五個Python數據可視化技巧，繪制更漂亮的數據圖
在數據驅動決策的時代，數據可視化是挖掘數據價值的重要一環。今天，安利大家五種極為實用的高級可視化圖表，從原理到代碼實現，一站式帶你搞定！
7 Best Python Visualization Techniques for EDA: Enhance Insights | by Meng Li | Top Python Libraries | Medium
1.和弦圖
和弦圖以富有創意的方式呈現數據點間的復雜關系。
在和弦圖中，節點環繞成一個圓形，通過弧線彼此相連。弧長對應連接值的大小，而弧線的粗細則直觀體現關系的重要程度。同時，利用不同顏色對數據進行分類，方便用戶進行對比分析。
因其強大的關系展示能力，和弦圖被廣泛應用于眾多領域，在基因數據可視化方面表現尤為突出。
圖片
下面用 Holoviews 和 Bokeh 庫，來創建一個展示五個國家貿易關系的和弦圖。
import holoviews as hv
from holoviews import opts
import pandas as pd
import numpy as np
hv.extension('bokeh')
# 代表5個國家之間出口量的示例矩陣
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 = ['美國', '中國', '德國', '日本', '印度']
# 創建一個pandas DataFrame
df = pd.DataFrame(export_data, index=labels, columns=labels)
df = df.stack().reset_index()
df.columns = ['來源', '目標', '數值']
# 創建一個Chord對象
chord = hv.Chord(df)
# 對和弦圖進行樣式設置
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))
# 顯示圖表
chord
圖片
2.旭日圖
旭日圖超越了傳統的餅圖和環形圖，能夠清晰展示層次結構數據。
旭日圖用同心圓表示不同層級，中心是根節點，扇形代表具體節點。扇形大小和數據值掛鉤，數據重要程度一目了然。
在可視化文件系統層級結構、用戶導航路徑、市場細分和基因數據等方面很有用。
下面是使用Plotly庫創建旭日圖的示例。
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()
圖片
3.六邊形熱力圖
圖片
六邊形熱力圖（Hexbin Plot），即六邊形分箱圖，在可視化二維數據分布方面非常有效，尤其適用于數據點密集的情況。它將數據空間劃分為六邊形單元格，單元格顏色表示其中數據點的數量，能清晰呈現數據的分布情況。
下面是使用Python和Matplotlib創建六邊形熱力圖的示例，展示空氣質量指數（AQI）和醫院就診人數之間的相關性。
import numpy as np
import matplotlib.pyplot as plt
from mplhexbin import HexBin
# 模擬數據
np.random.seed(0) # 確保結果可復現
n_points = 10000
x = np.random.rand(n_points) * 100# 空氣質量指數（AQI）取值范圍為0到100
y = 5 * np.sin(x * np.pi / 50) + np.random.randn(n_points) * 15# 模擬的醫院就診人數，與AQI相關但存在噪聲
# 創建一個新的圖形
fig, ax = plt.subplots(figsize=(10, 8))
# 使用HexBin創建六邊形分箱圖
hb = HexBin(ax, gridsize=20, cmap='viridis', extent=[0, 100, -30, 50]) # 設置網格大小、顏色映射和范圍
hb.hexbin(x, y, mincnt=1) # 繪制六邊形分箱圖，mincnt設置最小計數閾值
# 添加標題和軸標簽
ax.set_title('空氣質量指數（AQI）與醫院就診人數之間的關系')
ax.set_xlabel('空氣質量指數（AQI）')
ax.set_ylabel('醫院就診人數')
# 顯示圖形
plt.colorbar(hb.cmap, ax=ax, label='數據點數量') # 添加顏色條并設置標簽
plt.show()
圖片
4.桑基圖
桑基圖用于可視化數據流動，非常適合展示能源、材料和金融等領域的數據。
它以馬修·亨利·菲尼亞斯·里亞爾·桑基（Matthew Henry Phineas Riall Sankey）的名字命名，能展示系統各階段或各部分之間的流量。節點寬度與流量大小成正比，便于理解數據的規模和流向。
圖片
下面是使用Python創建桑基圖的示例，展示從生產源頭到小城市消費者的能源流動情況。
import plotly.graph_objects as go
labels = ["煤炭", "太陽能", "風能", "核能", "居民", "工業", "商業"]
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]
# 創建桑基圖對象
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="模范城市的能源流動", font_size=12)
fig.show()
圖片
5.流圖（主題河流圖）
流圖形似河流，用于描繪數據隨時間的變化。不同顏色區分不同類別，“河流”的寬度代表每個類別的數值大小。它以可視化的方式展示數據趨勢和關系，便于理解數據動態。
圖片
下面是用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()
圖片
