Plotly Express 入門之路
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。
使用 Plotly Express 輕鬆地進行數據可視化
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 參數為你的點著色，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，就像著色點一樣容易，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著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、極座標和地圖上三元座標以及二維座標。 條形圖（Bar）有二維笛卡爾和極座標風格。
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），或雙變量分佈的密度等高線圖（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。
可視化分佈
數據探索的主要部分是理解數據集中值的分佈，以及這些分佈如何相互關聯。 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）可視化單變量分佈：
直方圖：
箱形圖：
小提琴圖：
還可以創建聯合分佈圖（marginal rugs），使用直方圖，箱形圖（box）或小提琴來顯示雙變量分佈，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）迴歸或局部加權散點圖平滑（LOWESS）。
顏色面板和序列
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：
用一行 Python 代碼進行交互式多維可視化
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）、平行座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！
平行座標允許您同時顯示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。
並行類別是並行座標的分類模擬：使用它們可視化數據集中多組類別之間的關係。
Plotly 生態系統的一部分
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，這意味著一旦您使用 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，這意味著你可以使用任何 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。
能夠與 Dash 完美匹配
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表板。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 。
設計理念：為什麼我們創建 Plotly Express ？
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 、使用平行座標、在地圖上繪製，在二維、三維極座標或三維座標中使用等，所有這些都不需要重塑您的數據！
我們沒有以權宜之計的名義犧牲控制的所有方面，我們只關注您想要在數據可視化過程的探索階段發揮的控制類型。 您可以對大多數函數使用 category_orders 參數來告訴 px 您的分類數據“好”、“更好”、“最佳” 等具有重要的非字母順序，並且它將用於分類軸、分面繪製 和圖例的排序。 您可以使用 color_discrete_map （以及其他 * _map 參數）將特定顏色固定到特定數據值（如果這對您的示例有意義）。 當然，你可以在任何地方重構 color_discrete_sequence 或 color_continuous_scale （和其他 *_sequence 參數）。
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，特別是它們的座標系。 也就是說，共享座標系的函數集（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！