scatter_matrix(散点矩阵图,又称“散点图矩阵”或“SPLOM”)用于可视化多个数值变量之间的两两关系,适合探索数据集的相关性和分布。 # 绘制成对散点图 fig = px.scatter_matrix(df, dimensions = ["sepal_length","sepal_width", "petal_length","petal_width", "specie
一. 基础图表类型 1、散点图与气泡图 scatter(): 二维散点图scatter_3d(): 三维散点图scatter_matrix(): 散点矩阵（平行坐标）scatter_polar(): 极坐标散点图scatter_ternary(): 三元散点图 通常使用以下参数：x: x轴数据列名。y: y轴数据列名。color: 根据该列的不同值对点进行着色。size: 控制点的...
箱线图能够显示离群点，可以通过IQR（InterQuartile Range，四分位距即Q3-Q1）计算得到。该离群点定义...
import plotly.express as px import pandas as pd # 创建示例数据 data = pd.DataFrame({ 'x1': [1, 2, 3, 4, 5], 'x2': [2, 4, 6, 8, 10], 'x3': [3, 6, 9, 12, 15], 'x4': [4, 8, 12, 16, 20] }) # 创建散点图矩阵 fig = px.scatter_matrix(data, dimensions=['...
这个示例使用 Plotly 创建一个简单的折线图。我们使用NumPy生成样本数据，并使用 Plotly 的 go.Scatter ...
px.scatter_matrix( iris, # 数据 dimensions=["sepal_width","sepal_length","petal_width","petal_length"], # 维度选择 color="species") # 颜色 3.9 平行坐标图 px.parallel_coordinates( iris, # 数据集 color="species_id", # 颜色 labels={"species_id":"Species", # 各种标签值"sepal_width"...
fig = ff.create_scatterplotmatrix( df, diag="histogram", colormap="Viridis",# 对角线显示直方图width=800, height=800, ) fig.update_layout(title="鸢尾花特征矩阵图") fig.show() 通过这个图,我们可以分析鸢尾花不同属性之间的关联关系。
scatter_matrix:矩阵散点图 在散点图矩阵(或SPLOM)中,每行data_frame由多个符号标记表示,在2D散点图的网格的每个单元格中有一个,其将每对dimensions彼此相对绘制; density_contour:密度等值线图(双变量分布) 在密度等值线图中,行data_frame被组合在一起,成为轮廓标记,以可视化该值的聚合函数histfunc(例如:计数或...
基础图形: scatter, line, area, bar, funnel, timeline部分到整体图表: pie, sunburst, treemap, funnel_area一维分布图: histogram, box, violin, strip二维分布图: density_heatmap, density_contour矩阵的输入图: imshow三维图: scatter_3d, line_3d多维图: scatter_matrix, parallel_coordinates, parallel_...
三维: scatter_3d(三维散点图), line_3d(三维线条图) 多维: scatter_matrix(矩阵散点图), parallel_coordinates(平行坐标图), parallel_categories(并行类别图) 平铺地图: scatter_mapbox(地图散点图), line_mapbox(地图线条图), choropleth_mapbox(等高(值)区域地图), density_mapbox(热力密度地图) ...