Python Tutorial

Plotly è una società di analisi nota per lo sviluppo di analisi in tempo reale, statistiche e strumenti grafici per l'applicazione basata sul web e gli script di Python autonomi. In questa lezione, esamineremo esempi di base con Plotly e costruire grafici dati semplici e intuitivi che saranno in natura interattiva al 100% e tuttavia facili da progettare. Questi grafici possono essere utilizzati nelle presentazioni in quanto sono completamente interattive e pronti a giocare.

C'è anche un'opzione per salvare un design grafico offline in modo che possano essere esportati facilmente. Ci sono molte altre funzionalità che rendono molto semplice l'utilizzo della biblioteca:

• Salva grafici per l'utilizzo offline come grafica vettoriale che sono altamente ottimizzati per scopi di stampa e pubblicazione
• I grafici esportati sono nel formato JSON e non nel formato dell'immagine. Questo JSON può essere caricato in altri strumenti di visualizzazione come Tableau facilmente o manipolato con Python o R
• Poiché i grafici esportati sono di natura JSON, è praticamente molto facile incorporare questi grafici in un'applicazione Web
• Plotly è una buona alternativa per Matplotlib per la visualizzazione

Per iniziare a utilizzare il pacchetto Plotly, dobbiamo registrarci per un account sul sito Web menzionato in precedenza per ottenere un nome utente e API valido con cui possiamo iniziare a utilizzare le sue funzionalità. Fortunatamente, è disponibile un piano di prezzi gratuiti per la trama con cui otteniamo abbastanza caratteristiche per realizzare grafici a livello di produzione.

Installazione della trama

Solo una nota prima di iniziare, è possibile utilizzare un ambiente virtuale per questa lezione che possiamo essere realizzati con il seguente comando:

Python -M Virtualenv Plotly
sorgente numpy/bin/attiva

Una volta che l'ambiente virtuale è attivo, è possibile installare la libreria Plotly all'interno di ENV virtuale in modo che gli esempi che creiamo dopo possano essere eseguiti:

PIP Installa traccia

Faremo uso di Anaconda e Jupyter in questa lezione. Se vuoi installarlo sulla tua macchina, guarda la lezione che descrive “Come installare Anaconda Python su Ubuntu 18.04 LTS ”e condividi il tuo feedback se affronti qualche problema. Per installare Plotly con Anaconda, utilizzare il seguente comando nel terminale da Anaconda:

Conda Installa -c Plollaly

Vediamo qualcosa del genere quando eseguiamo il comando sopra:

Una volta che tutti i pacchetti necessari sono installati e eseguiti, possiamo iniziare con l'utilizzo della libreria Plotly con la seguente dichiarazione di importazione:

importazione della trama

Una volta che hai fatto un account sulla trama, avrai bisogno di due cose: nome utente dell'account e una chiave API. Può esserci solo una chiave API appartenente a ciascun account. Quindi tienilo in un posto sicuro come se lo perdessi, dovrai rigenerare la chiave e tutte le vecchie applicazioni che utilizzano la vecchia chiave smetteranno di funzionare.

In tutti i programmi Python che scrivi, menziona le credenziali come segue per iniziare a lavorare con la trama:

Plotly.utensili.set_credentials_file (username = 'nome utente', api_key = 'your-api-key')

Iniziamo ora con questa biblioteca.

Iniziare con la trama

Faremo uso delle seguenti importazioni nel nostro programma:

Importa panda come PD
Importa Numpy come NP
Import Scipy come sp
importazione della trama.Plotly come py

Facciamo uso di:

• Panda per leggere efficacemente i file CSV
• Numpy per semplici operazioni tabulari
• Scipy per calcoli scientifici
• Plotly per la visualizzazione

Per alcuni esempi, useremo i set di dati di Plotly disponibili su GitHub. Infine, si prega di notare che è possibile abilitare la modalità offline anche per la trama quando è necessario eseguire sceneggiature senza una connessione di rete:

Importa panda come PD
Importa Numpy come NP
Import Scipy come sp
importazione della trama
Plotly.disconnesso.init_notebook_mode (connesso = true)
importazione della trama.offline come py

È possibile eseguire la seguente istruzione per testare l'installazione della trama:

Stampa (trama.__versione__)

Vediamo qualcosa del genere quando eseguiamo il comando sopra:

Finalmente scaricheremo il set di dati con panda e lo visualizzeremo come tabella:

importazione della trama.Figura_factory come ff
df = pd.read_csv ("https: // raw.githubusercontent.com/plotly/set di dati/master/School_
guadagni.CSV ")
Tabella = ff.create_table (df)
Py.iplot (tabella, fileName = 'tabella')

Vediamo qualcosa del genere quando eseguiamo il comando sopra:

Ora, costruiamo a Istogramma Per visualizzare i dati:

importazione della trama.Graph_objs come Go
dati = [vai.Bar (x = df.Scuola, y = df.Donne)]
Py.iplot (dati, nome file = 'women-bar')

Vediamo qualcosa del genere quando eseguiamo lo snippet di codice sopra:

Quando vedi il grafico sopra con il taccuino di Jupyter, ti verranno presentate varie opzioni di zoom in/out su una particolare sezione del grafico, Box e Lazo Select e molto altro.

Grafici a barre raggruppati

I grafici a barre multipli possono essere raggruppati insieme per scopi di confronto molto facilmente con la trama. Facciamo uso dello stesso set di dati per questo e mostriamo la variazione della presenza di uomini e donne nelle università:

DONNE = GO.Bar (x = df.Scuola, y = df.Donne)
uomini = andare.Bar (x = df.Scuola, y = df.Uomini)
data = [uomini, donne]
layout = go.Layout (barMode = "Group")
FIG = GO.Figura (data = data, layout = layout)
Py.iplot (fig)

Vediamo qualcosa del genere quando eseguiamo lo snippet di codice sopra:

Anche se sembra buono, le etichette in alto a destra non sono, corrette! Correggiamoli:

DONNE = GO.Bar (x = df.Scuola, y = df.Donne, nome = "Donne")
uomini = andare.Bar (x = df.Scuola, y = df.Uomini, name = "uomini")

Il grafico sembra molto più descrittivo ora:

Proviamo a cambiare il momo di barra:

layout = go.Layout (barMode = "relativo")
FIG = GO.Figura (data = data, layout = layout)
Py.iplot (fig)

Vediamo qualcosa del genere quando eseguiamo lo snippet di codice sopra:

Grafici a torta con trama

Ora cercheremo di costruire un grafico a torta con trama che stabilisce una differenza di base tra la percentuale di donne in tutte le università. Il nome delle università sarà le etichette e i numeri effettivi verranno utilizzati per calcolare la percentuale del tutto. Ecco lo snippet di codice per lo stesso:

Trace = Go.Torta (etichette = df.Scuola, valori = df.Donne)
Py.iPlot ([Trace], fileName = 'Pie')

Vediamo qualcosa del genere quando eseguiamo lo snippet di codice sopra:

La cosa buona è che la crema viene fornita con molte caratteristiche di zoom e uscite e molti altri strumenti per interagire con il grafico costruito.

Visualizzazione dei dati delle serie temporali con Plotly

La visualizzazione dei dati delle serie temporali è uno dei compiti più importanti che si presenta quando sei un analista di dati o un ingegnere di dati.

In questo esempio, utilizzeremo un set di dati separato nello stesso repository GitHub dei dati precedenti non coinvolti in particolare i dati stampati nel tempo. Come qui, tracciare la variazione delle scorte di mercato di Apple nel tempo:

finanziario = pd.read_csv ("https: // raw.githubusercontent.com/plotly/set di dati/master/
Apple finanza-Charts.CSV ")
dati = [vai.Dispersione (x = finanziario.Data, y = finanziario ['AAPL.Vicino'])]
Py.iplot (dati)

Vediamo qualcosa del genere quando eseguiamo lo snippet di codice sopra:

Una volta spinto il mouse sulla riga della variazione del grafico, puoi specificare dettagli sul punto:

Possiamo usare i pulsanti di zoom dentro e fuori per vedere anche i dati specifici per ogni settimana.

Grafico OHLC

Viene utilizzato un grafico OHLC (aperto alto basso) per mostrare la variazione di un'entità in un arco di tempo. Questo è facile da costruire con il pilota:

da DateTime Import DateTime
open_data = [33.0, 35.3, 33.5, 33.0, 34.1]
high_data = [33.1, 36.3, 33.6, 33.2, 34.8]
Low_data = [32.7, 32.7, 32.8, 32.6, 32.8]
Close_data = [33.0, 32.9, 33.3, 33.1, 33.1]
date = [datetime (anno = 2013, mese = 10, giorno = 10),
DateTime (anno = 2013, mese = 11, giorno = 10),
DateTime (anno = 2013, mese = 12, giorno = 10),
DateTime (anno = 2014, mese = 1, giorno = 10),
DateTime (anno = 2014, mese = 2, giorno = 10)]
Trace = Go.OHLC (x = date,
Open = Open_Data,
alto = high_data,
Low = Low_Data,
Close = Close_Data)
data = [traccia]
Py.iplot (dati)

Qui, abbiamo fornito alcuni punti dati di esempio che possono essere dedotti come segue:

• I dati aperti descrivono il tasso di stock all'apertura del mercato
• Gli alti dati descrivono il tasso di stock più elevato raggiunto per un determinato periodo di tempo
• I dati bassi descrivono il tasso di stock più basso raggiunto per un determinato periodo di tempo
• I dati vicini descrivono il tasso di stock di chiusura quando un determinato intervallo di tempo era finito

Ora, eseguiamo il frammento di codice che abbiamo fornito sopra. Vediamo qualcosa del genere quando eseguiamo lo snippet di codice sopra:

Questo è un eccellente confronto di come stabilire i confronti del tempo di un'entità con la propria e confrontarla con i suoi risultati alti e bassi.

Conclusione

In questa lezione, abbiamo esaminato un'altra libreria di visualizzazione, che è un'eccellente alternativa a Matplotlib nelle applicazioni di grado di produzione che sono esposte come applicazioni Web, Plotly è una libreria molto dinamica e ricca di funzionalità da utilizzare a fini di produzione, quindi questo è sicuramente Un'abilità che dobbiamo avere sotto la nostra cintura.

Trova tutto il codice sorgente utilizzato in questa lezione su GitHub. Condividi il tuo feedback sulla lezione su Twitter con @sbmaggarwal e @linuxhint.