在本文中，我們將學習如何在Python中創建交互式可視化。我們將從僅僅以不同格式繪制數據開始，然后再探索添加更多交互式控件。

今天，我們將學習如何使用Plotly express。Plotly允許用戶在肉眼可見的可視化界面上進行數據交互，并且與Web內容集成起來要容易得多。

plotly express簡介

plotly express是 plotly 包裝器，它允許使用更簡單的語法。

受Seaborn和ggplot2的啟發，它經過專門設計，具有簡潔、一致且易于學習的API：只需一次導入，你就可以在一個函數調用中創建豐富的交互式圖，包括刻面、地圖、動畫和趨勢線。

如果你想了解更多信息，可訪問Plotly的官方文檔：
https://medium.com/plotly/introducing-plotly-express-808df010143d

只需要兩行代碼，你就可以擁有一個漂亮的交互式圖表，非常簡單：

import plotly.express as px  
fig = px.line(x='x data set', y= 'y data set')  
fig.show()  

數據來源及準備

在本文中，我們將使用COVID-19數據集。

我們將使用以下代碼來獲取和格式化數據：

import plotly.express as px  
import numpy as np  
import pandas as pd  
url = 'https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv'  
df = pd.read_csv(url, delimiter=',', header='infer')  
df_interest = df.loc[  
df['Country/Region'].isin(['United Kingdom', 'US', 'Italy', 'Brazil', 'India'])  
& df['Province/State'].isna()]  
df_interest.rename(  
index=lambda x: df_interest.at[x, 'Country/Region'], inplace=True)  
df1 = df_interest.transpose()  
df1 = df1.drop(['Province/State', 'Country/Region', 'Lat', 'Long'])  
df1 = df1.loc[(df1 != 0).any(1)]  
df1.index = pd.to_datetime(df1.index)  
df1 = df1.diff() #數據每日變化  

創建圖表

1、線圖

要在圖形上添加一個國家的疫情數據可視化，我們只需要兩行代碼：

fig = px.line(x=df1.index, y= df1[df1.columns[0]],title = 'Daily Deaths due to COVID-19', name = df1.columns[0])  
fig.show()  

要添加更多國家的數據，我們需要.add_scatter（）屬性。通過使用循環，我們可以添加所有范圍內的國家。

fig = px.line()  
for i,n in enumerate(df1.columns):  
fig.add_scatter(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i])  

最后，我們可以考慮在圖中添加更多的細節，個人喜歡在圖中突出顯示不同的數據點。

fig.update_traces(mode='markers+lines')  

最后，添加相關的軸標簽，設置字體大小并替換默認模板。

fig.update_layout(  
title = 'Daily Deaths due to COVID-19'  
,xaxis_title = 'Dates'  
,yaxis_title = 'Number of Deaths'  
,font = dict(size = 25)  
,template = 'plotly_dark' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  
)  

2、條形圖

正如我們之前看到的，條形圖可以很快就可以組合起來：

fig = px.bar(x=df1.index, y= df1[df1.columns[0]])  
for i,n in enumerate(df1.columns):  
fig.add_bar(x=df1.index, y= df1[df1.columns[i]], name= df1.columns[i])  
fig.update_layout(  
title = 'Daily Deaths due to COVID-19'  
,xaxis_title = 'Dates'  
,yaxis_title = 'Number of Deaths'  
,font = dict(size = 25)  
,template = 'plotly_dark' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  
)  
fig.show()  

3、餅狀圖

和以前一樣，唯一的區別是我們只顯示時間序列中的最新一天。

df1 = df1.tail(1).transpose()  
fig = px.pie(df1, values = str(df1.columns[0]), names = df1.index)  
fig.update_traces(textposition='inside', textinfo = 'percent+label')  
ddate = str(df1.columns[0])[:10] #時間戳  
fig.update_layout(  
title = f'Deaths on {ddate} due to COVID-19'  
,xaxis_title = 'Dates'  
,yaxis_title = 'Number of Deaths'  
,font = dict(size = 25)  
,template = 'seaborn' #"plotly", "plotly_white", "plotly_dark", "ggplot2", "seaborn", "simple_white", "none"  
)  
fig.show()  

交互控件

通過上文，我們知道了如何快速地將不同類型的可視化組合在一起，接下來我們用交互控件來增強數據的可視化。

1、范圍滑塊

首先，通過下面的一行代碼來添加一個范圍滑塊，這是一個很好用的控件，讓用戶看到自己控制想看的特定部分。

fig.update_xaxes(rangeslider_visible=True)  

2、范圍焦點

如果我們的用戶只想關注某個時間段里的某些部分呢？我們可以直接建立這些控件！

 fig.update_xaxes(  
rangeslider_visible=True,  
rangeselector=dict(  
buttons=list([  
dict(count=7, label="1w", step="day", stepmode="backward"),  
dict(count=1, label="1m", step="month", stepmode="backward"),  
dict(count=2, label="2m", step="month", stepmode="backward"),  
dict(step="all")  
]),  
font = dict( color='#008000', size = 11),  
)  
)  

3、自定義按鈕

在體驗了上面的范圍焦點功能后，我們可以很容易想象到如何構建自定義按鈕。Plotly express 以一種簡單的方式滿足了這一需求。讓我們看看定制按鈕，把重點放在個別國家上。

fig.update_layout(  
updatemenus=[  
dict(  
type="buttons",  
direction="right",  
active=0,  
x=0.5,  
y=1.03,  
buttons=list([  
dict(label=df1.columns[0],  
method="update",  
args=[ {"visible": [True, False, False, False, False]},  
{'showlegend' : True}  
]),  
dict(label=df1.columns[1],  
method="update",  
args=[ {"visible": [False, True, False, False, False]},  
{'showlegend' : True}  
]),  
dict(label=df1.columns[2],  
method="update",  
args=[ {"visible": [False, False, True, False, False]},  
{'showlegend' : True}  
]),  
dict(label=df1.columns[3],  
method="update",  
args=[ {"visible": [False, False, False, True, False]},  
{'showlegend' : True}  
]),  
dict(label=df1.columns[4],  
method="update",  
args=[ {"visible": [False, False, False, False, True]},  
{'showlegend' : True}  
]),  
dict(label='All',  
method="update",  
args=[ {"visible": [True, True, True, True, True]},  
{'showlegend' : True}  
]),  
]),  
)  
]  
)  

4、下拉式菜單

如果你想在可視化數據中，獲得一個下拉菜單，就像注釋掉一行代碼一樣簡單。在這里，你只需注釋掉“type=”buttons“就可以：

結論

Plotly express絕對是一個非常棒的數據可視化工具，它非常容易獲取，使用起來也非常像Python。在這篇文章里，我們只是簡單地描述了它所提供的功能。我鼓勵你進一步探索這個Python庫，因為它具有無限可能性！