Lære Tilføjelse af Interaktivitet: Hover, Zoom og Markering

Interaktive funktioner er en central styrke ved Plotly-diagrammer, hvilket gør dataudforskning mere intuitiv og engagerende. Med Plotly kan du tilføje hover-værktøjstip for at afsløre detaljer om hvert punkt, zoome ind for at undersøge specifikke dataområder og vælge datasæt direkte på diagrammet. Disse interaktive elementer er særligt nyttige, når du skal udforske komplekse datasæt, identificere tendenser eller dele indsigter med andre, der kan interagere med dine visualiseringer. Som standard indeholder Plotly Express-diagrammer mange interaktive muligheder, men du kan yderligere tilpasse dem for at fremhæve de oplysninger, der er mest relevante for din analyse.


              1234567891011121314151617181920212223242526272829
            
import 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, 1214.9, 589.6, 1651.1, 1340.6]
})

# Create scatter plot with custom hover data
fig = px.scatter(
    df,
    x="area",
    y="population",
    text="city",
    hover_data={
        "city": True,
        "population": ":,",
        "area": ":.1f"
    },
    labels={"area": "City Area (sq km)", "population": "Population"},
    title="City Population vs. Area"
)
fig.update_traces(marker=dict(size=14, color='skyblue'), textposition="top center")

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

I dette eksempel ses, hvordan et spredningsdiagram oprettes, der viser tilpasset information i hover-værktøjstip. Parameteren hover_data gør det muligt at angive præcist, hvilke kolonner der vises i værktøjstippet, og hvordan de formateres. Her vises bynavn, befolkning (med tusindtalsseparatorer) og areal (med én decimal). Du kan også bruge parameteren text til at vise etiketter direkte på diagrammets punkter, hvilket gør det lettere at identificere hver by med det samme. Dette niveau af tilpasning hjælper med at præsentere de mest relevante detaljer for dit publikum uden at overfylde diagrammet.


              1234567891011121314151617181920212223242526
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
df = pd.DataFrame({
    "category": ["A", "B", "C", "D", "E"],
    "value1": [10, 15, 13, 17, 12],
    "value2": [23, 11, 18, 10, 15]
})

# Create a scatter plot to demonstrate zoom and selection
fig = px.scatter(
    df,
    x="value1",
    y="value2",
    color="category",
    title="Zoom and Selection Example"
)

# By default, Plotly Express enables zoom and selection tools
# You can configure the dragmode (e.g., 'zoom', 'select', 'lasso') as needed
fig.update_layout(dragmode='select')  # Try 'zoom', 'pan', or 'lasso' for different behaviors

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Interaktivitet forvandler statiske diagrammer til effektive værktøjer til dataudforskning. Med Plotly Express er funktioner som hover-værktøjstip, zoom og markering aktiveret som standard, hvilket gør det muligt for dig og dit publikum at undersøge data mere indgående. Tilpasning af hover-information gør det nemt at fremhæve vigtige detaljer, mens zoom og markeringskontroller hjælper med at fokusere på specifikke mønstre eller afvigelser. Disse interaktive funktioner forbedrer ikke kun din analyse, men gør også dine visualiseringer mere engagerende og informative for andre.

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 6

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Stryg for at vise menuen


              1234567891011121314151617181920212223242526272829
            
import 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, 1214.9, 589.6, 1651.1, 1340.6]
})

# Create scatter plot with custom hover data
fig = px.scatter(
    df,
    x="area",
    y="population",
    text="city",
    hover_data={
        "city": True,
        "population": ":,",
        "area": ":.1f"
    },
    labels={"area": "City Area (sq km)", "population": "Population"},
    title="City Population vs. Area"
)
fig.update_traces(marker=dict(size=14, color='skyblue'), textposition="top center")

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))


              1234567891011121314151617181920212223242526
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
df = pd.DataFrame({
    "category": ["A", "B", "C", "D", "E"],
    "value1": [10, 15, 13, 17, 12],
    "value2": [23, 11, 18, 10, 15]
})

# Create a scatter plot to demonstrate zoom and selection
fig = px.scatter(
    df,
    x="value1",
    y="value2",
    color="category",
    title="Zoom and Selection Example"
)

# By default, Plotly Express enables zoom and selection tools
# You can configure the dragmode (e.g., 'zoom', 'select', 'lasso') as needed
fig.update_layout(dragmode='select')  # Try 'zoom', 'pan', or 'lasso' for different behaviors

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 6