Tilpasning af Diagrammer: Layouts, Farver og Stilarter
Tilpasning af diagrammer er afgørende for at gøre dine datavisualiseringer klare, engagerende og lette at fortolke. I Plotly Express har du fleksibilitet til at justere mange aspekter af dine diagrammer, herunder farver, markørstørrelser, titler, akseetiketter og det overordnede layout. Tilpasning hjælper ikke kun dit publikum med at fokusere på de vigtige dele af dine data, men sikrer også, at dine diagrammer er tilgængelige og visuelt tiltalende. Med Plotly Express kan du kortlægge datakolonner til visuelle egenskaber som farve og størrelse, finjustere diagramlayout og anvende stilarter, der matcher dine præsentationsbehov.
1234567891011121314151617181920212223import plotly.express as px import pandas as pd from IPython.display import display, HTML # Sample data df = pd.DataFrame({ "City": ["New York", "Los Angeles", "Chicago", "Houston", "Phoenix"], "Population": [8398748, 3990456, 2705994, 2325502, 1660272], "Area": [783.8, 1213.9, 589.6, 1651.1, 1340.6] }) # Scatter plot with customized marker colors and sizes fig = px.scatter( df, x="Area", y="Population", color="City", # Marker color based on city size="Population", # Marker size based on population size_max=60 # Maximum marker size ) html = fig.to_html(full_html=False, include_plotlyjs="cdn") display(HTML(html))
I dette eksempel med et spredningsdiagram anvendes parameteren color til at tildele forskellige farver til hver by, hvilket gør det nemt at skelne datapunkter efter kategori. Parameteren size kortlægger kolonnen "Population" til markørstørrelser, så byer med større befolkning vises som større markører. Argumentet size_max angiver den maksimale visningsstørrelse for markørerne, hvilket sikrer, at ingen markør dominerer diagrammet. Ved at kortlægge datakolonner til visuelle egenskaber kan du indkode mere information i dit diagram, hvilket hjælper seerne med hurtigt at identificere mønstre og afvigelser.
1234567891011# Modifying the chart layout for clarity and emphasis fig.update_layout( title="City Population vs Area", xaxis_title="Area (sq km)", yaxis_title="Population", width=700, height=500 ) html = fig.to_html(full_html=False, include_plotlyjs="cdn") display(HTML(html))
Ved tilpasning af dine diagrammer bør klarhed og tilgængelighed altid prioriteres. Brug beskrivende titler og akseetiketter, så seerne straks forstår, hvad diagrammet viser. Vælg farveskemaer, der er farveblindvenlige, og sørg for, at markørstørrelser ikke skjuler vigtige datapunkter. Juster figurens størrelse, så dit diagram er læsbart i forskellige sammenhænge, såsom præsentationer eller rapporter. Ved omhyggelig anvendelse af disse tilpasninger, som vist i eksemplerne ovenfor, gør du dine visualiseringer mere informative og lettere for alle at fortolke.
Tak for dine kommentarer!
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Fantastisk!
Completion rate forbedret til 11.11
Tilpasning af Diagrammer: Layouts, Farver og Stilarter
Stryg for at vise menuen
Tilpasning af diagrammer er afgørende for at gøre dine datavisualiseringer klare, engagerende og lette at fortolke. I Plotly Express har du fleksibilitet til at justere mange aspekter af dine diagrammer, herunder farver, markørstørrelser, titler, akseetiketter og det overordnede layout. Tilpasning hjælper ikke kun dit publikum med at fokusere på de vigtige dele af dine data, men sikrer også, at dine diagrammer er tilgængelige og visuelt tiltalende. Med Plotly Express kan du kortlægge datakolonner til visuelle egenskaber som farve og størrelse, finjustere diagramlayout og anvende stilarter, der matcher dine præsentationsbehov.
1234567891011121314151617181920212223import plotly.express as px import pandas as pd from IPython.display import display, HTML # Sample data df = pd.DataFrame({ "City": ["New York", "Los Angeles", "Chicago", "Houston", "Phoenix"], "Population": [8398748, 3990456, 2705994, 2325502, 1660272], "Area": [783.8, 1213.9, 589.6, 1651.1, 1340.6] }) # Scatter plot with customized marker colors and sizes fig = px.scatter( df, x="Area", y="Population", color="City", # Marker color based on city size="Population", # Marker size based on population size_max=60 # Maximum marker size ) html = fig.to_html(full_html=False, include_plotlyjs="cdn") display(HTML(html))
I dette eksempel med et spredningsdiagram anvendes parameteren color til at tildele forskellige farver til hver by, hvilket gør det nemt at skelne datapunkter efter kategori. Parameteren size kortlægger kolonnen "Population" til markørstørrelser, så byer med større befolkning vises som større markører. Argumentet size_max angiver den maksimale visningsstørrelse for markørerne, hvilket sikrer, at ingen markør dominerer diagrammet. Ved at kortlægge datakolonner til visuelle egenskaber kan du indkode mere information i dit diagram, hvilket hjælper seerne med hurtigt at identificere mønstre og afvigelser.
1234567891011# Modifying the chart layout for clarity and emphasis fig.update_layout( title="City Population vs Area", xaxis_title="Area (sq km)", yaxis_title="Population", width=700, height=500 ) html = fig.to_html(full_html=False, include_plotlyjs="cdn") display(HTML(html))
Ved tilpasning af dine diagrammer bør klarhed og tilgængelighed altid prioriteres. Brug beskrivende titler og akseetiketter, så seerne straks forstår, hvad diagrammet viser. Vælg farveskemaer, der er farveblindvenlige, og sørg for, at markørstørrelser ikke skjuler vigtige datapunkter. Juster figurens størrelse, så dit diagram er læsbart i forskellige sammenhænge, såsom præsentationer eller rapporter. Ved omhyggelig anvendelse af disse tilpasninger, som vist i eksemplerne ovenfor, gør du dine visualiseringer mere informative og lettere for alle at fortolke.
Tak for dine kommentarer!