高大上！五个python高级可视化图表！_python高级图形代码

本文分享5个“高大上”的python可视化图表及其python实现代码。

1. 和弦图（Chord Diagram）

和弦图，作为一种数据可视化工具，独具匠心地展示了数据间的复杂关系。在图表中，节点井然有序地分布于圆周之上，点与点之间则以优雅的弧线相互连接，这些弧线不仅揭示了数据间的内在联系，还通过其长度的差异，直观地反映了连接间的数值大小。更进一步，弧线的粗细程度还巧妙地映射出数据间关系的重要性，使观察者能一目了然地洞察数据背后的故事。

此外，和弦图还巧妙地运用了色彩这一视觉元素，将数据分门别类，使得数据的比较和区分变得直观且易于理解。这一特性使得和弦图在多个领域都有着广泛的应用，特别是在生物科学领域，它成为了可视化基因数据的得力助手。在国际学术刊物上，和弦图更是被誉为信息图表(info graphics)的典范，用于揭示社交网络的交织、基因组的奥秘、交通流的动态以及贸易关系的错综复杂。

以下示例代码使用Holoviews & Bokeh创建和弦图，展示5个不同国家之间的贸易关系。

import holoviews as hv
from holoviews import opts
import pandas as pd
import numpy as np
hv.extension('bokeh')
 
 
# Sample matrix representing the export volumes between 5 countries
export_data = np.array([[0, 50, 30, 20, 10],   
                        [10, 0, 40, 30, 20],   
                        [20, 10, 0, 35, 25],   
                        [30, 20, 10, 0, 40],   
                        [25, 15, 30, 20, 0]]) 
 
 
labels = ['USA', 'China', 'Germany', 'Japan', 'India']
 
 
# Creating a pandas DataFrame
df = pd.DataFrame(export_data, index=labels, columns=labels)
df = df.stack().reset_index()
 
 
df.columns = ['source', 'target', 'value']
 
 
# Creating a Chord object
chord = hv.Chord(df)
 
 
# Styling the Chord diagram
chord.opts(
    opts.Chord(
        cmap='Category20', edge_cmap='Category20', 
        labels='source', label_text_font_size='10pt',  
        edge_color='source', node_color='index', 
        width=700, height=700 
    )
).select(value=(5, None)) 
 
 
# Display the plot
chord

https://holoviews.org/reference/elements/matplotlib/Chord.html

https://github.com/moshi4/pyCirclize

2. 旭日图（Sunburst Chart）

旭日图（Sunburst Chart）以其独特的视觉呈现方式，超越了传统的饼图和环图，能够清晰地表达数据的层级和归属关系。它通过父子层次结构来展示数据的构成情况，使用户能够轻松理解和分析复杂的层次数据。

旭日图由多个环形组成，每个环形都代表着层次结构中的一个不同级别。图表的中心是层次结构的根或顶层，象征着数据的起点。每个环上的每个部分或扇区则代表着该层次结构中的一个具体节点，而每个部分/扇区的大小则与其在兄弟节点中的相对值成比例，直观地反映了数据的重要性。

旭日图在多个领域中都展现出了其强大的数据可视化能力，如计算机文件系统的层级结构、网站用户的导航路径、市场细分数据的层级关系以及复杂的基因组数据等。这些应用场景都通过旭日图得以清晰、直观地呈现，帮助用户快速理解数据的内在结构和逻辑关系。

下面是一段使用Python库Plotly绘制旭日图的示例代码，您可以通过这段代码轻松创建出具有丰富层次结构和数据信息的旭日图。

import plotly.express as px
import numpy as np
 
 
df = px.data.gapminder().query("year == 2007")
 
 
fig = px.sunburst(df, path=['continent', 'country'], 
                  values='pop',
                  color='lifeExp', 
                  hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()

https://plotly.com/python/sunburst-charts/

3. 六边形箱图（Hexbin Plot）

六边形箱图（通常称为六边形分箱图或六边形热力图）是一种非常有效的可视化工具，用于展示二维数据分布，尤其是在数据点过于密集而导致传统散点图难以区分单个点的情况下。这种方法将数据空间划分为一系列六边形单元（或“箱”），并根据每个单元中的数据点数量进行着色，从而提供了数据分布情况的直观表示。

以下是一个使用Python和Matplotlib库创建六边形分箱图的示例，旨在揭示空气质量恶化（使用空气质量指数/AQI）与增加的医院就诊之间的潜在相关性。请注意，为了简化示例，我们将使用模拟数据。

import numpy as np  
import matplotlib.pyplot as plt  
from mplhexbin import HexBin  
  
# 假设的模拟数据  
np.random.seed(0)  # 确保结果可复现  
n_points = 10000  
x = np.random.rand(n_points) * 100  # 空气质量指数（AQI）范围从0到100  
y = 5 * np.sin(x * np.pi / 50) + np.random.randn(n_points) * 15  # 假设的医院就诊数量，与AQI相关但具有噪声  
  
# 创建一个新的图形  
fig, ax = plt.subplots(figsize=(10, 8))  
  
# 使用HexBin创建六边形分箱图  
hb = HexBin(ax, gridsize=20, cmap='viridis', extent=[0, 100, -30, 50])  # 设置网格大小、颜色映射和范围  
hb.hexbin(x, y, mincnt=1)  # 绘制六边形分箱图，mincnt设置最小计数阈值  
  
# 添加标题和轴标签  
ax.set_title('空气质量指数（AQI）与医院就诊数量的关系')  
ax.set_xlabel('空气质量指数（AQI）')  
ax.set_ylabel('医院就诊数量')  
  
# 显示图形  
plt.colorbar(hb.cmap, ax=ax, label='数据点数量')  # 添加颜色条并设置标签  
plt.show()

https://matplotlib.org/stable/gallery/statistics/hexbin_demo.html

4. 桑基图（Sankey Diagram）

桑基图（Sankey Diagram），也被称为桑基能量分流图或桑基能量平衡图，是一种特殊类型的流程图，特别适用于展示能源、材料成分、金融等领域中数据流量的可视化分析。这一图表类型的命名源于1898年Matthew Henry Phineas Riall Sankey所绘制的“蒸汽机的能源效率图”，该图因其直观展示能量流动的方式而广受赞誉，并因此得名“桑基图”。

桑基图通过节点和它们之间的链接来表示系统不同阶段或部分之间数量的流动。节点通常表示系统中的不同部分或阶段，而链接则表示这些部分或阶段之间的流动关系。最为独特的是，桑基图中链接的宽度直接与流动的数量成比例，使得数据的规模和流向一目了然。

通过这种直观的数据可视化方式，桑基图可以帮助用户更好地理解系统中各部分之间的能量、物质或资金的流动情况，从而有助于做出更明智的决策。在能源、材料科学、经济学和金融学等领域，桑基图已经成为一种不可或缺的数据分析工具。

Plotly库可以用来创建如下所示的桑基图。以下代码表示能量从生产源流向小城市的消费者。

import plotly.graph_objects as go
 
 
labels = ["Coal", "Solar", "Wind", "Nuclear", "Residential", "Industrial", "Commercial"]
 
 
source = [0, 1, 2, 3, 0, 1, 2, 3] 
target = [4, 4, 4, 4, 5, 5, 5, 5] 
value = [25, 10, 40, 20, 30, 15, 25, 35] 
 
 
# Create the Sankey diagram object
fig = go.Figure(data=[go.Sankey(
    node=dict(
        pad=15,  
        thickness=20, 
        line=dict(color="black", width=0.5),
        label=labels 
    ),
    link=dict(
        source=source,  
        target=target, 
        value=value  
    ))])
 
 
fig.update_layout(title_text="Energy Flow in Model City", font_size=12)
fig.show()

https://plotly.com/python/sankey-diagram/

5. 主题河流图（Stream Graph/ Theme River）

主题河流图，顾名思义，其形态宛如自然界的河流，实际上它是一种独具匠心的流图设计。这种图表主要用于描绘事件或主题随时间而发生的动态变化。河流图中，不同的颜色巧妙地区分了各个类别，或用以展示每个类别的附加定量信息。而河流的流向则与横贯图表的X轴平行，清晰映射出时间的流逝。

更为精妙的是，每个类别的数值大小通过“河流”的宽度来直观展现。当某一类别的数值增大时，其对应的河流部分便会拓宽；而当数值减小，河流则相应地变窄。这种变化使得整个图表仿佛是由无数条宽窄不一的河流汇集、交织而成，从而得名“主题河流图”。这种设计不仅富有美感，更能让观察者一目了然地掌握数据的变化趋势和相互关系。

Altair数据可视化库可用于绘制流图，如下所示。

import altair as alt
from vega_datasets import data
 
 
source = data.unemployment_across_industries.url
 
 
alt.Chart(source).mark_area().encode(
    alt.X('yearmonth(date):T',
        axis=alt.Axis(format='%Y', domain=False, tickSize=0)
    ),
    alt.Y('sum(count):Q', stack='center', axis=None),
    alt.Color('series:N',
        scale=alt.Scale(scheme='category20b')
    )
).interactive()

https://altair-viz.github.io/gallery/streamgraph.html