系變化情況。

在現實(shí)世界中，相當部分的數據都帶有時(shí)間元素。幸運的是，plotly + cufflinks 天生就帶有支持時(shí)間序列可視化分析的功能。

以我在“Towards Data Science”網(wǎng)站上發(fā)表的文章數據為例，讓我們以發(fā)布時(shí)間為索引構建一個(gè)數據集，看看文章熱度的變化情況：

在上圖中，我們用一行代碼完成了幾件事情：

• 自動(dòng)生成美觀(guān)的時(shí)間序列 X 軸

• 增加第二條 Y 軸，因為兩個(gè)變量的范圍并不一致

• 把文章標題放在鼠標懸停時(shí)顯示的標簽中

為了顯示更多數據，我們可以方便地添加文本注釋?zhuān)?/p>

（帶有文本注釋的散點(diǎn)圖）

下面的代碼中，我們將一個(gè)雙變量散點(diǎn)圖按第三個(gè)分類(lèi)變量進(jìn)行著(zhù)色：

接下來(lái)我們要玩點(diǎn)復雜的：對數坐標軸。我們通過(guò)指定 plotly 的布局（layout）參數來(lái)實(shí)現這一點(diǎn)（關(guān)于不同的布局，請參考官方文檔 https://plot.ly/python/reference/ ），同時(shí)我們把點(diǎn)的尺寸（size參數）和一個(gè)數值變量 read_ratio （閱讀比例）綁定，數字越大，泡泡的尺寸也越大。

如果想要更復雜一些（詳見(jiàn) Github 的源代碼），我們甚至可以在一張圖里塞進(jìn) 4 個(gè)變量?。ㄈ欢⒉煌扑]你們真的這么搞）

和前面一樣，我們可以將 pandas 和 plotly+cufflinks 結合起來(lái)，實(shí)現許多有用的圖表：

建議你查看官方文檔，或者源代碼，里面有更多的范例和函數實(shí)例。只需要簡(jiǎn)單的一兩行代碼，就可以為你的圖表加上文字注釋?zhuān)o助線(xiàn)，最佳擬合線(xiàn)等有用的元素，并且保持原有的各種交互式功能。

高級繪圖功能

接下來(lái)，我們要詳細介紹幾種特殊的圖表，平時(shí)你可能并不會(huì )很經(jīng)常用到它們，但我保證只要你用好了它們，一定能讓人刮目相看。我們要用到 plotly 的 figure_factory 模塊，只需要一行代碼，就能生成超棒的圖表！

假如我們要探索許多不同變量之間的關(guān)系，散點(diǎn)圖矩陣（也被稱(chēng)為SPLOM）就是個(gè)很棒的選擇：

即使是這樣復雜的圖形，也是完全可交互的，讓我們能更詳盡地對數據進(jìn)行探索。

為了體現多個(gè)數值變量間的關(guān)系，我們可以計算它們的相關(guān)性，然后用帶標注熱度圖的形式進(jìn)行可視化：

除了層出不窮的各種圖表外，Cufflinks 還提供了許多不同的著(zhù)色主題，方便你輕松切換各種不同的圖表風(fēng)格。下面兩張圖分別是“太空”主題和“ggplot”主題：

此外，還有 3D 圖表（曲面和泡泡）：

對有興趣研究的用戶(hù)來(lái)說(shuō)，做張餅圖也不是什么難事：

當你在 Jupyter Notebook 里生成了這些圖表之后，你將會(huì )發(fā)現圖表的右下角出現了一個(gè)小小的鏈接，寫(xiě)著(zhù)“Export to plot.ly（發(fā)布到 plot.ly）”。如果你點(diǎn)擊這個(gè)鏈接，你將會(huì )跳轉到一個(gè)“圖表工坊”（https://plot.ly/create/）。

在這里，你可以在最終展示之前進(jìn)一步修改和潤色你的圖表?？梢蕴砑訕俗?，選擇某些元素的顏色，把一切都整理清楚，生成一個(gè)超棒的圖表。之后，你還可以將它發(fā)布到網(wǎng)絡(luò )上，生成一個(gè)供其他人查閱的鏈接。

下面兩張圖是在圖表工坊里制作的：

講了這么多，看都看累了吧？然而我們還并沒(méi)有窮盡這個(gè)庫的所有功能。限于篇幅，有些更棒的圖表和范例，只好請大家訪(fǎng)問(wèn) plotly 和 cufflinks 的官方文檔去一一查看咯。

（Plotly 交互式地圖，顯示了美國國內的風(fēng)力發(fā)電場(chǎng)數據。來(lái)源：plot.ly）

關(guān)于沉沒(méi)成本謬誤，最糟糕的一點(diǎn)在于，人們往往只能在放棄之前的努力時(shí)，才能意識到自己浪費了多少時(shí)間。

在選擇一款繪圖庫的時(shí)候，你最需要的幾個(gè)功能有：

從現在看來(lái)，要用 Python 語(yǔ)言實(shí)現以上功能的最佳選擇非 plotly 莫屬。它讓我們快速生成可視化圖表，交互功能使我們更好地理解信息。

我承認，繪圖絕對是數據科學(xué)工作中最讓人享受的部分，而 plotly 能讓你更加愉悅地完成這些任務(wù)。

（用一張圖表顯示一下用 Python 繪圖的愉悅程度隨著(zhù)時(shí)間變化。來(lái)源 towardsdatascience.com）