Top 5 Python 數據可視化技術
掌握這五種高級可視化圖表將使數據可視化變得容易。這些庫互為補充，以最大化數據表達。
和弦圖 (Chord Diagram)
和弦圖創造性地展示了數據點之間復雜的關系。節點圍繞一個圓圈排列，通過弧線連接。弧線的長度反映了連接值，其粗細表示關系的重要性。顏色對數據進行分類，使比較變得容易。廣泛應用于各個領域，特別是在可視化遺傳數據方面。
以下是一個使用 Holoviews & Bokeh 創建顯示五個國家之間貿易關系的和弦圖的示例。
import holoviews as hv
from holoviews import opts
import pandas as pd
import numpy as np
hv.extension('bokeh')
# Sample matrix representing the export volumes between 5 countries
export_data = np.array([[0, 50, 30, 20, 10],
[10, 0, 40, 30, 20],
[20, 10, 0, 35, 25],
[30, 20, 10, 0, 40],
[25, 15, 30, 20, 0]])
labels = ['USA', 'China', 'Germany', 'Japan', 'India']
# Creating a pandas DataFrame
df = pd.DataFrame(export_data, index=labels, columns=labels)
df = df.stack().reset_index()
df.columns = ['source', 'target', 'value']
# Creating a Chord object
chord = hv.Chord(df)
# Styling the Chord diagram
chord.opts(
opts.Chord(
cmap='Category20', edge_cmap='Category20',
labels='source', label_text_font_size='10pt',
edge_color='source', node_color='index',
width=700, height=700
)
).select(value=(5, None))
# Display the plot
chord
參考鏈接：
- https://holoviews.org/reference/elements/matplotlib/Chord.html
- https://github.com/moshi4/pyCirclize
Sunburst Chart
Sunburst Chart 通過清晰展示層次數據，超越了傳統的餅圖和環圖。它使用同心圓，每個圓代表層次中的一級。中心是根，扇形表示節點。每個扇形的大小反映了它的值，直觀地理解數據的重要性。在可視化文件系統層次結構、用戶導航路徑、市場細分和遺傳數據方面非常有用。以下是一個使用 Plotly 庫創建Sunburst Chart 的示例。
import plotly.express as px
import numpy as np
df = px.data.gapminder().query("year == 2007")
fig = px.sunburst(df, path=['continent', 'country'],
values='pop',
color='lifeExp',
hover_data=['iso_alpha'],
color_continuous_scale='RdBu',
color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()
參考鏈接：https://plotly.com/python/sunburst-charts/
六邊形分箱圖 (Hexbin Plot)
六邊形分箱圖，或稱六邊形分箱，對于可視化二維數據分布非常有效，特別是當數據點密集時。它將數據空間劃分為六邊形箱，顏色表示每個箱中的點數，清晰地表示數據分布。
以下是一個使用 Python 和 Matplotlib 創建六邊形分箱圖的示例，展示了空氣質量指數 (AQI) 與醫院訪問之間的相關性。
import numpy as np
import matplotlib.pyplot as plt
from mplhexbin import HexBin
# Simulated data
np.random.seed(0) # Ensure reproducibility
n_points = 10000
x = np.random.rand(n_points) * 100 # Air Quality Index (AQI) range from 0 to 100
y = 5 * np.sin(x * np.pi / 50) + np.random.randn(n_points) * 15 # Simulated hospital visits, related to AQI but with noise
# Create a new figure
fig, ax = plt.subplots(figsize=(10, 8))
# Use HexBin to create a hexagonal bin plot
hb = HexBin(ax, gridsize=20, cmap='viridis', extent=[0, 100, -30, 50]) # Set grid size, colormap, and range
hb.hexbin(x, y, mincnt=1) # Draw the hexagonal bin plot, mincnt sets the minimum count threshold
# Add title and axis labels
ax.set_title('Relationship between Air Quality Index (AQI) and Hospital Visits')
ax.set_xlabel('Air Quality Index (AQI)')
ax.set_ylabel('Hospital Visits')
# Show the figure
plt.colorbar(hb.cmap, ax=ax, label='Number of Data Points') # Add color bar and set label
plt.show()
參考鏈接：https://matplotlib.org/stable/gallery/statistics/hexbin_demo.html
桑基圖 (Sankey Diagram)
桑基圖可視化數據流，非常適合能源、材料和財務數據。以 Matthew Henry Phineas Riall Sankey 命名，它顯示了系統各階段或部分之間的流量。節點寬度與流量數量成比例，易于理解數據規模和方向。
以下是一個使用 Python 創建桑基圖的示例，展示了從生產源頭到小城市消費者的能量流。
import plotly.graph_objects as go
labels = ["Coal", "Solar", "Wind", "Nuclear", "Residential", "Industrial", "Commercial"]
source = [0, 1, 2, 3, 0, 1, 2, 3]
target = [4, 4, 4, 4, 5, 5, 5, 5]
value = [25, 10, 40, 20, 30, 15, 25, 35]
# Create the Sankey diagram object
fig = go.Figure(data=[go.Sankey(
node=dict(
pad=15,
thickness=20,
line=dict(color="black", width=0.5),
label=labels
),
link=dict(
source=source,
target=target,
value=value
))])
fig.update_layout(title_text="Energy Flow in Model City", font_size=12)
fig.show()
參考鏈接：https://plotly.com/python/sankey-diagram/
流圖 (Stream Graph, 主題河流)
流圖類似于河流，描繪了隨時間的變化。顏色區分類別，而“河流”的寬度表示每個類別的值。它直觀地展示趨勢和關系，易于理解數據動態。
以下是一個使用 Altair 庫創建流圖的示例。
import altair as alt
from vega_datasets import data
source = data.unemployment_across_industries.url
alt.Chart(source).mark_area().encode(
alt.X('yearmonth(date):T',
axis=alt.Axis(format='%Y', domain=False, tickSize=0)
),
alt.Y('sum(count):Q', stack='center', axis=None),
alt.Color('series:N',
scale=alt.Scale(scheme='category20b')
)
).interactive()
參考鏈接：https://altair-viz.github.io/gallery/streamgraph.html
