-
Notifications
You must be signed in to change notification settings - Fork 2
/
plotly_ex.py
888 lines (706 loc) · 26.9 KB
/
plotly_ex.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
""" Plotly examples """
#### importation --------------------------------------------------
from plotly.offline import plot # pour travailler en offline!
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import plotly.figure_factory as ff
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm
from sklearn.datasets import load_digits
from umap import UMAP # pip install umap-learn
from sklearn.manifold import TSNE
import networkx as nx
#### Templates
templates_plotly = ['ggplot2', 'seaborn', 'simple_white', 'plotly',
'plotly_white', 'plotly_dark', 'presentation', 'xgridoff',
'ygridoff', 'gridon', 'none']
#### Plotly.Express -----------------------------------------------
# Scatter plot
"On personnalise les figures de plotly express suivant ce modèle : "
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", # nom de la colonne du dataframe
y="sepal_length", # nom de la colonne du dataframe
color="species", # nom de la colonne du dataframe
)
fig.update_layout(title="Scatter avec px et ajout d'une figure avec Go",
font_family="Rockwell")
fig.update_xaxes(title_text='largeur sepales')
fig.update_yaxes(title_text='longueur sepales')
fig.add_trace(
go.Scatter(
x=[2, 4],
y=[4, 8],
mode="lines",
marker=dict(color="gray"),
name="droite",
showlegend=True) # True par défaut
)
plot(fig)
"Si on veut superposer des courbes avec les données du même dataset on écrit : "
df = px.data.iris()
fig = px.line(df, y=["sepal_width", "sepal_length", "petal_width"],
#text="species_id" on ajoute ici l'id de l'espèce au dessus de chaque point
color_discrete_map={"sepal_width":"blue", "sepal_length":"black","petal_width":"green" }, # couleur de chaque ligne
)
plot(fig)
"On peut aussi séparer les figures en plusieurs, c'est le seul moyen de faire des subplots avec plotly express"
df = px.data.iris()
fig = px.line(df, y=["sepal_width", "sepal_length", "petal_width"],
#text="species_id" on ajoute ici l'id de l'espèce au dessus de chaque point
color_discrete_map={"sepal_width":"blue", "sepal_length":"black","petal_width":"green" }, # couleur de chaque ligne
facet_col="species" # ou facet_col pour séparer en colonne
)
plot(fig)
df = px.data.iris()
fig = px.line(df, y=["sepal_width", "sepal_length", "petal_width"],
#text="species_id" on ajoute ici l'id de l'espèce au dessus de chaque point
color_discrete_map={"sepal_width":"blue", "sepal_length":"black","petal_width":"green" }, # couleur de chaque ligne
facet_row="species" # ou facet_col pour séparer en colonne
)
plot(fig)
"création d'animations"
df = px.data.gapminder()
df_fr=df[df['country']=='France']
df_us=df[df['country']=='United States']
df = pd.concat([df_fr, df_us])
fig = px.scatter(df,
y="gdpPercap",
x="year",
color="country",
title="évolution pib france et USA",
range_x=[1952,2007],
range_y=[df['gdpPercap'].min(), df['gdpPercap'].max()],
animation_frame="year")
plot(fig)
"Personnalisation des axes avec un range slider visible"
df = px.data.carshare()
fig = px.line(df, y="car_hours",
#text="species_id" on ajoute ici l'id de l'espèce au dessus de chaque point
color_discrete_map={"car_hours":"black"}, # couleur de chaque ligne
)
fig.update_xaxes(rangeslider_visible=True)
plot(fig)
"Ajout de rectangle et de ligne"
df = px.data.stocks(indexed=True)
fig = px.line(df, facet_col="company",
facet_col_wrap=2 # nombre de figure par ligne
)
fig.add_hline( # ou vline pour verticale
y=1, line_dash="dot",
annotation_text="1er janvier 2018",
annotation_position="bottom right")
fig.add_vrect( # ou hrect pour horizontal
x0="2018-09-24", x1="2018-12-18",
col=2, # numéro de la colonne (les figures de droites)
annotation_text="24/09 au 18/12 2018",
annotation_position="top left",
fillcolor="red", opacity=0.2, line_width=0.1)
fig.add_hrect( # ou hrect pour horizontal
y0=1.1, y1=1.7,
col=1, # numéro de la colonne (les figures de droites)
annotation_text="1.1 à 1.7",
annotation_position="top right",
fillcolor="blue", opacity=0.15, line_width=0.4)
plot(fig)
"Avec indicateurs marginaux"
df = px.data.iris()
fig = px.scatter(df, x="sepal_length", # données
color="species", # couleur par expèce
marginal_x='box', # marge en boxplot
marginal_y='violin', # marge en violon
trendline="ols" # courbe de tendances
)
plot(fig)
"Curseur sur les axes"
df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", color="country",
title="curseurs")
fig.update_traces(mode="markers+lines") # courbe avec ligne et points apparent
fig.update_xaxes(showspikes=True)
fig.update_yaxes(showspikes=True)
plot(fig)
"plot 3D"
df = px.data.iris()
fig = px.scatter_3d(df, x='sepal_length', y='sepal_width', z='petal_width',
color='species', size='petal_length', size_max=18,symbol='species', opacity=1)
plot(fig)
# BarChart
"simple barchart, on colorie sur une colonne et on sépare par couleur"
df = px.data.tips()
fig=px.bar(df,
x="sex",
y="total_bill",
color="smoker",
barmode="group")
fig.update_traces( marker_line_color='rgb(8,48,107)',
marker_line_width=1.5, opacity=0.6)
plot(fig)
"histogramme avec marge en violon"
df = px.data.iris()
fig = px.histogram(df, x="sepal_length",
nbins=50, # on choisi le nombre de barres
marginal='violin' # rug, box
)
plot(fig)
"histogramme avec marge en boxplot"
df = px.data.iris()
fig = px.histogram(df, x="sepal_length",
nbins=50, # on choisi le nombre de barres
marginal='box'
)
plot(fig)
# PieChart
df = px.data.tips()
fig = px.pie(df, values='tip', # ce qu'on compte
names='day', # sur quoi on tri
color='day',
hole=.3, # donut chart
color_discrete_map={'Thur':'lightblue', # couleur spécifique par valeur
'Fri':'lightred',
'Sat':'gold',
'Sun':'green'})
plot(fig)
# Polar bar charts
df = px.data.wind()
fig = px.bar_polar(df, r="frequency", theta="direction", color="strength",
template="seaborn",
color_discrete_sequence= px.colors.sequential.Plasma_r)
plot(fig)
# ML
"regression linéaire"
from sklearn.linear_model import LinearRegression
df = px.data.tips()
X = df.total_bill.values.reshape(-1, 1)
model = LinearRegression()
model.fit(X, df.tip)
x_range = np.linspace(X.min(), X.max(), 100)
y_range = model.predict(x_range.reshape(-1, 1))
fig = px.scatter(df, x='total_bill', y='tip', opacity=0.65)
fig.add_traces(go.Scatter(x=x_range, y=y_range, name='Regression Fit'))
plot(fig)
"UMAP"
digits = load_digits()
umap_2d = UMAP(random_state=0)
umap_2d.fit(digits.data)
projections = umap_2d.transform(digits.data)
fig = px.scatter(
projections, x=0, y=1,
color=digits.target.astype(str), labels={'color': 'digit'}
)
plot(fig)
"tsne"
df = px.data.iris()
features = df.loc[:, :'petal_width']
tsne = TSNE(n_components=3, random_state=0)
projections = tsne.fit_transform(features, )
fig = px.scatter_3d(
projections, x=0, y=1, z=2,
color=df.species, labels={'color': 'species'}
)
fig.update_traces(marker_size=8)
plot(fig)
# Graphique de corrélations
df = px.data.iris()
fig = px.scatter_matrix(df, dimensions=["sepal_width", "sepal_length", "petal_width", "petal_length"], color="species")
plot(fig)
#### Plotly.graph_objects -----------------------------------------
# subplots
"pour un subplots on utilise un autre moyen pour initialiser la figure :"
fig = make_subplots(rows=2, cols=2,
#column_widths=[0.6, 0.4],
#row_heights=[0.3, 0.3, 0.3],
subplot_titles=["", "", ""],
specs=[[{'type': 'xy'}, {'type': 'domain'}], # 1er ligne
[{'type': 'xy', 'colspan': 2}, None]], # 2e ligne, dont la 1er colonne s'etend sur celle de droite
# si on s'etend sur une colonne on utilise rowspan
# il existe plusieurs type de specs : xy, domain, scene, polar, ternary, mapbox
#horizontal_spacing=0.2,
#vertical_spacing=0.5
)
"Ensuite on ajoute les figure normalement, en indiquant juste l'emplacement du graphique avec les paramètres row et col"
x=np.linspace(-4,4)
# 1er figure
fig.add_scatter(x=np.linspace(-4,4), y=np.tanh(x),
marker=dict(color='green'),
row=1, col=1, name="tangente hyperbolique"
)
# 2e figure
fig.add_pie(labels=['oui', 'non'],
values=[201902,192981], row=1, col=2)
# 3e figure
fig.add_traces( # je vais ajouter 2 courbes en même temps sur la dernière ligne
[
go.Scatter(x=x, y=np.square(x), mode='markers+lines', name='x²'),
go.Scatter(x=x,y=-np.square(x), name='-x²')
],
rows=2, cols=1
)
plot(fig)
# Scatter
# pour un grand dataset, on utilisera scattergl
"basique scatter"
x = np.linspace(-2, 2, 100)
y = 1/(1+np.exp(-x))
fig = go.Figure()
# 1ere solution, on ajoute toutes les figures avec le même appel (pour appliquer une seule fois certains parametres)
fig.add_traces([go.Scatter(x=x, y=y, mode='markers', name='sigmoid'),
go.Scatter(x=x, y=-y, mode='lines', name='negative sigmoid')] )
# 2e solution, on ajoute les figures indépendemment
fig.add_scatter(x=x, y=1+y, mode='markers', name='sigmoid+1')
fig.add_scatter(x=x, y=1-y, mode='lines', name='1-sigmoid')
fig.update_layout(title="sigmoid")
plot(fig)
"ajout d'annotations"
x = np.linspace(-5, 5, 100)
y = 1/(1+np.exp(-x))
fig = go.Figure()
fig.add_scatter(x=x,y=y,mode='lines',
name='sigmoid',
marker=dict(color='green'))
fig.add_annotation(x=0, y=0.5,
text='point en x=0',
showarrow=True,
arrowhead=1,
arrowsize=1,
arrowwidth=2,
arrowcolor='black',
bgcolor="orange",
borderwidth=1,
yshift=10)
plot(fig)
"ajout de plage de valeurs"
x = np.linspace(-5, 5, 100)
y = -1/(1+np.exp(-x))
fig=go.Figure()
fig.add_scatter(x=x, y=y)
fig.add_hline(y=-0.5, line_dash="dot", # vline pour verticale
annotation_text="0.5",
annotation_position="bottom right"
)
fig.add_hrect(y0=-0.85, y1=-0.15, # vrect pour verticale
annotation_text="-0.15 à -0.85",
annotation_position="top right",
fillcolor="blue", opacity=0.15, line_width=0.4)
plot(fig)
"Interpolation"
temps_exec = [0.40251994132995605, 0.014573812484741211, 0.23034405708312988, 0.4499189853668213, 0.8043158054351807, 0.21565508842468262, 0.10195517539978027, 0.35376596450805664, 0.5991549491882324, 0.08605694770812988, 1.1117901802062988, 0.9011919498443604, 0.3789708614349365, 0.8676671981811523, 1.3645083904266357, 0.8764557838439941, 0.13943982124328613, 0.05235695838928223, 0.1372683048248291, 0.29303503036499023]
l = [3.4549849033355713, 5.4536731243133545, 1.2118861675262451, 0.7063937187194824, 4.295026779174805, 11.98727297782898, 1.0320260524749756, 5.288934707641602, 9.74186897277832, 1.484644889831543, 6.555363893508911, 0.8726191520690918, 2.6839470863342285, 9.980525970458984, 0.665977954864502, 4.907128095626831, 2.7749810218811035, 5.096926927566528, 11.398299217224121, 3.3110921382904053]
fig=make_subplots(rows=2, cols=1,
subplot_titles=["Courbe bleue", "Courbe rouge"],
specs=[[{'type': 'xy'}], [{'type': 'xy'}]],
shared_xaxes=True,
)
## figures principales en haut ##
# Interpolation linéaire
fig.add_scatter(y=l, mode='lines', opacity=0.4, line=dict(color='royalblue', width=4), line_dash='dot', name='interpolation linéaire',row=1,col=1)
# Interpolation par spline
fig.add_scatter(y=l, mode='lines', line=dict(color='royalblue', width=4), line_shape='spline', name='interpolation par spline',
hovertemplate = "<br>%{y:.0f}</br>", row=1,col=1)
fig.update_xaxes(title="x", row=1, col=1)
fig.update_yaxes(title="y", row=1, col=1)
## Titre + axes labels ##
fig.update_layout(title="Interpolation")
## ligne moyenne ##
fig.add_shape(type="line", line_color="firebrick", line_width=2, opacity=1, line_dash="dot",
x0=0, x1=len(l)-1, y0=np.mean(l), y1=np.mean(l), row=1, col=1)
## fleche moyenne ##
fig.add_annotation(text="Moyenne : {}".format(int(np.mean(l)), grouping=True, monetary=True),
x=int(len(l)/5)*4, # arrows' head
y=np.mean(l)*1.2, # arrows' head
arrowhead=2, showarrow=True, row=1, col=1)
## layout custom ##
fig.update_xaxes(
showline=True,
showgrid=False,
showticklabels=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=1,col=1)
fig.update_yaxes(
showgrid=False,
zeroline=True,
showline=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=1, col=1)
## figures principales en bas ##
# Interpolation linéaire
fig.add_scatter(y=temps_exec, mode='lines', opacity=0.4, line=dict(color='firebrick', width=4), line_dash='dot', name="Interpolation linéaire",
row=2,col=1)
# Interpolation par spline
fig.add_scatter(y=temps_exec, mode='lines', line=dict(color='firebrick', width=4), line_shape='spline', name="Interpolation par spline",
hovertemplate = "<br>%{y:.3f}</br>", row=2,col=1)
## ligne moyenne ##
fig.add_shape(type="line", line_color="royalblue", line_width=2, opacity=1, line_dash="dot",
x0=0, x1=len(l)-1, y0=np.mean(temps_exec), y1=np.mean(temps_exec), row=2, col=1)
## fleche moyenne ##
fig.add_annotation(text="Moyenne : {} sec".format(round(np.mean(temps_exec),2), grouping=True, monetary=True),
x=int(len(temps_exec)/5)*4, # arrows' head
y=np.mean(temps_exec)*1.2, # arrows' head
arrowhead=2, showarrow=True, row=2, col=1)
fig.update_xaxes(title="x", row=2, col=1)
fig.update_yaxes(title="y", row=2, col=1)
## layout custom ##
fig.update_xaxes(
showline=True,
showgrid=False,
showticklabels=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=2, col=1)
fig.update_yaxes(
showgrid=False,
zeroline=True,
showline=True,
linecolor='rgb(204, 204, 204)',
linewidth=2,
ticks='outside',
tickfont=dict(
family='Arial',
size=12,
color='rgb(82, 82, 82)',
), row=2, col=1)
fig.update_layout(plot_bgcolor='white',
hoverlabel_align='right')
plot(fig)
# Financial chart
vert = '#599673'
rouge = '#e95142'
noir = '#000'
df = pd.read_csv('EURUSD_5y.csv')
fig = go.Figure()
fig.add_trace(go.Scatter(
y = df['Close'],
x = df['Date'],
line=dict(color=noir, width=1),
name="",
hovertemplate=
"Date: %{x}<br>" +
"Close: %{y}<br>"
))
fig.add_hline(y=df['Close'].iloc[0],
line_dash="dot",
annotation_text="25 mai 2016",
annotation_position="bottom right",
line_width=1.5, line=dict(color='black'))
# montée 1
fig.add_vrect(x0='2017-01-01',x1='2018-02-20',
fillcolor=vert, opacity=0.2, line_width=0.4,
annotation_text='01-01-2017 au 02-20-2018',
annotation_position="top left",
annotation=dict(font=dict(size=8))
)
fig.add_traces(go.Indicator(
mode = "number+delta",
value = 1.239864,
number={'prefix': "$", 'font_size' : 40},
delta = {"reference": 1.052698, "valueformat": ".6f", "position" : "bottom"},
title = {"text": "Eur/USD"},
domain = {'y': [0, 0.5], 'x': [0.15, 0.4]}))
# descente 1
fig.add_traces(go.Indicator(
mode = "number+delta",
value = 1.077702,
number={'prefix': "$", 'font_size' : 40},
delta = {"reference": 1.237317, "valueformat": ".6f", "position" : "bottom"},
title = {"text": "Eur/USD"},
domain = {'y': [0.5, 0.7], 'x': [0.55, 0.75]}))
fig.add_vrect(x0='2018-04-18',x1='2020-04-24',
fillcolor=rouge, opacity=0.2, line_width=0.4,
annotation_text='18-04-2018 au 24-04-2020',
annotation_position="top right",
annotation=dict(font=dict(size=8))
)
fig.update_layout(
template='simple_white',
yaxis_title="Euro/USD close",
title_text="Euro/USD Close"
)
plot(fig)
# Pie chart
labels = ['Apple','Samsung','Nokia','Wiko']
values = [4500, 3000, 1053, 500]
fig = go.Figure()
fig.add_pie(labels=labels, # les valeurs sur lesquelles on compte
values=values, # ce qui sert à faire les pourcentages
pull=[0, 0, 0, 0.2], # represente une fraction de pi, ici on décale le 4e label
textposition='inside',
)
fig.update_traces(hoverinfo='label+percent', # ce qu'on voit avec la souris
textinfo='value', # Ce qu'on lit dans le pie
textfont_size=20, # taille du texte du pie
marker=dict(colors=['gold', 'mediumturquoise', 'darkorange', 'lightgreen']) # couleur des secteurs
)
plot(fig)
# violin chart
df = px.data.iris()
fig=go.Figure()
fig.add_violin(y=df['sepal_length'],
points='all', # pour tous les afficher
box_visible=True,
meanline_visible=True,
fillcolor='lightblue',
opacity=0.7,
name="longueur sepale")
fig.update_layout(yaxis_zeroline=False)
plot(fig)
# histogramme, bar
df = px.data.iris()
fig=go.Figure()
fig.add_histogram(x=df['sepal_width'])
plot(fig)
fig.add_bar(y=df['sepal_width'])
plot(fig)
# graphiques 3D
"surface"
z_data = df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/volcano.csv")
fig = go.Figure(data=[go.Surface(z=z_data, colorscale='IceFire')]) # Z1 liste de liste
fig.update_layout(title='Mountain')
plot(fig)
"nuage de points"
df = px.data.iris()
fig = px.scatter_3d(df, x='sepal_length', y='sepal_width', z='petal_width',
color='species', size='petal_length', size_max=18,symbol='species', opacity=0.7)
plot(fig)
"réseau de neurones"
# liens
edge_x, edge_y = [1.5,3,None,1.5,3,None,1.5,3,None,1.5,3,None,1.5,3,None,1.5,3,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,3,4.5,None,],\
[1,0,None,1,2,None,1,4,None,3,0,None,3,2,None,3,4,None,0,1,None,0,1,None,0,3,None,2,1,None,2,3,None,4,1,None,4,3,None,]
# None pour couper la ligne
edge_trace = go.Scatter(
x=edge_x, y=edge_y,
line=dict(width=2, color='#000000'),
hoverinfo='none',
mode='lines')
# traçage des noeuds
node_x, node_y = [1.5,1.5,3,3,3,4.5,4.5],\
[1,3,0,2,4,1,3]
node_trace = go.Scatter(
x=node_x, y=node_y,
mode='markers',
hoverinfo='text',
marker=dict(
color='green',
size=20,
line_width=1.5))
# affichage
fig = go.Figure(data=[edge_trace, node_trace],
layout=go.Layout(
titlefont_size=16,
showlegend=False,
hovermode='closest',
margin=dict(b=20,l=5,r=5,t=40),
xaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
yaxis=dict(showgrid=False, zeroline=False, showticklabels=False),
yaxis_range=[-6,10],
xaxis_range=[-5,11]
)
)
plot(fig)
"regression surfacique"
z1=[0,0,0,1,2,2,2,3,4,5,5,5,5,5,4,4,5,4,4,4,4,3,3,2,2]
z2=[0,1,1,2,2,3,3,3,4,5,6,6,6,5,5,5,6,5,5,5,4,4,3,3,3]
z3=[1,1,2,2,3,3,3,4,4,5,6,6,6,6,6,6,6,6,6,5,5,4,4,3,3]
z4=[1,2,2,3,3,3,4,4,5,6,6,6,7,7,7,6,6,6,6,5,5,5,4,4,3]
z5=[2,2,3,3,4,4,4,4,5,6,6,7,7,7,7,7,7,7,6,6,5,5,5,4,4]
z6=[2,2,3,4,4,4,5,5,6,6,7,7,7,7,7,7,7,7,6,6,6,6,5,5,4]
z7=[2,3,4,4,4,5,5,6,6,7,7,7,8,8,8,8,7,7,7,7,7,6,5,5,4]
z8=[3,3,4,4,5,5,6,6,7,7,7,8,8,9,8,8,8,7,7,7,7,6,6,5,5]
z9=[3,4,4,4,5,6,6,7,7,8,8,9,9,9,9,8,8,8,7,7,7,6,6,6,5]
z10=[3,4,4,5,5,6,6,7,7,8,8,9,10,10,9,8,8,7,7,7,7,6,6,6,5]
z11=[3,4,4,5,6,6,7,7,8,8,9,10,10,9,9,8,7,7,7,7,6,6,6,6,5]
z12=[3,4,4,5,6,6,7,7,8,8,9,9,9,9,8,7,7,7,7,6,6,6,5,5,4]
z13=[3,4,4,5,6,6,7,7,8,8,8,9,9,9,8,7,7,7,7,6,6,5,5,4,4]
z14=[3,4,4,5,5,6,6,7,7,8,8,8,8,8,8,7,7,7,7,6,6,5,5,4,3]
z15=[3,3,4,4,5,6,6,7,7,7,7,7,8,8,8,7,7,7,7,6,6,5,5,4,4]
z16=[3,3,4,4,5,6,6,6,6,7,7,7,7,7,7,7,7,7,6,6,6,5,5,5,4]
z17=[3,3,4,4,5,6,6,6,6,6,6,7,7,7,7,7,6,6,6,6,5,5,5,4,3]
z18=[2,3,4,4,5,5,5,6,6,6,6,6,7,7,6,6,6,6,5,5,5,5,4,4,3]
z19=[2,3,4,4,4,5,5,5,5,4,5,6,6,6,6,6,5,5,5,4,4,4,4,3,3]
z20=[2,3,4,4,4,4,4,4,3,3,5,6,6,6,6,5,5,4,4,4,4,4,3,3,2]
z21=[2,3,3,3,3,3,3,3,2,4,5,6,6,6,5,4,4,4,3,3,3,3,2,2,2]
z22=[2,2,3,3,3,3,3,2,2,4,4,5,5,5,5,4,4,3,3,2,2,2,2,1,1]
z23=[1,2,2,2,2,2,2,1,2,4,4,4,5,5,4,4,3,3,2,2,1,1,1,1,1]
z24=[1,1,1,1,1,1,1,1,2,4,4,4,4,4,4,3,3,2,1,1,1,1,0,0,0]
z25=[0,0,0,0,0,0,0,0,1,2,3,3,3,3,3,2,2,1,1,1,0,0,0,0,0]
Z1 = [z1,z2,z3,z4,z5,z6,z7,z8,z9,z10,z11,z12,z13,z14,z15,z16,z17,z18,z19,z20,z21,z22,z23,z24,z25]
lis=[]
for j in Z1:
for i in j:
lis.append(i)
df_z = pd.DataFrame(lis)
df_z.columns=['hauteurs']
xlis = [i for i in range (25)]*25
df_xlis=pd.DataFrame(xlis)
ylis = []
for i in range (25):
for j in range (25):
ylis.append(i)
df_ylis=pd.DataFrame(ylis)
df_2d=pd.concat([df_xlis,df_ylis],axis=1)
df_2d.columns=['x','y']
df_final = pd.concat([df_z,df_2d], axis=1)
from sklearn.svm import SVR
mesh_size = .02
margin = 0
df = df_final
X = df[['x', 'y']]
y = df['hauteurs']
# Modele
model = SVR(C=1.)
model.fit(X, y)
# mesh grid
x_min, x_max = X.x.min() - margin, X.x.max() + margin
y_min, y_max = X.y.min() - margin, X.y.max() + margin
xrange = np.arange(x_min, x_max, mesh_size)
yrange = np.arange(y_min, y_max, mesh_size)
xx, yy = np.meshgrid(xrange, yrange)
# On run le modele
pred = model.predict(np.c_[xx.ravel(), yy.ravel()])
pred = pred.reshape(xx.shape)
# plot
fig = px.scatter_3d(df, x='x', y='y', z='hauteurs')
fig.update_traces(marker=dict(size=5))
fig.add_traces(go.Surface(x=xrange, y=yrange, z=pred, name='pred_surface'))
plot(fig)
# Maps
"Ligne entre Miami et Chicago"
fig = go.Figure()
fig.add_scattermapbox(
# on relie Miami (lat = 25.7616798, long = -80.1917902) et Chicago (lat = 41.8119, long = -87.6873)
mode = "markers+lines",
lon = [-80.1917902, -87.6873],
lat = [25.7616798, 41.8119],
marker = {'size': 10,
'color': 'firebrick',
})
fig.update_layout(
margin ={'l':0,'t':0,'b':0,'r':0}, # marge left, top, bottom, right
mapbox = {
'center': {'lon': -80, 'lat': 40},
'style': "stamen-terrain",
'zoom': 3})
plot(fig)
"Aire colorée sur une carte, triangle des bermudes"
fig = go.Figure()
# les 3 points :
# Bermudes : lat = 32.320236, long = -64.7740215
# Miami : lat = 25.7616798, long = -80.1917902
# San Juan : lat = 18.2232855, long = -66.5927315
fig.add_scattermapbox(
fill = "toself",
lon = [-64.7740215, -80.1917902, -66.5927315], lat = [32.320236, 25.7616798, 18.2232855],
marker = { 'size': 2, 'color': "red" })
fig.update_layout(
margin ={'l':0,'t':0,'b':0,'r':0},
mapbox = {
'style': "stamen-terrain",
'center': {'lon': -80, 'lat': 25 },
'zoom': 3},
showlegend = False)
plot(fig)
"Scatter sur une map"
df = px.data.gapminder().query("year == 2007")
fig = px.scatter_geo(df, locations="iso_alpha", # on situe le pays avec son raccourci international
color="continent", # on colorie par continent
hover_name="country", # ce qu'on voit avec la souris
size="gdpPercap", # la taille des points dépend du pib du pays
projection="natural earth" # type de carte
)
plot(fig)
"Scatter avec groupe de points"
token = 'your token from https://studio.mapbox.com'
fig = go.Figure()
df = pd.read_table('quake.dat', names=['depth', 'lat','long','richter'], sep=',' ,encoding='utf-8', skiprows=8)
fig.add_scattermapbox(
mode="markers",
name="",
lon=list(df['long'].apply(lambda x: float(x))),
lat=list(df['lat'].apply(lambda x: float(x))),
marker=dict(size=5,
color=df['richter'],
showscale=True,
colorscale="jet"
),
hovertemplate=
"longitude: %{lon}<br>" +
"latitude: %{lat}<br>" +
"intensité: %{marker.color}",
)
fig.update_layout(
margin={'l': 0, 't': 0, 'b': 0, 'r': 0},
mapbox={
'accesstoken': token,
'style': 'light',
'center': {'lon': -80, 'lat': 25}, },
)
plot(fig)
#### Plotly.figure_factory -----------------------------------------
"Distplot"
x = [np.random.randn(150)]
label = ['Groupe 1']
color = ['#B36CD2']
fig = ff.create_distplot(x, label, colors=color,
bin_size=.2, show_rug=False)
fig.update_layout(title_text='Distplot')
plot(fig)
"Heatmap avec annotations"
z = [[1, 1, 3],
[3, 1, 3],
[3, 1, 1]]
x = ['Équipe A', 'Équipe B', 'Équipe C']
y = ['Match 3', 'Match 2', 'Match 1']
z_text = [['Perdu', 'Perdu', 'Gagné'],
['Gagné', 'Perdu', 'Gagné'],
['Gagné', 'Perdu', 'Perdu']]
fig = ff.create_annotated_heatmap(z, x=x, y=y, annotation_text=z_text, colorscale='gnbu')
plot(fig)
"Dendrogrames"
X = np.array([[1],[2], [5], [3]])
fig = ff.create_dendrogram(X)
fig.update_layout(width=1080, height=675)
plot(fig)
"champ vectoriel"
x,y = np.meshgrid(np.arange(0, 2, .2), np.arange(0, 2, .2))
u = -np.cos(y)*x
v = np.sin(x)*y+1
fig = ff.create_quiver(x, y, u, v)
plot(fig)
"Lignes de flux"
x = np.linspace(-4, 4, 80)
y = np.linspace(-4, 4, 80)
Y, X = np.meshgrid(x, y)
u = -(1 + X )**2 + 2*Y
v = 1 - X + (Y+1)**2
fig = ff.create_streamline(x, y, u, v, arrow_scale=.2)
plot(fig)
"Création d'un tableau"
# avec latex à la main
data_matrix = [['Forme factorisée', 'Forme developpée'],
['$(a+b)^{2}$', '$a^{2}+2ab+b^{2}$'],
['$(a-b)^{2}$', '$a^{2}-2ab+b^{2}$'],
['$(a+b)(a-b)$', '$a^{2}-b^{2}$']]
fig = ff.create_table(data_matrix)
plot(fig, include_mathjax='cdn')
# à partir d'un dataframe pandas
df = px.data.iris()
fig=ff.create_table(df)
plot(fig)