用Python当中Plotly.Express模块绘制几张图表，真的被惊叹到了

emplate="plotly_dark",)

fig.show()

output

Gantt Charts

桑基左图(Gantt Charts)被用来透露概念设计工程的颇为困难颇为有帮助，其中的纵轴透露的是概念设计的名称，横轴透露的是定于，能够非常直观地表达概念设计的周期以及颇为困难，示例如下

df = pd.DataFrame([

dict(Task="Job A", Start='2009-01-01', Finish='2009-02-28'),

dict(Task="Job B", Start='2009-03-05', Finish='2009-04-15'),

dict(Task="Job C", Start='2009-02-20', Finish='2009-05-30')

])

df.head()

output

资料之中的有概念设计的开始定于和结束定于，然后我们线程px.timeline工具来绘制再加桑基左图，示例如下

fig = px.timeline(df, x_start="Start", x_end="Finish", y="Task")

fig.update_yaxes(autorange="reversed")

fig.show()

output

当然要是各不相同的概念设计由不用的人来负责，我们也可以在左范例后面标注出来，示例如下

df = pd.DataFrame([

dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-28', PorjectManager="方是"),

dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', PorjectManager="方是"),

dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', PorjectManager="小李")

])

fig = px.timeline(df, x_start="StartDate", x_end="Finish", y="Task", color="PorjectManager")

fig.update_yaxes(autorange="reversed")

fig.show()

output

当然概念设计的完再加进度也可以在左范例后面透露出来，示例如下

df = pd.DataFrame([

dict(Task="Job A", StartDate='2009-01-01', FinishDate='2009-02-25', Completion_pct=60),

dict(Task="Job B", StartDate='2009-03-05', FinishDate='2009-04-15', Completion_pct=40),

dict(Task="Job C", StartDate='2009-02-20', FinishDate='2009-05-30', Completion_pct=75)

])

fig = px.timeline(df, x_start="StartDate", x_end="FinishDate", y="Task", color="Completion_pct")

fig.update_yaxes(autorange="reversed")

fig.show()

output

Map

在plotly.express模组之中的绘制地左图也是颇为的简单，例如我们绘制的是地左图之中的的散点左图，线程的是scatter_geo()工具，示例如下

df = px.data.gapminder().query("year == 2002")

fig = px.scatter_geo(df, locations="iso_alpha",

size="pop",

fig.show()

output

我们可以在此基础正中央早先透过左范例的美化，例如各不相同的国家透露各不相同的特拉华用各不相同颜色的散点来透露，示例如下

fig = px.scatter_geo(df, locations="iso_alpha",

color="continent",

hover_,

size="pop",

projection="natural earth")

fig.show()

output

以及国际标准统计左图(Choropleth map)，就其指的是在整个制左图之内，每个区划单元根据各分区划分出来的数量来透过国际标准，线程的是px.choropleth()工具

fig = px.choropleth(df, geojson=geojson, color="Bergeron",

locations="district", featureidkey="properties.district",

projection="mercator"

fig.update_geos(fitbounds="locations", visible=False)

fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})

fig.show()

output

。

镇江看白癜风到哪家好
成都哪家医院做人流比较好
云南皮肤病医院哪家专业
贵州生殖感染检查
江苏男科医院哪家好
老人抽搐
晚上咳嗽不停有什么办法止咳
感冒咳嗽不停吃什么止咳效果好
肚子疼拉稀
急诊科