转自：https://mp.weixin.qq.com/s/FNpNJSMK5Vs8pwi0PbbBzw
说明：图片无法直接复制，请查看原文
导读：Plotly Express 是一个新的高级 Python 可视化库：它是 Plotly.py 的高级封装，它为复杂的图表提供了一个简单的语法。
受 Seaborn 和 ggplot2 的启发，它专门设计为具有简洁，一致且易于学习的 API ：只需一次导入，你就可以在一个函数调用中创建丰富的交互式绘图，包括分面绘图（faceting）、地图、动画和趋势线。它带有数据集、颜色面板和主题，就像 Plotly.py 一样。
01 Plotly Express 入门之路
Plotly Express 完全免费：凭借其宽松的开源 MIT 许可证，你可以随意使用它（是的，甚至在商业产品中！）。
最重要的是，Plotly Express 与 Plotly 生态系统的其他部分完全兼容：在你的 Dash 应用程序中使用它，使用 Orca 将你的数据导出为几乎任何文件格式，或使用JupyterLab 图表编辑器在 GUI 中编辑它们！
用 pip install plotly_express 命令可以安装 Plotly Express。
02 使用 Plotly Express 轻松地进行数据可视化
一旦导入Plotly Express（通常是 px ），大多数绘图只需要一个函数调用，接受一个整洁的Pandas dataframe，并简单描述你想要制作的图。如果你想要一个基本的散点图，它只是 px.scatter（data，x ="column_name"，y ="column_name"）。
以下是 内置的 Gapminder 数据集 的示例，显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势：
import plotly_express as px
gapminder = px.data.gapminder()
gapminder2007 = gapminder.query('year == 2007')
px.scatter(gapminder2007, x='gdpPercap', y='lifeExp')如果你想通过大陆区分它们，你可以使用 color 参数为你的点着色，由 px 负责设置默认颜色，设置图例等：
这里的每一点都是一个国家，所以也许我们想要按国家人口来衡量这些点...... 没问题：这里也有一个参数来设置，它被称为 size：
如果你好奇哪个国家对应哪个点？ 可以添加一个 hover_name ，你可以轻松识别任何一点：只需将鼠标放在你感兴趣的点上即可！ 事实上，即使没有 hover_name ，整个图表也是互动的：
也可以通过 facet_col ="continent" 来轻松划分各大洲，就像着色点一样容易，并且让我们使用 x轴 对数（log_x）以便在我们在图表中看的更清晰：
也许你不仅仅对 2007年 感兴趣，而且你想看看这张图表是如何随着时间的推移而演变的。可以通过设置 animation_frame="year" （以及 animation_group ="country" 来标识哪些圆与控制条中的年份匹配）来设置动画。
在这个最终版本中，让我们在这里调整一些显示，因为像“gdpPercap” 这样的文本有点难看，即使它是我们的数据框列的名称。我们可以提供更漂亮的“标签” （labels），可以在整个图表、图例、标题轴和悬停（hovers）中应用。我们还可以手动设置边界，以便动画在整个过程中看起来更棒：
因为这是地理数据，我们也可以将其表示为动画地图，因此这清楚地表明 Plotly Express 不仅仅可以绘制散点图（不过这个数据集缺少前苏联的数据）。
事实上，Plotly Express 支持三维散点图、三维线形图、极坐标和地图上三元坐标以及二维坐标。条形图（Bar）有二维笛卡尔和极坐标风格。
进行可视化时，你可以使用单变量设置中的直方图（histograms）和箱形图（box）或小提琴图（violin plots），或双变量分布的密度等高线图（density contours）。大多数二维笛卡尔图接受连续或分类数据，并自动处理日期/时间数据。可以查看我们的图库 (ref-3) 来了解每个图表的例子。
上述动态图包含10多张图片的可视化，本文译者已将代码整合到 jupyter notebook 文件中，在公众号后台对话框回复Plotly即可获得源代码。
03 可视化分布
数据探索的主要部分是理解数据集中值的分布，以及这些分布如何相互关联。Plotly Express 有许多功能来处理这些任务。
使用直方图（histograms），箱形图（box）或小提琴图（violin plots）可视化单变量分布：
直方图
箱形图
小提琴图
还可以创建联合分布图（marginal rugs），使用直方图，箱形图（box）或小提琴来显示双变量分布，也可以添加趋势线。Plotly Express 甚至可以帮助你在悬停框中添加线条公式和R²值！ 它使用 statsmodels 进行普通最小二乘（OLS）回归或局部加权散点图平滑（LOWESS）。
04 颜色面板和序列
在上面的一些图中你会注意到一些不错的色标。在 Plotly Express 中， px.colors 模块包含许多有用的色标和序列：定性的、序列型的、离散的、循环的以及所有你喜欢的开源包：ColorBrewer、cmocean 和 Carto 。我们还提供了一些功能来制作可浏览的样本供你欣赏（ref-3）：
定性的颜色序列：
众多内置顺序色标中的一部分：
05 用一行 Python 代码进行交互式多维可视化
我们特别为我们的交互式多维图表感到自豪，例如散点图矩阵（SPLOMS）、平行坐标和我们称之为并行类别的并行集。通过这些，你可以在单个图中可视化整个数据集以进行数据探索。在你的Jupyter 笔记本中查看这些单行及其启用的交互：
散点图矩阵（SPLOM）允许你可视化多个链接的散点图：数据集中的每个变量与其他变量的关系。数据集中的每一行都显示为每个图中的一个点。你可以进行缩放、平移或选择操作，你会发现所有图都链接在一起！
平行坐标允许你同时显示3个以上的连续变量。dataframe 中的每一行都是一行。你可以拖动尺寸以重新排序它们并选择值范围之间的交叉点。
并行类别是并行坐标的分类模拟：使用它们可视化数据集中多组类别之间的关系。
06 Plotly 生态系统的一部分
Plotly Express 之于 Plotly.py 类似 Seaborn 之于 matplotlib：Plotly Express 是一个高级封装库，允许你快速创建图表，然后使用底层 API 和生态系统的强大功能进行修改。
对于Plotly 生态系统，这意味着一旦你使用 Plotly Express 创建了一个图形，你就可以使用Themes，使用 FigureWidgets 进行命令性编辑，使用 Orca 将其导出为几乎任何文件格式，或者在我们的 GUI JupyterLab 图表编辑器中编辑它 。
主题（Themes）允许你控制图形范围的设置，如边距、字体、背景颜色、刻度定位等。你可以使用模板参数应用任何命名的主题或主题对象：
有三个内置的 Plotly 主题可以使用， 分别是 plotly， plotlywhite 和 plotlydark。
px 输出继承自 Plotly.py 的 Figure 类 ExpressFigure 的对象，这意味着你可以使用任何 Figure 的访问器和方法来改变 px生成的绘图。例如，你可以将 .update() 调用链接到 px 调用以更改图例设置并添加注释。 .update() 现在返回修改后的数字，所以你仍然可以在一个很长的 Python 语句中执行此操作：
在这里，在使用 Plotly Express 生成原始图形之后，我们使用 Plotly.py 的 API 来更改一些图例设置并添加注释。
07 能够与 Dash 完美匹配
Dash 是 Plotly 的开源框架，用于构建具有 Plotly.py 图表的分析应用程序和仪表板。Plotly Express 产生的对象与 Dash 100％兼容，只需将它们直接传递到 dash_core_components.Graph，如下所示： dcc.Graph(figure = px.scatter(...))。这是一个非常简单的 50行 Dash 应用程序的示例，它使用 px 生成其中的图表：
这个 50 行的 Dash 应用程序使用 Plotly Express 生成用于浏览数据集的 UI 。
08 设计理念：为什么我们创建 Plotly Express？
可视化数据有很多原因：有时你想要提供一些想法或结果，并且你希望对图表的每个方面施加很多控制，有时你希望快速查看两个变量之间的关系。这是交互与探索的范畴。
Plotly.py 已经发展成为一个非常强大的可视化交互工具：它可以让你控制图形的几乎每个方面，从图例的位置到刻度的长度。不幸的是，这种控制的代价是冗长的：有时可能需要多行 Python 代码才能用 Plotly.py 生成图表。
我们使用 Plotly Express 的主要目标是使 Plotly.py 更容易用于探索和快速迭代。
我们想要构建一个库，它做出了不同的权衡：在可视化过程的早期牺牲一些控制措施来换取一个不那么详细的 API，允许你在一行 Python 代码中制作各种各样的图表。然而，正如我们上面所示，该控件并没有消失：你仍然可以使用底层的 Plotly.py 的 API 来调整和优化用 Plotly Express 制作的图表。
支持这种简洁 API 的主要设计决策之一是所有 Plotly Express 的函数都接受“整洁”的 dataframe 作为输入。
每个 Plotly Express 函数都体现了dataframe 中行与单个或分组标记的清晰映射，并具有图形启发的语法签名，可让你直接映射这些标记的变量，如 x 或 y 位置、颜色、大小、 facet-column 甚至是 动画帧到数据框（dataframe）中的列。
当你键入 px.scatter（data，x ='col1'，y='col2'） 时，Plotly Express 会为数据框中的每一行创建一个小符号标记 - 这就是 px.scatter 的作用 - 并将 “col1” 映射到 x 位置（类似于 y 位置）。
这种方法的强大之处在于它以相同的方式处理所有可视化变量：你可以将数据框列映射到颜色，然后通过更改参数来改变你的想法并将其映射到大小或进行行分面（facet-row）。
接受整个整洁的 dataframe 的列名作为输入（而不是原始的 numpy 向量）也允许 px 为你节省大量的时间，因为它知道列的名称，它可以生成所有的 Plotly.py 配置用于标记图例、轴、悬停框、构面甚至动画帧。但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告诉 px 用每个函数的 labels 参数替换更好的。
仅接受整洁输入所带来的最终优势是它更直接地支持快速迭代：你整理一次数据集，从那里可以使用 px 创建数十种不同类型的图表，包括在 SPLOM 中可视化多个维度 、使用平行坐标、在地图上绘制，在二维、三维极坐标或三维坐标中使用等，所有这些都不需要重塑你的数据！
我们没有以权宜之计的名义牺牲控制的所有方面，我们只关注你想要在数据可视化过程的探索阶段发挥的控制类型。你可以对大多数函数使用 category_orders 参数来告诉 px 你的分类数据“好”、“更好”、“最佳” 等具有重要的非字母顺序，并且它将用于分类轴、分面绘制 和图例的排序。
你可以使用 color_discrete_map （以及其他 * _map 参数）将特定颜色固定到特定数据值（如果这对你的示例有意义）。当然，你可以在任何地方重构 color_discrete_sequence 或 color_continuous_scale （和其他 *_sequence 参数）。
在 API 级别，我们在 px 中投入了大量的工作，以确保所有参数都被命名，以便在键入时最大限度地发现：所有 scatter -类似的函数都以 scatter 开头（例如 scatter_polar， scatter_ternary）所以你可以通过自动补全来发现它们。
我们选择拆分这些不同的散点图函数，因此每个散点图函数都会接受一组定制的关键字参数，特别是它们的坐标系。也就是说，共享坐标系的函数集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的参数，以最大限度地方便学习。
我们还花了很多精力来提出简短而富有表现力的名称，这些名称很好地映射到底层的 Plotly.py 属性，以便于在工作流程中稍后调整到交互的图表中。
最后，Plotly Express 作为一个新的 Python 可视化库，在 Plotly 生态系统下，将会迅速发展。所以不要犹豫，立即开始使用 Plotly Express 吧！
公众号后台对话框回复Plotly即可获得源代码。
文章来源：
https://medium.com/@plotlygraphs/introducing-plotly-express-808df010143d
参考文献：
ref-1：
https://nbviewer.jupyter.org/github/plotly/plotly_express/blob/master/walkthrough.ipynb
ref-2：
https://mybinder.org/v2/gh/plotly/plotly_express/master?filepath=walkthrough.ipynb
ref-3：
https://plotly.github.io/plotly_express/