python繪圖plotly包,python繪圖包matplotlib

本文目錄一覽：

• 1、強烈推薦一款Python可視化神器！強烈必備！
• 2、哪個數據可視化工具比較好？
• 3、python plotly 怎麼使用
• 4、Plotly繪圖指令速查 – python

強烈推薦一款Python可視化神器！強烈必備！

Plotly Express 是一個新的高級 Python 可視化庫：它是 Plotly.py 的高級封裝，它為複雜的圖表提供了一個簡單的語法。

受 Seaborn 和 ggplot2 的啟發，它專門設計為具有簡潔，一致且易於學習的 API ：只需一次導入，您就可以在一個函數調用中創建豐富的交互式繪圖，包括分面繪圖（faceting）、地圖、動畫和趨勢線。 它帶有數據集、顏色面板和主題，就像 Plotly.py 一樣。

Plotly Express 完全免費：憑藉其寬鬆的開源 MIT 許可證，您可以隨意使用它（是的，甚至在商業產品中！）。

最重要的是，Plotly Express 與 Plotly 生態系統的其他部分完全兼容：在您的 Dash 應用程序中使用它，使用 Orca 將您的數據導出為幾乎任何文件格式，或使用JupyterLab 圖表編輯器在 GUI 中編輯它們！

用 pip install plotly_express 命令可以安裝 Plotly Express。

一旦導入Plotly Express（通常是 px ），大多數繪圖只需要一個函數調用，接受一個整潔的Pandas dataframe，並簡單描述你想要製作的圖。 如果你想要一個基本的散點圖，它只是 px.scatter（data，x =“column_name”，y =“column_name”）。

以下是內置的 Gapminder 數據集的示例，顯示2007年按國家/地區的人均預期壽命和人均GDP 之間的趨勢：

如果你想通過大陸區分它們，你可以使用 color 參數為你的點着色，由 px 負責設置默認顏色，設置圖例等：

這裡的每一點都是一個國家，所以也許我們想要按國家人口來衡量這些點…… 沒問題：這裡也有一個參數來設置，它被稱為 size：

如果你好奇哪個國家對應哪個點？ 可以添加一個 hover_name ，您可以輕鬆識別任何一點：只需將鼠標放在您感興趣的點上即可！ 事實上，即使沒有 hover_name ，整個圖表也是互動的：

也可以通過 facet_col =”continent“ 來輕鬆劃分各大洲，就像着色點一樣容易，並且讓我們使用 x軸 對數（log_x）以便在我們在圖表中看的更清晰：

也許你不僅僅對 2007年 感興趣，而且你想看看這張圖表是如何隨着時間的推移而演變的。 可以通過設置 animation_frame=“year” （以及 animation_group =“country” 來標識哪些圓與控制條中的年份匹配）來設置動畫。

在這個最終版本中，讓我們在這裡調整一些顯示，因為像“gdpPercap” 這樣的文本有點難看，即使它是我們的數據框列的名稱。 我們可以提供更漂亮的“標籤” （labels），可以在整個圖表、圖例、標題軸和懸停（hovers）中應用。 我們還可以手動設置邊界，以便動畫在整個過程中看起來更棒：

因為這是地理數據，我們也可以將其表示為動畫地圖，因此這清楚地表明 Plotly Express 不僅僅可以繪製散點圖（不過這個數據集缺少前蘇聯的數據）。

事實上，Plotly Express 支持三維散點圖、三維線形圖、極坐標和地圖上三元坐標以及二維坐標。 條形圖（Bar）有二維笛卡爾和極坐標風格。

進行可視化時，您可以使用單變量設置中的直方圖（histograms）和箱形圖（box）或小提琴圖（violin plots），或雙變量分布的密度等高線圖（density contours）。 大多數二維笛卡爾圖接受連續或分類數據，並自動處理日期/時間數據。 可以查看我們的圖庫 (ref-3) 來了解每個圖表的例子。

數據 探索 的主要部分是理解數據集中值的分布，以及這些分布如何相互關聯。 Plotly Express 有許多功能來處理這些任務。

使用直方圖（histograms），箱形圖（box）或小提琴圖（violin plots）可視化單變量分布：

直方圖：

箱形圖：

小提琴圖：

還可以創建聯合分布圖（marginal rugs），使用直方圖，箱形圖（box）或小提琴來顯示雙變量分布，也可以添加趨勢線。 Plotly Express 甚至可以幫助你在懸停框中添加線條公式和R²值！ 它使用 statsmodels 進行普通最小二乘（OLS）回歸或局部加權散點圖平滑（LOWESS）。

在上面的一些圖中你會注意到一些不錯的色標。 在 Plotly Express 中， px.colors 模塊包含許多有用的色標和序列：定性的、序列型的、離散的、循環的以及所有您喜歡的開源包：ColorBrewer、cmocean 和 Carto 。 我們還提供了一些功能來製作可瀏覽的樣本供您欣賞（ref-3）：

定性的顏色序列：

眾多內置順序色標中的一部分：

我們特別為我們的交互式多維圖表感到自豪，例如散點圖矩陣（SPLOMS）、平行坐標和我們稱之為並行類別的並行集。 通過這些，您可以在單個圖中可視化整個數據集以進行數據 探索 。 在你的Jupyter 筆記本中查看這些單行及其啟用的交互：

散點圖矩陣（SPLOM）允許您可視化多個鏈接的散點圖：數據集中的每個變量與其他變量的關係。 數據集中的每一行都顯示為每個圖中的一個點。 你可以進行縮放、平移或選擇操作，你會發現所有圖都鏈接在一起！

平行坐標允許您同時顯示3個以上的連續變量。 dataframe 中的每一行都是一行。 您可以拖動尺寸以重新排序它們並選擇值範圍之間的交叉點。

並行類別是並行坐標的分類模擬：使用它們可視化數據集中多組類別之間的關係。

Plotly Express 之於 Plotly.py 類似 Seaborn 之於 matplotlib：Plotly Express 是一個高級封裝庫，允許您快速創建圖表，然後使用底層 API 和生態系統的強大功能進行修改。 對於Plotly 生態系統，這意味着一旦您使用 Plotly Express 創建了一個圖形，您就可以使用Themes，使用 FigureWidgets 進行命令性編輯，使用 Orca 將其導出為幾乎任何文件格式，或者在我們的 GUI JupyterLab 圖表編輯器中編輯它 。

主題（Themes）允許您控制圖形範圍的設置，如邊距、字體、背景顏色、刻度定位等。 您可以使用模板參數應用任何命名的主題或主題對象：

有三個內置的 Plotly 主題可以使用， 分別是 plotly， plotlywhite 和 plotlydark。

px 輸出繼承自 Plotly.py 的 Figure 類 ExpressFigure 的對象，這意味着你可以使用任何 Figure 的訪問器和方法來改變 px生成的繪圖。 例如，您可以將 .update（） 調用鏈接到 px 調用以更改圖例設置並添加註釋。 .update（） 現在返回修改後的數字，所以你仍然可以在一個很長的 Python 語句中執行此操作：

在這裡，在使用 Plotly Express 生成原始圖形之後，我們使用 Plotly.py 的 API 來更改一些圖例設置並添加註釋。

Dash 是 Plotly 的開源框架，用於構建具有 Plotly.py 圖表的分析應用程序和儀錶板。Plotly Express 產生的對象與 Dash 100％兼容，只需將它們直接傳遞到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（…））。 這是一個非常簡單的 50行 Dash 應用程序的示例，它使用 px 生成其中的圖表：

這個 50 行的 Dash 應用程序使用 Plotly Express 生成用於瀏覽數據集的 UI 。

可視化數據有很多原因：有時您想要提供一些想法或結果，並且您希望對圖表的每個方面施加很多控制，有時您希望快速查看兩個變量之間的關係。 這是交互與 探索 的範疇。

Plotly.py 已經發展成為一個非常強大的可視化交互工具：它可以讓你控制圖形的幾乎每個方面，從圖例的位置到刻度的長度。 不幸的是，這種控制的代價是冗長的：有時可能需要多行 Python 代碼才能用 Plotly.py 生成圖表。

我們使用 Plotly Express 的主要目標是使 Plotly.py 更容易用於 探索 和快速迭代。

我們想要構建一個庫，它做出了不同的權衡：在可視化過程的早期犧牲一些控制措施來換取一個不那麼詳細的 API，允許你在一行 Python 代碼中製作各種各樣的圖表。 然而，正如我們上面所示，該控件並沒有消失：你仍然可以使用底層的 Plotly.py 的 API 來調整和優化用 Plotly Express 製作的圖表。

支持這種簡潔 API 的主要設計決策之一是所有 Plotly Express 的函數都接受“整潔”的 dataframe 作為輸入。 每個 Plotly Express 函數都體現了dataframe 中行與單個或分組標記的清晰映射，並具有圖形啟發的語法簽名，可讓您直接映射這些標記的變量，如 x 或 y 位置、顏色、大小、 facet-column 甚至是 動畫幀到數據框（dataframe）中的列。 當您鍵入 px.scatter（data，x =’col1’，y=’col2’） 時，Plotly Express 會為數據框中的每一行創建一個小符號標記 – 這就是 px.scatter 的作用 – 並將 “col1” 映射到 x 位置（類似於 y 位置）。 這種方法的強大之處在於它以相同的方式處理所有可視化變量：您可以將數據框列映射到顏色，然後通過更改參數來改變您的想法並將其映射到大小或進行行分面（facet-row）。

接受整個整潔的 dataframe 的列名作為輸入（而不是原始的 numpy 向量）也允許 px 為你節省大量的時間，因為它知道列的名稱，它可以生成所有的 Plotly.py 配置用於標記圖例、軸、懸停框、構面甚至動畫幀。 但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告訴 px 用每個函數的 labels 參數替換更好的。

僅接受整潔輸入所帶來的最終優勢是它更直接地支持快速迭代：您整理一次數據集，從那裡可以使用 px 創建數十種不同類型的圖表，包括在 SPLOM 中可視化多個維度 、使用平行坐標、在地圖上繪製，在二維、三維極坐標或三維坐標中使用等，所有這些都不需要重塑您的數據！

在 API 級別，我們在 px 中投入了大量的工作，以確保所有參數都被命名，以便在鍵入時最大限度地發現：所有 scatter -類似的函數都以 scatter 開頭（例如 scatter_polar， scatter_ternary）所以你可以通過自動補全來發現它們。 我們選擇拆分這些不同的散點圖函數，因此每個散點圖函數都會接受一組定製的關鍵字參數，特別是它們的坐標系。 也就是說，共享坐標系的函數集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的參數，以最大限度地方便學習。 我們還花了很多精力來提出簡短而富有表現力的名稱，這些名稱很好地映射到底層的 Plotly.py 屬性，以便於在工作流程中稍後調整到交互的圖表中。

最後，Plotly Express 作為一個新的 Python 可視化庫，在 Plotly 生態系統下，將會迅速發展。所以不要猶豫，立即開始使用 Plotly Express 吧！

哪個數據可視化工具比較好？

看了一下其他的回答，都是利用現有的可視化軟件，這裡以Python為例，介紹2個比較好用的可視化包—seaborn和pyecharts，簡單易學、容易上手，繪製的圖形漂亮、大方、整潔，感興趣的朋友可以嘗試一下，實驗環境win10+python3.6+pycharm5.0，主要內容如下：

1.seaborn：這是一個基於matplotlib的可視化包，是對matplotlib更高級的API封裝，繪製的圖形種類繁多，包括常見的折線圖、柱狀圖、餅狀圖、箱型圖、熱力圖等，所需的代碼量更少，使用起來更方便，下面我簡單介紹一下這個包的安裝和使用：

程序運行截圖如下：

2.pyecharts：這個是echarts提供給python的一個接口，在前端的數據可視化中，可能會用到這個echarts包，藉助pyecharts，我們不僅可以繪製出漂亮的柱狀圖、折線圖等，還可以繪製3D圖形、地圖、雷達圖、極坐標系圖等，簡單好用，非常值得學習，下面我簡單介紹一下這個包的安裝和使用：

程序運行截圖如下：

補充推薦一個Python 新數據可視化模塊——Plotly Express 。

Plotly Express

Plotly Express是一個新的高級Python數據可視化庫，它是Plotly.py的高級封裝，它為複雜的圖表提供了一個簡單的語法。只需一次導入，大多數繪圖只要一個函數調用，接受一個整潔的Pandas dataframe，就可以創建豐富的交互式繪圖。

Plotly Express 安裝

慣例，使用 pip進行安裝。

Plotly Express支持構建圖表類型 gapminder數據集說明

我們使用gapminder數據集進行體驗 Plotly Express 。

gapminder數據集顯示2007年按國家/地區的人均預期壽命和人均GDP 之間的趨勢：包含1952~2007年世界各國家人口、GDP發展與/地區的人均預期壽命和人均GDP 之間的趨勢。

散點圖scatter

常用參數說明：

使用散點圖描述中國人口與GDP增長趨勢圖

地理散點圖scatter_geo

常用參數說明

使用地理散點圖描述全球人口與GDP

折線圖（line）

常用參數說明

使用折線圖描述1952~2007中國與美國人口增長趨勢圖

條形圖(bar)

常用參數說明

使用條形圖描述1952~2007中國與美國人口增長趨勢圖

等值區域圖（choropleth）

常用參數說明

使用等值區域圖描述各個國家人口數量

目前國內數據可視化工具或產品很多，到底那個工具或者產品是最好的？看了很多數據可視化產品，總結下來分為幾大類。

下面我將一一分別進行工具介紹：

一．數據可視化庫類

一個純javascript的數據可視化庫，百度的產品，常應用於軟件產品開發或者 系統的圖表模塊，圖表種類多，動態可視化效果，開源免費。

評價： 非常好的一個可視化庫，圖表種類多，可選的主題。Echarts中主要還是以圖表為主，沒有提供文本和表格方面的展現庫，如果有相關需求還需要引入表格和文本方面的其他可視化庫。

與echarts相似，同樣是可視化庫，不過是國外的產品，商用需要付費，文檔詳盡。

評價： 同樣是非常好的一個可視化庫，圖表種類多。但是同樣需要進行二次開發，,沒有提供文本和表格方面的展現庫。而且因為商用付費，所以能選擇echarts肯定不會選擇highcharts。

Antv是螞蟻金服出品的一套數據可視化語法，是國內第一個才用the grammar of Graphics這套理論的可視化庫。在提供可視化庫同時也提供簡單的數據歸類分析能力。

評價： 是一個優秀的可視化庫，需要進行二次開發。因為採用的是the grammar of Graphics 語法，和echarts相比各有千秋。

二．報表、BI類

由echarts衍生出來的子產品，同樣繼承了echarts的特點，圖表種類多，沒有提供文本和表格方面的展現庫。Echarts接受json格式的數據，百度圖說把數據格式進行了封裝，可以通過表格的形式組織數據。

評價：可以把表格數據轉換成圖表展現形式的工具，支持excel數據導入 ，適合做靜態的BI報告。因為數據偏靜態，沒看到與數據庫結合的部分，很難和第三方系統結合展現動態變化的數據，如日報表、月報表、周報表等。

FineReport報表軟件是一款純Java編寫的、集數據展示(報表)和數據錄入(表單)功能於一身的企業級web報表工具，它“專業、簡捷、靈活”的特點和無碼理念，僅需簡單的拖拽操作便可以設計複雜的中國式報表，搭建數據決策分析系統。

評價： FineReport可以直連數據庫，方便快捷的定製各種複雜表樣，用來做出固定格式的周報、月報等。它的格式類似於excel界面，特色功能報表製作，報表權限分配，報表管理還有填報，支持多種數據庫。

Tableau 是桌面系統中最簡單的商業智能工具軟件，Tableau 沒有強迫用戶編寫自定義代碼，新的控制台也可完全自定義配置。在控制台上，不僅能夠監測信息，而且還提供完整的分析能力。Tableau控制台靈活，具有高度的動態性。

評價： 全球知名的BI工具，價格6000元/年/人左右，但是國外產品不花錢不會為你做任何定製化改動，售後很有問題。

FineBI與FineReport都是帆軟的產品。首先FineReport作為一款報表工具，主要用於解決提升IT部門的常規/複雜報表開發效率問題；而FineBI是商業智能BI工具，在IT信息部門分類準備好數據業務包的前提下，給與數據，讓業務人員或領導自行分析，滿足即席數據分析需求，是分析型產品。

FineBI的使用感同Tableau類似，都主張可視化的 探索 性分析，有點像加強版的數據透視表。上手簡單，可視化庫豐富。可以充當數據報表的門戶，也可以充當各業務分析的平台。

評價：FineBI做到了自助式分析，圖表類型豐富，數據分析功能較強大，鑽取，篩選，分組等功能都有。但是對於普通沒有IT基礎的人來說，要想真正熟練地掌握finebi，還是有一定的難度的，需要花上幾天，但是這個難度相比Excel的VBA學習還是低不少的。

Power BI 是一套商業分析工具，用於在組織中提供見解。可連接數百個數據源、簡化數據準備並提供即席分析。生成美觀的報表並進行發布，供組織在 Web 和移動設備上使用。每個人都可創建個性化儀錶板，獲取針對其業務的全方位獨特見解。在企業內實現擴展，內置管理和安全性。

評價： 類似於excel的桌面bi工具，功能比excel更加強大。支持多種數據源。價格便宜。但是只能作為單獨的bi工具使用，沒辦法和現有的系統結合到一起。

三．可視化大屏類

提供豐富的模板與圖形，支持多數據源，拖拉式布局，支持服務化服務方式和本地部署。整體來說是一款很好的大屏的產品。

評價： 產品不錯，就是價格服務版每年5100元/年，本地部署竟然要110萬，每年續費也要37萬。

前文有介紹過，finereport是一個企業級的報表工具，同時也提供大屏的服務。通過布局、色彩、綁定數據等環節完成大屏的製作。擁有很多自助開發的可視化插件庫。

評價： 很優秀的軟件，性價比高。學習方面，掌握FineReport的dashboard製作，應該也比較簡單的。

五 .專業類（地圖、科學計算、機器學習）

很多工具都能實現數據地圖，比如echarts，finereport，tableau等。

ggplot2是R語言最流行的第三方擴展包，是RStudio首席科學家Hadley Wickham讀博期間的作品，是R相比其他語言一個獨領風騷的特點。包名中“gg”是grammar of graphics的簡稱，是一套優雅的繪圖語法。主要用於機器學習繪圖。

評價： 機器學習、數學、科學計算領域專業的繪圖語言。專業與技術要求都很高，不是專業搞機器學習或者科學計算的工程師，一般不會用到。

Python是一門編成語言,其周邊的繪圖庫也比較豐富比如pandas和matplotlib ,pandas能夠繪製線圖、柱圖、餅圖、密度圖、散點圖等； matplotlib主要是繪製數學函數相關的圖如三角函數圖、概率模型圖等。

評價： 機器學習、數學、科學計算領域專業的繪圖語言。專業與技術要求都很高，不是專業搞機器學習或者科學計算的工程師，一般不會用到。

R-ggplot2

ggplot2是R語言最為強大的作圖軟件包，強於其自成一派的數據可視化理念。當熟悉了ggplot2的基本套路後，數據可視化工作將變得非常輕鬆而有條理。

技術相關

1. 將數據，數據相關繪圖，數據無關繪圖分離

這點可以說是ggplot2最為吸引人的一點。眾所周知，數據可視化就是將我們從數據中 探索 的信息與圖形要素對應起來的過程。

ggplot2將數據，數據到圖形要素的映射，以及和數據無關的圖形要素繪製分離，有點類似java的MVC框架思想。這讓ggplot2的使用者能清楚分明的感受到一張數據分析圖真正的組成部分，有針對性的進行開發，調整。

2. 圖層式的開發邏輯

在ggplot2中，圖形的繪製是一個個圖層添加上去的。舉個例子來說，我們首先決定 探索 一下身高與體重之間的關係；然後畫了一個簡單的散點圖；然後決定最好區分性別，圖中點的色彩對應於不同的性別；然後決定最好區分地區，拆成東中西三幅小圖；最後決定加入回歸直線，直觀地看出趨勢。這是一個層層推進的結構過程，在每一個推進中，都有額外的信息被加入進來。在使用ggplot2的過程中，上述的每一步都是一個圖層，並能夠疊加到上一步並可視化展示出來。

3. 各種圖形要素的自由組合

由於ggplot2的圖層式開發邏輯，我們可以自由組合各種圖形要素，充分自由發揮想象力

基本開發步驟

1. 初始化 – ggplot()

這一步需要設定的是圖的x軸，y軸和”美學特徵”。基本形式如下：

p

python plotly 怎麼使用

Plot.ly是一個用於做分析和可視化的在線工具,Plotly與pandas可以無縫地集成，可以做出很多非常豐富，互動的圖表，並且文檔非常健全，創建條形圖相對簡單，另外申請了API密鑰後，可以一鍵將統計圖形同步到雲端。

下面是一個用Ploty畫直方圖的例子，我參考的是這篇文章

代碼如下

import plotly.plotly as py

import pandas as pd

from plotly.graph_objs import *

from plotly.offline import plot

budget=pd.read_csv(“mn-budget-detail-2014.csv”)

budget = budget.sort(‘amount’,ascending=False)[:10]

data = Data([

    Bar(

        x=budget[“detail”],

        y=budget[“amount”]

    )

])

layout = Layout(

    title=’2014 MN Capital Budget’,

    font=Font(

        family=’Raleway, sans-serif’

    ),

    showlegend=False,

    xaxis=XAxis(

        tickangle=-45

    ),

    bargap=0.05

)

fig = Figure(data=data, layout=layout)

Plotly繪圖指令速查 – python

線上運行以及繪圖效果，歡迎移步 和鯨社區

#terminal里

pip install plotly

import plotly.offline as py

import plotly.graph_objs as go

trace = {‘x’:[1,2], ‘y’:[1,2]}

data = [trace]

layout = {}

fig = go.Figure(

    data = data, layout = layout)

py.offline.plot(fig)

trace1 = go.Scatter(

    x = [1,2], y = [1,2])

trace2 = go.Scatter(

    x = [1,2], y = [2,2])

py.iplot([trace1,trace2])

trace1 = go.Scatter(

    x = [1,2,3], y = [1,2,3],

    text = [‘A’,’B’,’C’],

    textposition = ‘top center’,

    mode = ‘markers+text’)

data = [trace]

py.iplot(data)

trace = go.Bar(

    x = [1,2],

    y = [1,2],)

data = [trace]

py.iplot(data)

trace = go.Scatter(

    x = [1,2,3],

    y = [1,2,3],

    marker = dict(

        color = [‘red’,’blue’,’green’],

        size = [30,80,200]),

    mode = ‘markers’

)

py.iplot([trace])

trace = go.Heatmap(

    z = [[1,2,3,4],

    [5,6,7,8]])

data = [trace]

py.iplot(data)

trace = go.Scatter(

    x = [1,2,6],

    y = [1,2,0.5],

    fill = “tonexty”)

data = [trace]

py.iplot(data)

trace1 = go.Scatter(

    name = “Calvin”,

    x = [1,2],

    y = [2,1])

trace2 = go.Scatter(

    name = “Hobbes”,

    x = [2,1],

    y = [2,1])

layout = go.Layout(

    showlegend = True,

    # 設置圖例相對於左下角的位置

    legend = dict(

        x = 0.2,

        y = 0.5))

data = [trace1, trace2]

fig = go.Figure(data = data, layout = layout)

py.iplot(fig)

trace = go.Scatter(

    x = [-1,1,2,3,4],

    y = [-1,1,2,3,6])

axis_template = dict(

    showgrid = True,  #網格

    zeroline = True,  #是否顯示基線,即沿着(0,0)畫出x軸和y軸

    nticks = 20,

    showline = True,

    title = ‘X axis’,

    mirror = ‘all’)

layout = go.Layout(

    xaxis = axis_template,

    yaxis = axis_template)

data = [trace]

fig = go.Figure(

    data = data,

    layout = layout)

py.iplot(fig)

trace = go.Histogram(

    x = [1,2,3,3,3,4,5])

data = [trace]

py.iplot(data)

trace=go.Box(

    x=[1,2,3,3,3,4,5])

data=[trace]

py.iplot(data)

trace=go.Histogram2d(

    x=[1,2,3,3,3,4,5],

    y=[1,2,3,3,3,4,5])

data=[trace]

py.iplot(data)

trace = dict(

    type = ‘scattergeo’,

    lon = [100,400],lat = [0,0],

    marker = dict(

        color = [‘red’,’blue’],

        size = [30,50]),

    mode = ‘markers’)

py.iplot([trace])

import plotly.colors

trace = dict(

    type = ‘choropleth’,

    locations = [‘AZ’,’CA’,’VT’],

    locationmode = ‘USA-states’,

    colorscale = ‘Viridis’,

    z = [10,20,40])

layout = dict(geo = dict(scope = ‘usa’))

map = go.Figure(data = [trace], layout = layout)

py.iplot(map)

trace=go.Surface(

    colorscale=’Viridis’,

    z=[[3,5,8,13],

    [21,13,8,5]])

data = [trace]

py.iplot(data)

trace = go.Scatter3d(

    x = [9,8,5,1],

    y = [1,2,4,8],

    z = [11,8,15,3],

    mode = ‘lines’)

data = [trace]

py.iplot(data)

trace = go.Scatter3d(

    x = [9,8,5,1],

    y = [1,2,4,8],

    z = [11,8,15,3],

    mode = ‘markers’)

data = [trace]

py.iplot(data)

Figure {}

data []

  trace {}

  x,y,z []

  color,text,size []

  colorscale ABC or []

  marker {}

    color ABC

    symbol ABC

    line {}

    color ABC

    width 123

layout {}

title ABC

xaxis,yaxis {}

scene {}

  xaxis,yaxis,zaxis {}

geo {}

legend {}

annotations {}

{} 字典

[] 列表

ABC 字符

123 數字

plotly使用指南

plot.ly