Wie erstelle ich eine Plotly Heatmap?

Sie können eine Plotly Heatmap erstellen, indem Sie die `imshow()`-Funktion von Plotly Express oder die `Heatmap()`-Funktion von `plotly.graph_objects` verwenden. Sie müssen Ihre Daten an diese Funktionen übergeben, und sie geben eine Abbildung zurück, die Sie mit `fig.show()` anzeigen können.

Kann ich Anmerkungen zu einer Plotly Heatmap hinzufügen?

Ja, Sie können Anmerkungen zu einem Plotly-Heatmap mit der Funktion `add_annotation()` hinzufügen. Dadurch können Sie Ihrem Heatmap zusätzlichen Text oder Informationen hinzufügen.

Plotly Heatmap - Tipps, Tricks und Beispiele

Name: Oluwaseun Adeojo

Updated on 17.8.2023

Heatmaps sind ein leistungsstarkes Werkzeug im Bereich der Datenvisualisierung. Sie ermöglichen es uns, komplexe Daten auf visuell intuitive Weise darzustellen, was sie zu einem unverzichtbaren Werkzeug für Datenwissenschaftler und Analysten macht. Eine der beliebtesten Bibliotheken zur Erstellung von Heatmaps ist Plotly, eine Python-Bibliothek, die einen hohen Grad an Anpassungsfähigkeit und Interaktivität bietet. In diesem Leitfaden werden wir uns mit der Welt der Plotly Heatmaps befassen, ihre Funktionen erkunden und praktische Beispiele bereitstellen, um Ihnen bei der Erstellung Ihrer eigenen atemberaubenden Visualisierungen zu helfen.

Plotly ist eine vielseitige Bibliothek, die eine benutzerfreundliche Schnittstelle zur Erstellung einer Vielzahl von Visualisierungen bietet, einschließlich Heatmaps. Heatmaps in Plotly sind nicht nur optisch ansprechend, sondern auch interaktiv, sodass Benutzer zoomen, schwenken und schweben können, um ein tieferes Verständnis der Daten zu erlangen. In diesem Leitfaden erhalten Sie ein umfassendes Verständnis dafür, wie Sie Plotly Heatmaps für Ihre Datenvisualisierungsanforderungen erstellen, anpassen und optimieren können.

Was ist eine Heatmap?

Eine Heatmap ist eine grafische Darstellung von Daten, bei der die einzelnen Werte als Farben dargestellt werden. Es handelt sich um eine Methode zur Darstellung von Daten, die besonders nützlich ist, wenn Sie viele Datenpunkte haben und an Mustern oder Korrelationen interessiert sind. Die Farbvariationen in der Heatmap können Muster leicht hervorheben und eine schnelle visuelle Zusammenfassung der Informationen bieten.

Was ist eine Plotly Heatmap?

Plotly Heatmap ist ein Heatmap-Typ, der mithilfe der Plotly-Bibliothek in Python generiert werden kann. Sie bietet eine Reihe von Funktionen, die sie zu einem leistungsstarken Hilfsmittel zur Erstellung komplexer Heatmap-Visualisierungen machen. Mit Plotly können Sie interaktive, anpassbare Heatmaps erstellen, die leicht in Webseiten oder Apps geteilt oder eingebettet werden können.

Wie erstellt man eine Plotly Heatmap?

Die Erstellung einer Plotly Heatmap umfasst einige wichtige Schritte. Zunächst müssen Sie die erforderlichen Bibliotheken importieren und Ihre Daten laden. Plotly Express, eine high-level Schnittstelle für Plotly, kann verwendet werden, um Heatmaps mit nur wenigen Zeilen Code zu erstellen. Hier ist ein einfaches Beispiel:

import plotly.express as px
 
# Angenommen, df ist ein pandas DataFrame
fig = px.imshow(df)
fig.show()

In diesem Beispiel wird px.imshow() verwendet, um eine Heatmap aus dem DataFrame df zu erstellen. Die resultierende Heatmap kann mit fig.show() angezeigt werden.

Hinzufügen von Annotationen zu einer Plotly Heatmap

Annotationen können einer Plotly Heatmap hinzugefügt werden, um zusätzliche Informationen zu den Datenpunkten bereitzustellen. Dies kann mit der Funktion add_annotation() in Plotly durchgeführt werden. Hier ist ein Beispiel:

import plotly.graph_objects as go
 
fig = go.Figure(data=go.Heatmap(
                   z=[[1, 20, 30],
                      [20, 1, 60],
                      [30, 60, 1]]))
fig.add_annotation(text="Annotation zur Heatmap",
                  xref="paper", yref="paper",
                  x=0.5, y=-0.15, showarrow=False)
 
fig.show()

In diesem Beispiel wird eine Annotation unterhalb der Heatmap hinzugefügt. Die Parameter xref und yref sind auf "paper" eingestellt, was bedeutet, dass die Koordinaten relativ zur Größe der Abbildung sind, wobei (0,0) unten links und (1,1) oben rechts sind.

Erstellen einer korrelierenden Heatmap in Python

Eine korrelierende Heatmap ist ein Heatmap-Typ, der oft verwendet wird, um die Korrelationsmatrix eines Datensatzes zu visualisieren. Die Korrelationsmatrix ist eine Tabelle, die die Korrelationskoeffizienten zwischen vielen Variablen zeigt. Jede Zelle in der Tabelle zeigt die Korrelation zwischen zwei Variablen. Eine Korrelationsmatrix wird verwendet, um Daten zusammenzufassen, als Eingabe für eine fortgeschrittenere Analyse und als Diagnose für fortgeschrittene Analysen.

In Python können Sie die Plotly-Bibliothek verwenden, um eine korrelierende Heatmap zu erstellen. Hier ist ein Beispiel:

import plotly.figure_factory as ff
import numpy as np
import pandas as pd
 
# Angenommen, df ist ein pandas DataFrame
corr_matrix = df.corr()
heatmap = ff.create_annotated_heatmap(z=corr_matrix.values, 
                                      x=list(corr_matrix.columns), 
                                      y=list(corr_matrix.index), 
                                      annotation_text=corr_matrix.round(2).values, 
                                      showscale=True)
 
heatmap.show()

In diesem Beispiel berechnen wir zunächst die Korrelationsmatrix des DataFrame df mithilfe der Funktion corr(). Anschließend erstellen wir eine annotierte Heatmap mit der Funktion create_annotated_heatmap() aus plotly.figure_factory. Die Korrelationswerte werden für den Annotationstext auf zwei Dezimalstellen gerundet.

Ändern der Farbskala in einer Plotly Heatmap

Die Farbskala einer Heatmap kann geändert werden, um besser zu den Daten oder den ästhetischen Vorlieben des Benutzers zu passen. Plotly bietet eine Vielzahl von Farbskalen zur Auswahl, darunter Cividis, Electric, Viridis und mehr. So ändern Sie die Farbskala:

import plotly.express as px
 
# Angenommen, df ist ein pandas DataFrame
fig = px.imshow(df, colorscale='Viridis')
fig.show()

In diesem Beispiel setzen wir die Farbskala mit dem Parameter colorscale in der Funktion imshow() auf 'Viridis'. Die resultierende Heatmap verwendet die Viridis-Farbskala, die von dunkelviolett bis gelb reicht.

Heatmap mit Plotly Express

Plotly Express ist eine high-level Schnittstelle für Plotly, die es einfacher macht, komplexe Visualisierungen mit weniger Code zu erstellen. Sie ist besonders nützlich für die Erstellung von Heatmaps. Hier ist ein Beispiel, wie man eine Heatmap mit Plotly Express erstellt:

import plotly.express as px
 
# Angenommen, df ist ein pandas DataFrame
fig = px.imshow(df)
fig.show()

In diesem Beispiel verwenden wir die imshow()-Funktion von Plotly Express, um eine Heatmap zu erstellen. Diese Funktion schließt automatisch die x- und y-Labels aus dem DataFrame ab, wodurch es noch einfacher wird, eine Heatmap zu erstellen.

Interaktives Dashboard mit Plotly Heatmap

Eine der leistungsstärksten Funktionen von Plotly ist die Möglichkeit, interaktive Dashboards zu erstellen. Diese Dashboards können mehrere Visualisierungen, einschließlich Heatmaps, enthalten und Benutzern die interaktive Nutzung der Daten ermöglichen. Hier ist ein Beispiel, wie man ein interaktives Dashboard mit einer Plotly Heatmap erstellt:

import plotly.graph_objs as go
from plotly.subplots import make_subplots
 
# Angenommen df1 und df2 sind pandas DataFrames
fig = make_subplots(rows=1, cols=2)
 
heatmap1 = go.Heatmap(z=df1.values, colorscale='Viridis')
heatmap2 = go.Heatmap(z=df2.values, colorscale='Cividis')
 
fig.add_trace(heatmap1, row=1, col=1)
fig.add_trace(heatmap2, row=1, col=2)
 
fig.show()

In diesem Beispiel erstellen wir ein Subplot mit zwei Spalten. Anschließend erstellen wir zwei Heatmaps mit unterschiedlichen DataFrames und fügen sie dem Subplot hinzu. Das resultierende Dashboard zeigt beide Heatmaps nebeneinander an und ermöglicht den interaktiven Vergleich.

Einfache Erstellung von Heatmaps in PyGWalker

Eine weitere Möglichkeit, eine Heatmap aus Ihrem Pandas-DataFrame zu erstellen, ohne Plotly zu verwenden, besteht darin, PyGWalker zu verwenden, eine Open Source Python-Bibliothek, mit der Sie Datenvisualisierungen durch Drag & Drop von Variablen erstellen können.

So können Sie schnell loslegen:

Setup pygwalker

Bevor Sie beginnen, stellen Sie bitte sicher, dass Sie die erforderlichen Pakete über die Befehlszeile mit Pip oder Conda installieren. Mit Pip: Um PygWalker zu installieren, führen Sie einfach den Befehl aus

pip install pygwalker

Wenn Sie Ihre Version auf dem neuesten Stand halten möchten, versuchen Sie:

pip install pygwalker --upgrade

Alternativ können Sie auch

pip install pygwalker --upgrade --pre

verwenden, um die neuesten Funktionen und Fehlerkorrekturen zu erhalten.

Mit Conda-forge:

Um PygWalker über conda-forge zu installieren, führen Sie entweder

conda install -c conda-forge pygwalker

oder

mamba install -c conda-forge pygwalker

aus. Für weitere Hilfe schauen Sie sich die conda-forge-Feedstock an.

PyGWalker ausführen

Sobald Sie PygWalker installiert haben, können Sie es in Jupyter Notebook verwenden, indem Sie pandas und PygWalker importieren.

import pandas as pd
import pygwalker as pyg

PygWalker integriert sich nahtlos in Ihren bestehenden Workflow. Um beispielsweise Graphic Walker mit einem DataFrame aufzurufen, können Sie Ihre Daten mit Pandas laden und dann ausführen:

df = pd.read_csv('./bike_sharing_dc.csv', parse_dates=['date'])
gwalker = pyg.walk(df)

Wenn Sie mit polars (Version pygwalker>=0.1.4.7a0) arbeiten, können Sie PygWalker auch wie folgt verwenden:

import polars as pl
df = pl.read_csv('./bike_sharing_dc.csv',try_parse_dates = True)
gwalker = pyg.walk(df)

Für noch mehr Flexibilität können Sie PygWalker online über Binder (opens in a new tab), Google Colab (opens in a new tab) oder Kaggle Code (opens in a new tab) ausprobieren.

Das war's. Jetzt haben Sie eine Tableau-ähnliche Benutzeroberfläche zum Analysieren und Visualisieren von Daten durch einfaches Ziehen und Ablegen von Variablen. PyGWalker mit Tableau-ähnlicher Benutzeroberfläche

Erstellen einer Heatmap

Nach dem Importieren des Pandas- oder Polars-DataFrames können Sie ganz einfach eine Heatmap erstellen:

Wählen Sie die Schaltfläche "Mark Type" in der Symbolleiste aus und wählen Sie "Rechteck".
Klicken Sie mit der linken Maustaste auf Ihre Variable, und es wird ein Menü angezeigt. Wählen Sie die Option BIN aus.

PyGWalker wird mit Unterstützung einer leidenschaftlichen Community von Datenwissenschaftlern und Entwicklern entwickelt. Schauen Sie sich die PyGWalker GitHub-Seite (opens in a new tab) an und geben Sie einen Stern!

Häufig gestellte Fragen

Was ist eine Plotly Heatmap? Eine Plotly Heatmap ist eine Art Heatmap, die mit der Plotly-Bibliothek in Python erstellt werden kann. Sie bietet eine Reihe von Funktionen, die sie zu einem leistungsstarken Werkzeug zum Erstellen komplexer Heatmap-Visualisierungen machen.
Wie erstelle ich eine Plotly Heatmap? Sie können eine Plotly Heatmap erstellen, indem Sie die imshow()-Funktion von Plotly Express oder die Heatmap()-Funktion von plotly.graph_objects verwenden. Sie müssen Ihre Daten an diese Funktionen übergeben, und sie geben eine Abbildung zurück, die Sie mit fig.show() anzeigen können.
Kann ich Anmerkungen zu einer Plotly Heatmap hinzufügen? Ja, Sie können Anmerkungen zu einer Plotly Heatmap mit der Funktion add_annotation() hinzufügen. Dadurch können Sie Ihrer Heatmap zusätzlichen Text oder zusätzliche Informationen hinzufügen.