![Plotly Tutorial](/plotly/images/plotly-mini-logo.jpg)
- Plotly 教程
- Plotly - 首页
- Plotly - 简介
- Plotly - 环境设置
- Plotly - 在线和离线绘图
- 在 Jupyter Notebook 中内联绘图
- Plotly - 包结构
- Plotly - 导出为静态图像
- Plotly - 图例
- Plotly - 格式化坐标轴和刻度
- Plotly - 子图和内嵌图
- Plotly - 条形图和饼图
- Plotly - 散点图、Scattergl 图和气泡图
- Plotly - 点图和表格
- Plotly - 直方图
- Plotly - 箱线图、小提琴图和等高线图
- Plotly - 分布图、密度图和误差条形图
- Plotly - 热图
- Plotly - 极坐标图和雷达图
- Plotly - OHLC 图、瀑布图和漏斗图
- Plotly - 3D 散点图和曲面图
- Plotly - 添加按钮/下拉菜单
- Plotly - 滑块控件
- Plotly - FigureWidget 类
- Pandas 和 Cufflinks 配合 Plotly 使用
- Matplotlib 和 Chart Studio 配合 Plotly 使用
- Plotly 有用资源
- Plotly - 快速指南
- Plotly - 有用资源
- Plotly - 讨论
Plotly - 分布图、密度图和误差条形图
本章我们将详细了解分布图、密度图和误差条形图。让我们从学习分布图开始。
分布图 (Distplots)
分布图图形工厂显示数值数据的统计表示组合,例如直方图、核密度估计或正态曲线以及毛毯图。
分布图可以由以下 3 个组件中的全部或任何组合组成:
- 直方图
- 曲线:(a)核密度估计或(b)正态曲线,以及
- 毛毯图 (rug plot)
figure_factory 模块具有create_distplot() 函数,该函数需要一个名为 hist_data 的必填参数。
以下代码创建一个包含直方图、kde 图和毛毯图的基本分布图。
x = np.random.randn(1000) hist_data = [x] group_labels = ['distplot'] fig = ff.create_distplot(hist_data, group_labels) iplot(fig)
上面提到的代码的输出如下:
![Distplots](/plotly/images/distplots.jpg)
密度图
密度图是根据数据估计的直方图的平滑连续版本。最常见的估计形式称为核密度估计 (KDE)。在这种方法中,在每个单独的数据点处绘制一条连续曲线(核),然后将所有这些曲线加在一起以创建一个平滑的密度估计。
plotly.figure_factory._2d_density 模块中的create_2d_density() 函数返回二维密度图的图形对象。
以下代码用于生成直方图数据上的二维密度图。
t = np.linspace(-1, 1.2, 2000) x = (t**3) + (0.3 * np.random.randn(2000)) y = (t**6) + (0.3 * np.random.randn(2000)) fig = ff.create_2d_density( x, y) iplot(fig)
以下是上面给定代码的输出。
![Density Plot](/plotly/images/density_plot.jpg)
误差条形图
误差条是数据误差或不确定性的图形表示,它们有助于正确解释。出于科学目的,错误报告对于理解给定数据至关重要。
误差条对问题解决者很有用,因为误差条显示了一组测量值或计算值的置信度或精度。
误差条主要表示数据集的范围和标准差。它们可以帮助可视化数据围绕平均值的分布情况。误差条可以在各种图上生成,例如条形图、线图、散点图等。
go.Scatter() 函数具有error_x 和error_y 属性,这些属性控制误差条的生成方式。
visible (布尔值) - 确定这组误差条是否可见。
Type 属性的可能值为“percent” | “constant” | “sqrt” | “data”。它设置用于生成误差条的规则。如果为“percent”,则条形长度对应于基础数据的百分比。在此百分比中设置`value`。如果为“sqrt”,则条形长度对应于基础数据的平方。如果为“data”,则条形长度使用数据集`array`设置。
symmetric 属性可以为 true 或 false。相应地,误差条的长度在两个方向上相同或不同(垂直条的顶部/底部,水平条的左侧/右侧)。
array - 设置与每个误差条长度相对应的数据。值相对于基础数据绘制。
arrayminus - 设置与垂直(水平)条的底部(左侧)方向的每个误差条长度相对应的数据。值相对于基础数据绘制。
以下代码在散点图上显示对称误差条:
trace = go.Scatter( x = [0, 1, 2], y = [6, 10, 2], error_y = dict( type = 'data', # value of error bar given in data coordinates array = [1, 2, 3], visible = True) ) data = [trace] layout = go.Layout(title = 'Symmetric Error Bar') fig = go.Figure(data = data, layout = layout) iplot(fig)
以下是上述代码的输出。
![Error Bar Plot](/plotly/images/error_bar_plot.jpg)
通过以下脚本渲染非对称误差图:
trace = go.Scatter( x = [1, 2, 3, 4], y =[ 2, 1, 3, 4], error_y = dict( type = 'data', symmetric = False, array = [0.1, 0.2, 0.1, 0.1], arrayminus = [0.2, 0.4, 1, 0.2] ) ) data = [trace] layout = go.Layout(title = 'Asymmetric Error Bar') fig = go.Figure(data = data, layout = layout) iplot(fig)
其输出如下所示:
![Asymmeric Error Bar](/plotly/images/asymmeric_error_bar.jpg)