Ce repo à pour objectif de présenter le module Plotly qui est l'un des modules les plus utilisés pour faire de la visualisation de données avec Python. Plotly étant le plus compliqué mais également le plus interactif. Il est construit sur 3 composantes principales, à savoir plotly.express qui est basé sur l'utilisation des dataframes pandas, et qui est simple et rapide, et plotly.graph_objects qui est beaucoup plus puissant, et beaucoup plus personnalisable, il est basé sur la POO et plotly.figure_factory qui est dédiée à la création de figure spécifiques qui seraient trop compliqué à developper avec les 2 autres composantes. Dans ce README toutes les fonctions seront accompagnées du résultat. Le code complet pour ce repository est dans les fichiers sous le nom plotly_ex.py .
Pour comprendre plus en détails comment plotly fonctionne, et pour personnaliser au maximum vos graphiques, je vous invite à consulter mon article sur plotly. ( bientôt disponible )
Pour mettre en ligne un dashboard avec une page plotly, j'ai crée un repository à ce sujet.
- Plotly.Express
- Plotly.Graph_Objects
Installation :
pip install plotlyDocumentation Plotly .
from plotly.offline import plot # pour travailler en offline!
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np
import statsmodels.api as sm
from sklearn.datasets import load_digits
from umap import UMAP # pip install umap-learn
from sklearn.manifold import TSNEPlotly express, importée en tant que px, est la partie de plotly permettant de créer rapidement et simplement n'importe quel graphique en 1 ligne de code. Son interet est notamment basé sur le fait qu'elle marche parfaitement bien avec les DataFrames de Pandas, mais on peut également travailler avec des listes ou tout autre type de données. Son utilisation est limitée notamment dans la conception de subplots. Vous verrez dans cette section quelles sont les fonctions les plus utiles de plotly express, et comment les personnaliser au maximum.
Voici la syntaxe globale d'un code utilisant plotly express :
fig = px.chart_type(df, parameters)
fig.update_layout("layout_parameters or add annotations")
fig.update_traces("further graph parameters")
fig.update_xaxis() # ou update_yaxis
fig.add_trace() # ajouter une figure avec graph_objects
plot(fig)On personnalise les figures de plotly express suivant ce modèle :
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", # nom de la colonne du dataframe
y="sepal_length", # nom de la colonne du dataframe
color="species", # nom de la colonne du dataframe
)
fig.update_layout(title="Scatter avec px et ajout d'une figure avec Go",
font_family="Rockwell")
fig.update_xaxes(title_text='largeur sepales')
fig.update_yaxes(title_text='longueur sepales')
fig.add_trace(
go.Scatter(
x=[2, 4],
y=[4, 8],
mode="lines",
marker=dict(color="gray"),
name="droite",
showlegend=True) # True par défaut
)
plot(fig)
Si on veut superposer des courbes avec les données du même dataset on écrit :
df = px.data.iris()
fig = px.line(df, y=["sepal_width", "sepal_length", "petal_width"],
#text="species_id" # pour ajouter l'id de l'espèce au dessus de chaque point
color_discrete_map={"sepal_width":"blue",
"sepal_length":"black",
"petal_width":"green" }, # couleur de chaque ligne
)
plot(fig)
On peut aussi séparer les figures en plusieurs, c'est le seul moyen de faire des subplots avec plotly express ! Il y a 2 types de subplots, soit en lignes, soit en colonnes, spécifié par le paramètre facet_col ou facet_row. Partons du code suivant :
df = px.data.iris()
fig = px.line(df, y=["sepal_width", "sepal_length", "petal_width"],
#text="species_id" on ajoute ici l'id de l'espèce au dessus de chaque point
color_discrete_map={"sepal_width":"blue",
"sepal_length":"black",
"petal_width":"green" }, # couleur de chaque ligne
)
plot(fig)Alors on obtient ces résultats en fonction du paramètre de séparation :
| facet_col="species" | facet_row="species" |
|---|---|
 |
 |
On fait bouger les points qui suivent l'évolution des données au fil des années :
df = px.data.gapminder()
df_fr=df[df['country']=='France']
df_us=df[df['country']=='United States']
df = pd.concat([df_fr, df_us])
fig = px.scatter(df,
y="gdpPercap",
x="year",
color="country",
title="évolution pib france et USA",
range_x=[1952,2007],
range_y=[df['gdpPercap'].min(), df['gdpPercap'].max()],
animation_frame="year")
plot(fig)
Personnalisation des axes avec un range slider visible :
df = px.data.carshare()
fig = px.line(df, y="car_hours",
#text="species_id" on ajoute ici l'id de l'espèce au dessus de chaque point
color_discrete_map={"car_hours":"black"}, # couleur de chaque ligne
)
fig.update_xaxes(rangeslider_visible=True)
plot(fig)
On peut colorier une plage de valeurs, ou ajouter une ligne :
df = px.data.stocks(indexed=True)
fig = px.line(df, facet_col="company",
facet_col_wrap=2 # nombre de figure par ligne
)
fig.add_hline( # ou vline pour verticale avec x=...
y=1, line_dash="dot",
annotation_text="1er janvier 2018",
annotation_position="bottom right")
fig.add_vrect( # ou hrect pour horizontal
x0="2018-09-24", x1="2018-12-18",
col=2, # numéro de la colonne (les figures de droites)
annotation_text="24/09 au 18/12 2018",
annotation_position="top left",
fillcolor="red", opacity=0.2, line_width=0.1)
fig.add_hrect( # ou hrect pour horizontal
y0=1.1, y1=1.7,
col=1, # numéro de la colonne (les figures de droites)
annotation_text="1.1 à 1.7",
annotation_position="top right",
fillcolor="blue", opacity=0.15, line_width=0.4)
plot(fig)
On ajoute un indicateur statistique sur chacune des variables du scatter :
df = px.data.iris()
fig = px.scatter(df, x="sepal_length", # données
color="species", # couleur par expèce
marginal_x='box', # marge en boxplot
marginal_y='violin', # marge en violon
trendline="ols" # courbe de tendances
)
plot(fig)
Curseurs qui apparaissent avec survol de la souris sur un point du graphique :
df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", color="country",
title="curseurs")
fig.update_traces(mode="markers+lines") # courbe avec ligne et points apparent
fig.update_xaxes(showspikes=True)
fig.update_yaxes(showspikes=True)
plot(fig)
df = px.data.iris()
fig = px.scatter_3d(df, x='sepal_length', y='sepal_width', z='petal_width',
color='species', size='petal_length', size_max=18,symbol='species', opacity=1)
plot(fig)
Simple Barchart, on colorie sur une colonne et on sépare par couleur :
df = px.data.tips()
fig=px.bar(df,
x="sex",
y="total_bill",
color="smoker",
barmode="group")
fig.update_traces( marker_line_color='rgb(8,48,107)',
marker_line_width=1.5, opacity=0.6)
plot(fig)
On va tester 2 types de marges, violon et boxplot, qu'on ajoute avec le paramètre marginal :
df = px.data.iris()
fig = px.histogram(df, x="sepal_length",
nbins=50, # on choisi le nombre de barres
marginal=''
)
plot(fig)| marginal='violin' | marginal='box' |
|---|---|
 |
 |
df = px.data.tips()
fig = px.pie(df, values='tip', # ce qu'on compte
names='day', # sur quoi on tri
color='day',
hole=.3, # donut chart
color_discrete_map={'Thur':'lightblue', # couleur spécifique par valeur
'Fri':'lightred',
'Sat':'gold',
'Sun':'green'})
plot(fig)
On va représenter ici la force des vents, sur un diagramme polaire, avec la direction comme angle, et la force en taille :
df = px.data.wind()
fig = px.bar_polar(df, r="frequency", theta="direction", color="strength",
template="seaborn", # couleur de fond
color_discrete_sequence= px.colors.sequential.Plasma_r)
plot(fig)
from sklearn.linear_model import LinearRegression
df = px.data.tips()
X = df.total_bill.values.reshape(-1, 1)
model = LinearRegression()
model.fit(X, df.tip)
x_range = np.linspace(X.min(), X.max(), 100)
y_range = model.predict(x_range.reshape(-1, 1))
fig = px.scatter(df, x='total_bill', y='tip', opacity=0.65)
fig.add_traces(go.Scatter(x=x_range, y=y_range, name='Regression Fit'))
fig.show()
digits = load_digits()
umap_2d = UMAP(random_state=0)
umap_2d.fit(digits.data)
projections = umap_2d.transform(digits.data)
fig = px.scatter(
projections, x=0, y=1,
color=digits.target.astype(str), labels={'color': 'digit'}
)
plot(fig)
df = px.data.iris()
features = df.loc[:, :'petal_width']
tsne = TSNE(n_components=3, random_state=0)
projections = tsne.fit_transform(features, )
fig = px.scatter_3d(
projections, x=0, y=1, z=2,
color=df.species, labels={'color': 'species'}
)
fig.update_traces(marker_size=8)
plot(fig)
df = px.data.iris()
fig = px.scatter_matrix(df, dimensions=["sepal_width", "sepal_length", "petal_width", "petal_length"], color="species")
plot(fig)
Plotly graph_objects, importée en tant que go est la partie de Plotly utilisant la POO, pour créer des graphiques très complets. On va y retrouver la
plupart des fonctions de plotly express.
Vous verrez dans cette section quelles sont les fonctions les plus utiles de plotly graph_objetcs et comment les personnaliser
au maximum.
Voici la syntaxe globale d'un code utilisant plotly graph_objects :
fig = go.Figure() # création de la figure, ou alors make_subplots
fig.add_TypeTrace("parameters") # on ajoute des figure avec TypeTrace qui est pie, scatter, surface, etc..
...
fig.add_TypeTrace("parameters")
fig.update_traces("parameters")
fig.update_layout("parameters")
plot(fig)Pour un subplots on utilise un autre moyen pour initialiser la figure :
fig = make_subplots(rows=2, cols=2,
#column_widths=[0.6, 0.4],
#row_heights=[0.3, 0.3, 0.3],
subplot_titles=["", "", ""],
specs=[[{'type': 'xy'}, {'type': 'domain'}], # 1er ligne
[{'type': 'xy', 'colspan': 2}, None]], # 2e ligne, dont la 1er colonne s'etend sur celle de droite
# si on s'etend sur une colonne on utilise rowspan
# il existe plusieurs type de specs : xy, domain, scene, polar, ternary, mapbox
#horizontal_spacing=0.2,
#vertical_spacing=0.5
)
"Ensuite on ajoute les figure normalement, en indiquant juste l'emplacement du graphique avec les paramètres row et col"
x=np.linspace(-4,4)
# 1er figure
fig.add_scatter(x=np.linspace(-4,4), y=np.tanh(x),
marker=dict(color='green'),
row=1, col=1, name="tangente hyperbolique"
)
# 2e figure
fig.add_pie(labels=['oui', 'non'],
values=[201902,192981], row=1, col=2)
# 3e figure
fig.add_traces( # je vais ajouter 2 courbes en même temps sur la dernière ligne
[
go.Scatter(x=x, y=np.square(x), mode='markers+lines', name='x²'),
go.Scatter(x=x,y=-np.square(x), name='-x²')
],
rows=2, cols=1
)
plot(fig)
On pourra utiliser scattergl pour des gros datasets.
x = np.linspace(-2, 2, 100)
y = 1/(1+np.exp(-x))
fig = go.Figure()
# 1ere solution, on ajoute toutes les figures avec le même appel (pour appliquer une seule fois certains parametres)
fig.add_traces([go.Scatter(x=x, y=y, mode='markers', name='sigmoid'),
go.Scatter(x=x, y=-y, mode='lines', name='negative sigmoid')] )
# 2e solution, on ajoute les figures indépendemment
fig.add_scatter(x=x, y=1+y, mode='markers', name='sigmoid+1')
fig.add_scatter(x=x, y=1-y, mode='lines', name='1-sigmoid')
fig.update_layout(title="sigmoid")
plot(fig)
x = np.linspace(-5, 5, 100)
y = 1/(1+np.exp(-x))
fig = go.Figure()
fig.add_scatter(x=x,y=y,mode='lines',
name='sigmoid',
marker=dict(color='green'))
fig.add_annotation(x=0, y=0.5,
text='point en x=0',
showarrow=True,
arrowhead=1,
arrowsize=1,
arrowwidth=2,
arrowcolor='black',
bgcolor="orange",
borderwidth=1,
yshift=10)
plot(fig)
x = np.linspace(-5, 5, 100)
y = -1/(1+np.exp(-x))
fig=go.Figure()
fig.add_scatter(x=x, y=y)
fig.add_hline(y=-0.5, line_dash="dot", # vline pour verticale
annotation_text="0.5",
annotation_position="bottom right"
)
fig.add_hrect(y0=-0.85, y1=-0.15, # vrect pour verticale
annotation_text="-0.15 à -0.85",
annotation_position="top right",
fillcolor="blue", opacity=0.15, line_width=0.4)
plot(fig)
temps_exec = [0.40251994132995605, 0.014573812484741211, 0.23034405708312988, 0.4499189853668213, 0.8043158054351807, 0.21565508842468262, 0.10195517539978027, 0.35376596450805664, 0.5991549491882324, 0.08605694770812988, 1.1117901802062988, 0.9011919498443604, 0.3789708614349365, 0.8676671981811523, 1.3645083904266357, 0.8764557838439941, 0.13943982124328613, 0.05235695838928223, 0.1372683048248291, 0.29303503036499023]
l = [3.4549849033355713, 5.4536731243133545, 1.2118861675262451, 0.7063937187194824, 4.295026779174805, 11.98727297782898, 1.0320260524749756, 5.288934707641602, 9.74186897277832, 1.484644889831543, 6.555363893508911, 0.8726191520690918, 2.6839470863342285, 9.980525970458984, 0.665977954864502, 4.907128095626831, 2.7749810218811035, 5.096926927566528, 11.398299217224121, 3.3110921382904053]
fig=make_subplots(rows=2, cols=1,
subplot_titles=["Courbe bleue", "Courbe rouge"],
specs=[[{'type': 'xy'}], [{'type': 'xy'}]],
shared_xaxes=True,
)
## figures principales en haut ##
# Interpolation linéaire
fig.add_scatter(y=l, mode='lines', opacity=0.4, line=dict(color='royalblue', width=4), line_dash='dot', name='interpolation linéaire',row=1,col=1)
# Interpolation par spline
fig.add_scatter(y=l, mode='lines', line=dict(color='royalblue', width=4), line_shape='spline', name='interpolation par spline',
hovertemplate = "<br>%{y:.0f}</br>", row=1,col=1)
fig.update_xaxes(title="x", row=1, col=1)
fig.update_yaxes(title="y", row=1, col=1)
## Titre + axes labels ##
fig.update_layout(title="Interpolation")
## ligne moyenne ##
fig.add_shape(type="line", line_color="firebrick", line_width=2, opacity=1, line_dash="dot",
x0=0, x1=len(l)-1, y0=np.mean(l), y1=np.mean(l), row=1, col=1)
## fleche moyenne ##
fig.add_annotation(text="Moyenne : {}".format(int(np.mean(l)), grouping=True, monetary=True),
x=int(len(l)/5)*4, # arrows' head
y=np.mean(l)*1.2, # arrows' head
arrowhead=2, showarrow=True, row=1, col=1)
## layout custom ##
fig.update_xaxes(
showline=True,
showgrid=False,
showticklabels=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=1,col=1)
fig.update_yaxes(
showgrid=False,
zeroline=True,
showline=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=1, col=1)
## figures principales en bas ##
# Interpolation linéaire
fig.add_scatter(y=temps_exec, mode='lines', opacity=0.4, line=dict(color='firebrick', width=4), line_dash='dot', name="Interpolation linéaire",
row=2,col=1)
# Interpolation par spline
fig.add_scatter(y=temps_exec, mode='lines', line=dict(color='firebrick', width=4), line_shape='spline', name="Interpolation par spline",
hovertemplate = "<br>%{y:.3f}</br>", row=2,col=1)
## ligne moyenne ##
fig.add_shape(type="line", line_color="royalblue", line_width=2, opacity=1, line_dash="dot",
x0=0, x1=len(l)-1, y0=np.mean(temps_exec), y1=np.mean(temps_exec), row=2, col=1)
## fleche moyenne ##
fig.add_annotation(text="Moyenne : {} sec".format(round(np.mean(temps_exec),2), grouping=True, monetary=True),
x=int(len(temps_exec)/5)*4, # arrows' head
y=np.mean(temps_exec)*1.2, # arrows' head
arrowhead=2, showarrow=True, row=2, col=1)
fig.update_xaxes(title="x", row=2, col=1)
fig.update_yaxes(title="y", row=2, col=1)
## layout custom ##
fig.update_xaxes(
showline=True,
showgrid=False,
showticklabels=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=2, col=1)
fig.update_yaxes(
showgrid=False,
zeroline=True,
showline=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=2, col=1)
fig.update_layout(plot_bgcolor='white',
hoverlabel_align='right')
plot(fig)
Le dataset et disponible dans les fichiers du repo : "EURUSD_5y.csv"
vert = '#599673'
rouge = '#e95142'
noir = '#000'
df = pd.read_csv('path/EURUSD_5y.csv')
fig = go.Figure()
fig.add_trace(go.Scatter(
y = df['Close'],
x = df['Date'],
line=dict(color=noir, width=1),
name="",
hovertemplate=
"Date: %{x}<br>" +
"Close: %{y}<br>"
))
fig.add_hline(y=df['Close'].iloc[0],
line_dash="dot",
annotation_text="25 mai 2016",
annotation_position="bottom right",
line_width=1.5, line=dict(color='black'))
# montée 1
fig.add_vrect(x0='2017-01-01',x1='2018-02-20',
fillcolor=vert, opacity=0.2, line_width=0.4,
annotation_text='01-01-2017 au 02-20-2018',
annotation_position="top left",
annotation=dict(font=dict(size=8))
)
fig.add_traces(go.Indicator(
mode = "number+delta",
value = 1.239864,
number={'prefix': "$", 'font_size' : 40},
delta = {"reference": 1.052698, "valueformat": ".6f", "position" : "bottom"},
title = {"text": "Eur/USD"},
domain = {'y': [0, 0.5], 'x': [0.15, 0.4]}))
# descente 1
fig.add_traces(go.Indicator(
mode = "number+delta",
value = 1.077702,
number={'prefix': "$", 'font_size' : 40},
delta = {"reference": 1.237317, "valueformat": ".6f", "position" : "bottom"},
title = {"text": "Eur/USD"},
domain = {'y': [0.5, 0.7], 'x': [0.55, 0.75]}))
fig.add_vrect(x0='2018-04-18',x1='2020-04-24',
fillcolor=rouge, opacity=0.2, line_width=0.4,
annotation_text='18-04-2018 au 24-04-2020',
annotation_position="top right",
annotation=dict(font=dict(size=8))
)
fig.update_layout(
template='simple_white',
yaxis_title="Euro/USD close",
title_text="Euro/USD Close"
)
plot(fig) 
labels = ['Apple','Samsung','Nokia','Wiko']
values = [4500, 3000, 1053, 500]
fig = go.Figure()
fig.add_pie(labels=labels, # les valeurs sur lesquelles on compte
values=values, # ce qui sert à faire les pourcentages
pull=[0, 0, 0, 0.2], # represente une fraction de pi, ici on décale le 4e label
textposition='inside',
)
fig.update_traces(hoverinfo='label+percent', # ce qu'on voit avec la souris
textinfo='value', # Ce qu'on lit dans le pie
textfont_size=20, # taille du texte du pie
marker=dict(colors=['gold', 'mediumturquoise', 'darkorange', 'lightgreen']) # couleur des secteurs
)
plot(fig)
df = px.data.iris()
fig=go.Figure()
fig.add_violin(y=df['sepal_length'],
points='all', # pour tous les afficher
box_visible=True,
meanline_visible=True,
fillcolor='lightblue',
opacity=0.7,
name="longueur sepale")
fig.update_layout(yaxis_zeroline=False)
plot(fig)
A partir du code suivant, on a 2 types de diagrammes bâtons, qu'on choisi avec fig.add_histogram ou fig.add_bar :
df = px.data.iris()
fig=go.Figure()
fig.add_XXXXXX(x=df['sepal_width'])
plot(fig)| add_histogram | add_bar |
|---|---|
 |
 |
z_data = df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/volcano.csv")
fig = go.Figure(data=[go.Surface(z=z_data, colorscale='IceFire')]) # Z1 liste de liste
fig.update_layout(title='Mountain')
plot(fig)
df = px.data.iris()
fig = px.scatter_3d(df, x='sepal_length', y='sepal_width', z='petal_width',
color='species', size='petal_length', size_max=18,symbol='species', opacity=0.7)
plot(fig)
# liens
edge_x, edge_y = [1.5,3,None,1.5,3,None,1.5,3,None,1.5,3,None,1.5,3,None,1.5,3,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,],\
[1,0,None,1,2,None,1,4,None,3,0,None,3,2,None,3,4,None,0,1,None,0,1,None,0,3,None,2,1,None,2,3,None,4,1,None,4,3,None,]
# None pour couper la ligne
edge_trace = go.Scatter(
x=edge_x, y=edge_y,
line=dict(width=2, color='#000000'),
hoverinfo='none',
mode='lines')
# traçage des noeuds
node_x, node_y = [1.5,1.5,3,3,3,4.5,4.5],\
[1,3,0,2,4,1,3]
node_trace = go.Scatter(
x=node_x, y=node_y,
mode='markers',
hoverinfo='text',
marker=dict(
color='green',
size=20,
line_width=1.5))
# affichage
fig = go.Figure(data=[edge_trace, node_trace],
layout=go.Layout(
titlefont_size=16,
showlegend=False,
hovermode='closest',
margin=dict(b=20,l=5,r=5,t=40),
xaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
yaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
yaxis_range=[-6,10],
xaxis_range=[-5,11]
)
)
plot(fig)
Le contenu de df_final est disponible dans les fichiers du github.
from sklearn.svm import SVR
mesh_size = .02
margin = 0
df = df_final
X = df[['x', 'y']]
y = df['hauteurs']
# Modele
model = SVR(C=1.)
model.fit(X, y)
# mesh grid
x_min, x_max = X.x.min() - margin, X.x.max() + margin
y_min, y_max = X.y.min() - margin, X.y.max() + margin
xrange = np.arange(x_min, x_max, mesh_size)
yrange = np.arange(y_min, y_max, mesh_size)
xx, yy = np.meshgrid(xrange, yrange)
# On run le modele
pred = model.predict(np.c_[xx.ravel(), yy.ravel()])
pred = pred.reshape(xx.shape)
# plot
fig = px.scatter_3d(df, x='x', y='y', z='hauteurs')
fig.update_traces(marker=dict(size=5))
fig.add_traces(go.Surface(x=xrange, y=yrange, z=pred, name='pred_surface'))
plot(fig)
fig = go.Figure()
fig.add_scattermapbox(
# on relie Miami (lat = 25.7616798, long = -80.1917902) et Chicago (lat = 41.8119, long = -87.6873)
mode = "markers+lines",
lon = [-80.1917902, -87.6873],
lat = [25.7616798, 41.8119],
marker = {'size': 10,
'color': 'firebrick',
})
fig.update_layout(
margin ={'l':0,'t':0,'b':0,'r':0}, # marge left, top, bottom, right
mapbox = {
'center': {'lon': -80, 'lat': 40},
'style': "stamen-terrain",
'zoom': 3})
plot(fig)
fig = go.Figure()
# les 3 points :
# Bermudes : lat = 32.320236, long = -64.7740215
# Miami : lat = 25.7616798, long = -80.1917902
# San Juan : lat = 18.2232855, long = -66.5927315
fig.add_scattermapbox(
fill = "toself",
lon = [-64.7740215, -80.1917902, -66.5927315], lat = [32.320236, 25.7616798, 18.2232855],
marker = { 'size': 2, 'color': "red" })
fig.update_layout(
margin ={'l':0,'t':0,'b':0,'r':0},
mapbox = {
'style': "stamen-terrain",
'center': {'lon': -80, 'lat': 25 },
'zoom': 3},
showlegend = False)
plot(fig)
df = px.data.gapminder().query("year == 2007")
fig = px.scatter_geo(df, locations="iso_alpha", # on situe le pays avec son raccourci international
color="continent", # on colorie par continent
hover_name="country", # ce qu'on voit avec la souris
size="gdpPercap", # la taille des points dépend du pib du pays
projection="natural earth" # type de carte
)
plot(fig)
token = 'your token from https://studio.mapbox.com'
fig = go.Figure()
fig.add_scattermapbox(
mode = "markers",
name="",
lon = list(df['long'].apply(lambda x : float(x))),
lat = list(df['lat'].apply(lambda x : float(x))),
marker = dict(size= 5,
color= df['richter'],
showscale = True,
colorscale="jet"
),
hovertemplate=
"longitude: %{lon}<br>" +
"latitude: %{lat}<br>"+
"intensité: %{marker.color}" ,
)
fig.update_layout(
margin ={'l':0,'t':0,'b':0,'r':0},
mapbox = {
'accesstoken': token,
'style': 'light',
'center': {'lon': -80, 'lat': 25 },},
)
plot(fig)
Plotly.figure_factory est la partie de plotly qui intervient quand l'utilisation de Go et Px devient impossible.
x = [np.random.randn(150)]
label = ['Groupe 1']
color = ['#B36CD2']
fig = ff.create_distplot(x, label, colors=color,
bin_size=.2, show_rug=False)
fig.update_layout(title_text='Distplot')
plot(fig)
z = [[1, 1, 3],
[3, 1, 3],
[3, 1, 1]]
x = ['Équipe A', 'Équipe B', 'Équipe C']
y = ['Match 3', 'Match 2', 'Match 1']
z_text = [['Perdu', 'Perdu', 'Gagné'],
['Gagné', 'Perdu', 'Gagné'],
['Gagné', 'Perdu', 'Perdu']]
fig = ff.create_annotated_heatmap(z, x=x, y=y, annotation_text=z_text, colorscale='gnbu')
plot(fig)
X = np.array([[1],[2], [5], [3]])
fig = ff.create_dendrogram(X)
fig.update_layout(width=1080, height=675)
plot(fig)
x,y = np.meshgrid(np.arange(0, 2, .2), np.arange(0, 2, .2))
u = -np.cos(y)*x
v = np.sin(x)*y+1
fig = ff.create_quiver(x, y, u, v)
plot(fig)
x = np.linspace(-4, 4, 80)
y = np.linspace(-4, 4, 80)
Y, X = np.meshgrid(x, y)
u = -(1 + X )**2 + 2*Y
v = 1 - X + (Y+1)**2
fig = ff.create_streamline(x, y, u, v, arrow_scale=.2)
plot(fig)
data_matrix = [['Forme factorisée', 'Forme developpée'],
['$(a+b)^{2}$', '$a^{2}+2ab+b^{2}$'],
['$(a-b)^{2}$', '$a^{2}-2ab+b^{2}$'],
['$(a+b)(a-b)$', '$a^{2}-b^{2}$']]
fig = ff.create_table(data_matrix)
plot(fig, include_mathjax='cdn')
df = px.data.iris()
fig=ff.create_table(df)
plot(fig)
