『Plotly实战指南』--Plotly与Pandas的深度融合
在数据分析的世界中，数据处理与可视化是密不可分的两个环节。Pandas作为Python数据处理的核心工具，以其强大的数据清洗、转换和分析能力，成为数据科学家和分析师的必备利器；
而Plotly则是交互式可视化的佼佼者，能够将复杂的数据以直观、动态的方式呈现出来。
当我们将Pandas与Plotly深度融合时，就能无缝衔接数据清洗、分析与可视化的全流程，大幅提升数据分析的效率和效果。
1. 从Pandas数据结构到Plotly图表
1.1. Series 与 DataFrame 数据创建图表
Plotly提供了强大的plotly.express模块，能够直接读取Pandas的数据结构，如Series和DataFrame，并快速生成各种交互式图表。
例如，使用px.line(df)可以将一个时间序列的DataFrame转换为折线图，而px.bar(series)则可以将一个Series转换为条形图。
import pandas as pd
import numpy as np
import plotly.express as px
# 创建一个示例 DataFrame
data = {
"date": pd.date_range(start="2024-01-01", periods=100),
"sales": np.random.randint(100, 500, size=100),
}
df = pd.DataFrame(data)
# 使用 Plotly Express 创建折线图
fig = px.line(df, x="date", y="sales", title="时间序列销售数据")
fig.show()
在这个例子中，x='date'和y='sales'将DataFrame的列名映射到了图表的坐标轴上。
将数据中的某个列（Series）取出来，可以直接绘制条形图。
series = df["sales"]
fig = px.bar(series)
fig.show()
1.2. 索引与绘图的关联
Pandas的索引（如时间戳、分类标签）在绘图中也扮演着重要角色。
我们可以直接将Pandas索引作为图表的坐标轴，从而简化数据处理过程。
比如，如果一个DataFrame的索引是时间戳，那么它默认就成为X轴。
data = {
"date": pd.date_range(start="2024-01-01", periods=100),
"sales": np.random.randint(100, 500, size=100),
}
df = pd.DataFrame(data)
# 将日期设置为索引
df.set_index('date', inplace=True)
# 绘制图表，不需要指定X轴
fig = px.line(df, y='sales', title='以索引为时间轴的销售数据')
fig.show()
对于多级索引（MultiIndex）数据，Plotly也提供了强大的支持。
我们可以利用多级索引来生成分面图（Facet Plot）或动态筛选图表。
# 创建多级索引
df = df.reset_index()
df["region"] = ["North", "South"] * 50
df.set_index(["region", "date"], inplace=True)
# 绘制分面图
fig = px.line(
df.reset_index(),
x="date",
y="sales",
facet_col="region",
title="按地区分面的销售数据",
)
fig.show()
在处理多级索引时，需要注意索引重置与列名转换的问题。
上面的示例中，我们先将date索引转换为普通列，然后把普通列region和date一起转换为多级索引。
2. 数据预处理与可视化的交响曲
2.1. 数据清洗与验证可视化
在实际的数据分析中，数据往往存在缺失值和异常值。
Pandas提供了丰富的数据清洗工具，而Plotly可以将清洗前后的数据可视化出来，让我们更好的把握数据的变化。
首先，生成包含客户年龄（含缺失值和异常值）、销售额（对数正态分布）和区域的模拟数据集。
import pandas as pd
import numpy as np
import plotly.express as px
# 模拟含噪声数据
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=100)
# Customer_Age 年龄包含异常值（生成平均40，标准差30的数据）
df = pd.DataFrame({
'Date': dates,
'Customer_Age': np.random.normal(40, 30, 100),
})
# 人为添加缺失值
df.loc = np.nan故意添加15%的年龄缺失值，并设置年龄范围异常（生成年龄的部分中有异常的年龄）。
然后，绘制原始数据的分布图：
# 原始数据分布
raw_hist = px.histogram(
df,
x='Customer_Age',
title='原始数据分布（含缺失值与异常值）',
labels={'Customer_Age': '客户年龄'},
nbins=20
)
raw_hist.show()
接下来，开始清洗数据：
[*]dropna()：删除年龄缺失的行
[*]query()：过滤年龄异常值（保留18-65岁）
# 清洗数据clean_df = ( df .dropna(subset=['Customer_Age'])# 删除缺失值 .query('18
页:
[1]