Plotly Distplots 密度图和误差条图
在本章中，我们将详细了解分布图、密度图和误差线图。让我们从了解 distplots 开始。
分布图
distplot 图形工厂显示数字数据的统计表示组合，例如直方图、核密度估计或正态曲线和地毯图。
distplot 可以由以下 3 个组件的全部或任意组合组成：
- 直方图
- 曲线：(a)核密度估计或(b)正态曲线，和
- rug plot
The 人物工厂 模块有 create_distplot() 需要一个名为 hist_data 的强制参数的函数。
下面的代码创建了一个基本的分布图，包括一个直方图、一个 kde 图和一个地毯图。
x = np.random.randn(1000) hist_data = [x] group_labels = ['distplot'] fig = ff.create_distplot(hist_data, group_labels) iplot(fig)
上述代码的输出如下：
密度图
密度图是根据数据估计的直方图的平滑连续版本。最常见的估计形式称为 核密度估计 (KDE) .在这种方法中，在每个单独的数据点绘制一条连续曲线(内核)，然后将所有这些曲线加在一起以进行单个平滑密度估计。
The create_2d_density() 模块中的功能 plotly.figure_factory._2d_density 返回二维密度图的图形对象。
以下代码用于在直方图数据上生成 2D 密度图。
t = np.linspace(-1, 1.2, 2000) x = (t**3) + (0.3 * np.random.randn(2000)) y = (t**6) + (0.3 * np.random.randn(2000)) fig = ff.create_2d_density( x, y) iplot(fig)
下面提到的是上面给定代码的输出。
误差线图
误差线是数据中错误或不确定性的图形表示，它们有助于正确解释。出于科学目的，错误报告对于理解给定数据至关重要。
误差线对问题解决者很有用，因为误差线显示了一组测量值或计算值的置信度或精度。
大多数误差条表示数据集的范围和标准偏差。它们可以帮助可视化数据如何围绕平均值分布。可以在各种图上生成误差线，例如条形图、线图、散点图等。
The go.Scatter() 功能有 error_x and error_y 控制如何生成误差线的属性。
-
可见(布尔值) ：判断这组误差线是否可见。
类型属性具有可能的值“ percent " | " constant " | " sqrt " | " data ”。它设置用于生成误差线的规则。如果是“百分比”，则条形长度对应于基础数据的百分比。在 `value` 中设置此百分比。如果为“sqrt”，则条形长度对应于基础数据的平方。如果是“数据”，则使用数据集“数组”设置条形长度。
-
对称的 属性可以是真或假。因此，误差线在两个方向上的长度是否相同(垂直条的顶部/底部，水平条的左/右。
-
array ：设置每个误差条长度对应的数据。值是相对于基础数据绘制的。
-
数组减号 ： 设置垂直(水平)条的底部(左)方向每个误差条长度对应的数据值相对于基础数据绘制。
以下代码在散点图上显示对称误差条：
trace = go.Scatter( x = [0, 1, 2], y = [6, 10, 2], error_y = dict( type = 'data', # value of error bar given in data coordinates array = [1, 2, 3], visible = True) ) data = [trace] layout = go.Layout(title = 'Symmetric Error Bar') fig = go.Figure(data = data, layout = layout) iplot(fig)
下面给出的是上述代码的输出。
非对称误差图由以下脚本渲染：
trace = go.Scatter( x = [1, 2, 3, 4], y =[ 2, 1, 3, 4], error_y = dict( type = 'data', symmetric = False, array = [0.1, 0.2, 0.1, 0.1], arrayminus = [0.2, 0.4, 1, 0.2] ) ) data = [trace] layout = go.Layout(title = 'Asymmetric Error Bar') fig = go.Figure(data = data, layout = layout) iplot(fig)
相同的输出如下所示：
