python 动态图表：热力图

热力图是一种通过对色块着色来显示数据的统计图表。绘图时需要指定颜色映射的规则。例如较大的值由较深的颜色表示，而较小的值由较浅的颜色表示等等。热力图适用于查看总体的情况，发现异常值、显示多个变量之间的差异，以及检测它们之间是否存在任何相关性。

我们这里来尝试绘制一张简单的热力图，代码如下

from d3blocks import D3Blocks

# 初始化
d3 = D3Blocks()

# 导入数据集
df = d3.import_example(energy)

# 绘制热力图
d3.heatmap(df, showfig=True, stroke=red, vmax=10, figsize=(700,700))

output

python 动态图表：粒子图

在D3Blocks模块当的particles()方法可以方便我们将任何字体转换成带有动态效果的粒子图，跟随着鼠标的移动，图表中的元素也会动态的起伏飞舞，代码如下

# 导入模块
from d3blocks import D3Blocks

# 初始化
d3 = D3Blocks()

# 绘制粒子图
d3.particles(D3Blocks, collision=0.05, spacing=10, figsize=[1200, 500])

output

python 动态图表：时间序列图

时间序列的折线图，又被称为是趋势图，是以时间为横轴，观察变量为纵轴，用来反映时间与数量之间的关系，这里我们调用的是timeseries()方法，代码如下

# 导入模块
from d3blocks import D3Blocks

# 初始化
d3 = D3Blocks()

# 导入数据集
df = d3.import_example(climate)

# 打印出前面5行
print(df.head())

# 绘制图表
d3.timeseries(df, datetime=date, dt_format=%Y-%m-%d %H:%M:%S, fontsize=10)

output

python 动态图表：桑基图

桑基图是用于描述一组值到另一组值的流向的图表。在图表的内部，不同的线条代表了不同的流量分流情况，线条的宽度代表此分值所代表的数据大小。通常用于能源、材料成分、金融等数据的可视化分析。这里我们调用的是sankey()方法来实现，代码如下

from d3blocks import D3Blocks

# 初始化
d3 = D3Blocks()

# 导入数据集
df = d3.import_example(energy)

# 绘制图表
d3.sankey(df, link={"color": "source-target"})

output

python 动态图表：小提琴图

小提琴图可以用来绘制数据的分布以及其概率密度，针对的是数值型的变量，这种图表结合了箱型图和密度图的特征，主要用来显示数据的分布形状。这里我们调用violin()方法来实现，代码如下

# 导入模块
from d3blocks import D3Blocks

# 初始化
d3 = D3Blocks()

# 导入数据集
df = d3.import_example(cancer)

# 显示的格式
tooltip = df[labels].values +  <br /> Survival:  + df[survival_months].astype(str).values

# 可视化图表
d3.violin(x=df[labels].values, # X轴上的值
          y=df[age].values,    # 年龄
          tooltip=tooltip,       # 显示的格式
          bins=50,               # bins的大小
          size=df[survival_months].values/10, # 点状的大小
          x_order=[acc, kich, brca, lgg, blca, coad, ov], # X轴的上的值
          figsize=[None, None],                                    # 图表的大小
          filepath=violine_demo.html)

output

python 动态图表：散点图

散点图通常用于查看X轴与Y轴之间是否有关联，它的绘制，我们这里调用的是scatter()方法，代码如下

# 导入模块
from d3blocks import D3Blocks

# 初始化
d3 = D3Blocks()

# 导入数据集
df = d3.import_example(cancer)

# 显示数据的格式
tooltip=df[labels].values +  <br /> Survival:  + df[survival_months].astype(str).str[0:4].values
# 散点的大小
size = df[survival_months].fillna(1).values / 10

# 绘制图表
d3.scatter(df[x].values,               
           df[y].values,            
           x1=df[PC1].values,         
           y1=df[PC2].values,         
           scale=True,                  
           label_radio=[tSNE, PCA], # 不同标签的种类
           size=size,                   
           color=df[labels].values,   
           stroke=#000000,            
           opacity=0.4,                 # 透明度
           tooltip=tooltip,             # 显示的格式
           cmap=tab20,                # 颜色
           filepath=c://temp//scatter_demo.html)

output

上一篇: wps excel数据分析工具在哪里？这篇文章带你轻松找到！——九数云BI
下一篇: 如何做BI数据分析？1篇文章告诉你！——九数云BI