Pro天パ https://programming.megatenpa.com 日本語でPythonを学ぶ Sun, 23 Apr 2023 03:43:40 +0000 ja hourly 1 https://wordpress.org/?v=6.4.3 https://programming.megatenpa.com/wp-content/uploads/2022/12/cropped-icons-32x32.png Pro天パ https://programming.megatenpa.com 32 32 【Plotlyでヒートマップ】go.Heatmapで動かせるヒートマップを作成する https://programming.megatenpa.com/plotly/go/go-heatmap/ https://programming.megatenpa.com/plotly/go/go-heatmap/#respond Sun, 23 Apr 2023 03:43:40 +0000 https://programming.megatenpa.com/?p=379 Copyright © 2024 Pro天パ All Rights Reserved.

]]> 今回はPythonのPlotlyのgo（plotly.graph_objects）のgo.Heatmapを使ってヒートマップを作成する方法を解説する。

ヒートマップとは行と列（xとy）のある表形式のデータの各セルの値の大小を色分けしたグラフのこと。2次元配列に色を追加し3次元でデータを見ることができる。

本記事ではgo.Heatmapでのヒートマップの作成方法やレイアウトの変更方法、各セルにテキストを追加する方法などを解説する。

Python環境は以下。

  • Python 3.10.8
  • numpy 1.24.0
  • plotly 5.11.0
  • plotly-orca 3.4.2

参考になるサイト

Plotly公式

本記事のコード全文

下準備のimport

import plotly.graph_objects as go
import plotly.io as pio
import numpy as np
import datetime

まずは下準備としてのimport関連。今回はgoのgo.Heatmapを使用するのでgoをimport。また、数値計算や時間を使うのでnumpyとdatetimeもimport。

goよりも簡単にシンプルなグラフを作成できるpxについては以下の記事があるので参考にしていただきたい。

【Plotlyで散布図】px.scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、pxの散布図グラフpx.scatterから始めてみよう。本記事ではpx.scatterの使い方をざっくりと解説する。 本記事の内容は以下。 1種類のデータのグラフを作成 複数種類のデータのグラフを作成 既存のプロットにプロットを追加 プロット名や凡 …

続きを見る
【Plotlyで折れ線グラフ】px.lineでLine Plotを作成する

Plotlyの散布図（scatter plot）はわかったけど線のプロット（line plot）はどうするのか。今回はpx.lineで折れ線グラフを作成する方法を紹介する。 本記事ではpx（plotly.express）の折れ線グラフの作成方法を紹介するが、go（plotly.graph_objects）での折れ線グラフの作成方法は下記で解説している。 その他にもpx.scatterやgo.Sca …

続きを見る

また、goを使った散布図や折れ線グラフ（go.Scatter）の書き方については以下の記事で詳しく解説している。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る
【Plotlyで折れ線グラフ】go.ScatterでLine Plotを作成する

今回はPlotlyのgo.Scatterを使って折れ線グラフを作成する。px（plotly.express）ではpx.lineという折れ線グラフ専用の関数があるが、goには専用の関数はなくgo.Scatterで代用する。 go.Scatterの詳しいグラフの描き方は以下の記事参照。 本記事ではgo.Scatterで折れ線グラフを作成する方法と、プロットの色や欠損地の扱いなどを解説する。 Pytho …

続きを見る

go.Heatmapで2次元配列のヒートマップを作成

本記事ではgo.Heatmapを使用し2次元配列からヒートマップを作成するが、ここではまず初めに簡単にヒートマップを作成する方法を紹介する。

2次元配列を渡すだけでグラフ化可能


まずはシンプルに2次元配列を渡してヒートマップを作成した。go.Heatmapの引数zに2次元配列を渡すだけで簡単にヒートマップを作成できる。

カラースケールやカラーバーについては後ほどカスタムする。

import plotly.graph_objects as go
import plotly.io as pio

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
fig = go.Figure(data=go.Heatmap(z=z))

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_simple_heatmap"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

配列の順番を逆にしてヒートマップと合わせる


ただし、このままだと2次元配列zの並びとヒートマップの並びが上下逆になってしまう。慣れると問題ないが、初めのうちは混乱するかもしれない。

配列の順番を変更してもいいのであれば、予め配列を[::-1]で縦方向に逆転させることで混乱を防ぐことが可能だ。

import plotly.graph_objects as go
import plotly.io as pio

# 配列の順番を逆にしてとヒートマップの描画の順番と合わせる

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
print(z)
# [[1, 2], [4, nan, 6], [None, 8, 9]]

# 配列の順番を逆にする
print(z[::-1])
# [[None, 8, 9], [4, nan, 6], [1, 2]]
fig = go.Figure(data=go.Heatmap(z=z[::-1]))

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_array_reversed"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

ヒートマップの軸の順番を逆にして配列と合わせる


一方でデータの順番は変更したくない場合は、縦軸の方向を逆にすることで配列とヒートマップの並びを同じにすることが可能だ。ただし、座標(0, 0)の位置が左下から左上に移動することに注意。

import plotly.graph_objects as go
import plotly.io as pio

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
print(z)
# [[1, 2], [4, nan, 6], [None, 8, 9]]

fig = go.Figure(data=go.Heatmap(z=z))

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
# y軸の軸を反転させ左上を(0, 0)にする
fig.update_layout(yaxis=dict(autorange="reversed"))
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_axis_reversed"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

NoneとNaNと空文字はNaNになる


配列の中には数値だけではなくNoneやNaNといった欠損値が含まれる場合がある。欠損値を含む配列でヒートマップを作成すると何もない状態としてグラフ化される。

Noneも空文字の””もNaNとして扱われ、デフォルトではホバー機能もオフになる。ホバーはgo.Heatmapの引数hoverongaps=Trueにすることで表示することが可能だ。

import plotly.graph_objects as go
import plotly.io as pio
import numpy as np

# NoneとNaNと空文字の入った2次元配列でヒートマップを作成

z = [
    [1, 2, ""],
    [4, np.nan, 6],
    [None, 8, 9]
]
fig = go.Figure(
    data=go.Heatmap(
        z=z,
        hoverongaps=True  # TrueにするとNaN部分のホバーを表示
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_none_nan_brank"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

NaNを数値に置き換える


NaNとしてヒートマップに表示されないセルは一目で欠損値としてわかるが、他のセルと同様に値を持たせることも可能。こうすることでヒートマップの見た目を損なうことなく欠損値と正常値を区別できる。

配列をnumpyの2次元配列に変換後、np.isnanでNaNの箇所だけ別の数値に置き換えてヒートマップを作成すればいい。Noneなどがある場合は先にこれらをNaNに置き換える。

ここでは欠損値を-1にし濃い青色として表示するようにした。

import plotly.graph_objects as go
import plotly.io as pio
import numpy as np

# NaNを数値に置き換える

# 置き換えるために予めnumpyの2次元配列として定義
z = np.array([
    [1, 2, np.nan],
    [4, np.nan, 6],
    [np.nan, 8, 9]
])
print(z)
# [[ 1.  2. nan]
#  [ 4. nan  6.]
#  [nan  8.  9.]]

# NaNを-1に置換
z[np.isnan(z)] = -1
print(z)
# [[ 1.  2. -1.]
#  [ 4. -1.  6.]
#  [-1.  8.  9.]]
fig = go.Figure(data=go.Heatmap(z=z))

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_replace_nan"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

ヒートマップのレイアウトを変更

go.Heatmapを使ったヒートマップを作成できたので、ここではヒートマップのグラフのレイアウトを変更する方法を紹介。

colorscalesでカラースケールを変更


go.Heatmapはデフォルトでは青から紫、黄色と変わるグラデーションのカラースケールを採用。しかし時には白黒や上のグラフのようにレインボーにしたい時もあるだろう。

その時はgo.Heatmapの引数colorscaleでカラースケールを指定すると簡単にヒートマップの色合いを変更できる。ここでは’jet’を選択し青から赤に変わるカラースケールとした。

import plotly.graph_objects as go
import plotly.io as pio

# カラースケールを変更

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
fig = go.Figure(
    data=go.Heatmap(
        z=z,
        colorscale='jet'  # カラースケールをjetに変更
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_colorscale"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

colorbarでカラーバーのレイアウトを変更


go.Heatmapではグラフ化した時点でカラーバーは表示されるが、このカラーバーを編集することも可能だ。

上のグラフでは引数colorbarでカラーバーの長さや枠線の色、カラーバーで表示する最大値・最小値を変更した。

import plotly.graph_objects as go
import plotly.io as pio

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
fig = go.Figure(
    data=go.Heatmap(
        z=z,
        colorbar=dict(
            len=0.8,  # カラーバーの長さを0.8に（デフォルトは1）
            outlinecolor='white',  # カラーバーの枠線の色
            outlinewidth=2,  # カラーバーの枠線の太さ
            bordercolor='gray',  # カラーバーとラベルを含むカラーバー自体の枠線の色
            borderwidth=1,  # カラーバーとラベルを含むカラーバー自体の枠線の太さ
            title=dict(
                text='bar',  # カラーバーのタイトル
                side='right',  # カラーバーのタイトルをつける位置（デフォルトはtop）
            ),
        )
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_colorbar"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

orientationでカラーバーを水平方向に配置


go.Heatmapのデフォルトではカラーバーは縦向きに配置されるが、水平方向に配置することも可能だ。go.Heatmapの引数colorbarの引数orientation=”h”を指定することでカラーバーを横向きにできる。ただし、初期位置が上になるが、ここでは位置を下に変更した。

カラーバーを横長にすることでヒートマップの微妙な色の違いをより詳細に知ることが可能だ。

import plotly.graph_objects as go
import plotly.io as pio

# カラーバーを水平方向に配置

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
fig = go.Figure(
    data=go.Heatmap(
        z=z,
        #カラーバーを水平にしつつカラーバーの位置を下に変更
        colorbar=dict(orientation="h", y=-0, yanchor="top"),
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_orientation_h"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

カラーバーの指数の表示を変更







大きい値を持つ配列をグラフ化すると自動で指数の表示をしてくれるが、引数exponentformatでカラーバーの指数部分の表示を変更できる。

exponentformatで指定できる書式は以下の6種類。必要に応じて使い分けてほしい。

  • none: 指数表示なし
  • e: 1e3の形式
  • E: 1E3の形式
  • power: 1×10^3の形式（TEX表記）
  • SI: 1kの形式
  • B: 1kの形式（デフォルト）
import plotly.graph_objects as go
import plotly.io as pio

# カラーバーの指数表示を変更

z = [
    [1e3, 2e3, 3e3],
    [4e4, 5e4, 6e4],
    [7e5, 8e5, 9e5]
]
print(z)
# [[1000.0, 2000.0, 3000.0], [40000.0, 50000.0, 60000.0], [700000.0, 800000.0, 900000.0]]

# 指数のフォーマット
exponentformats = ("none", "e", "E", "power", "SI", "B")
for exponentformat in exponentformats:
    fig = go.Figure(
        data=go.Heatmap(
            z=z,
            colorbar=dict(
                exponentformat=exponentformat
            )
        )
    )

    # グラフ全体とホバーのフォントサイズ変更
    fig.update_layout(font_size=20, hoverlabel_font_size=20)
    fig.show()

    # グラフ保存
    # eとEは同ファイルと認識されることがあるので回避用
    if exponentformat == "E":
        exponentformat += exponentformat
    prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
    save_name = f"{prefix}_exponentformat_{exponentformat}"
    pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
    pio.write_html(fig, f"{save_name}.html")
    pio.write_image(fig, f"{save_name}.png")

ヒートマップに凡例を追加


ヒートマップはグラフなので凡例をつけられ、go.Heatmapの引数showlegend=Trueとするだけでデータの凡例を表示できる。

ただし、そのままの状態だと凡例とカラーバーがかぶるので凡例の位置をズラすかカラーバーの長さを短くするなどの工夫が必要になる。

import plotly.graph_objects as go
import plotly.io as pio

# 凡例を追加

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
fig = go.Figure(
    data=go.Heatmap(
        z=z,
        showlegend=True  # 凡例を表示
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_showlegend"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

ヒートマップのグリッドの比率を変更


go.Heatmapではデフォルトで表示している画面の比率に応じてグラフの幅と高さを自動調節してくれる。ただ、このせいでヒートマップの各セルが長方形になることもしばしば。

レイアウトのyaxisの引数scaleanchor='x’でxと同じスケールになるように設定することで、常にセルを正方形に保つことが可能だ。

ただし、この場合は表示する画面のアスペクト比によっては左右に余白が生じることに注意。

import plotly.graph_objects as go
import plotly.io as pio

# ヒートマップのマス目の比率を変更

z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
fig = go.Figure(    data=go.Heatmap(z=z))

# マス目をxと同じスケールにする
fig.update_layout(yaxis=dict(scaleanchor='x'))
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_scaleanchor"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

ヒートマップのx軸とy軸を変更

ここまではヒートマップの横軸と縦軸は座標の役割として数字を使用したが、横軸と縦軸を文字列などに変更することも可能だ。

横軸ラベルと縦軸ラベルを文字列にする


横軸と縦軸の値を指定するにはシンプルにgo.Heatmapの引数xとyにそれぞれ表示したい内容を指定すればいい。

ここではそれぞれ文字列を指定したが、x, yで指定する要素の個数とzの行・列の個数が異なる場合、その行・列は表示されなくなるので注意。

import plotly.graph_objects as go
import plotly.io as pio

# 軸ラベルを文字列にする

fig = go.Figure(
    data=go.Heatmap(
        z=[[1, None, 30, 50, 1], [20, 1, 60, 80, 30], [30, 60, 1, -10, 20]],
        x=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday'],
        y=['Morning', 'Afternoon', 'Evening'],
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_label_string"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

横軸をDatetimeにする


横軸を時間軸にすることも可能だ。時間軸にする場合もgo.Heatmapの引数xに時間の配列を渡すだけでいい。

import plotly.graph_objects as go
import plotly.io as pio
import numpy as np

# 横軸を時間単位にする

np.random.seed(1)

programmers = ['Alex', 'Nicole', 'Sara', 'Etienne', 'Chelsea', 'Jody', 'Marianne']

base = datetime.datetime.today()
dates = base - np.arange(180) * datetime.timedelta(days=1)
print(dates)
# [datetime.datetime(2023, 4, 22, 18, 44, 21, 391056)
#  datetime.datetime(2023, 4, 21, 18, 44, 21, 391056)
#  datetime.datetime(2023, 4, 20, 18, 44, 21, 391056)
#  ...
#  datetime.datetime(2022, 10, 27, 18, 44, 21, 391056)
#  datetime.datetime(2022, 10, 26, 18, 44, 21, 391056)
#  datetime.datetime(2022, 10, 25, 18, 44, 21, 391056)]

z = np.random.poisson(size=(len(programmers), len(dates)))
print(z)
# [[1 0 0 ... 2 0 0]
#  [0 0 1 ... 2 1 1]
#  [2 2 1 ... 2 0 1]
#  ...
#  [2 0 1 ... 0 2 1]
#  [1 1 2 ... 2 1 1]
#  [1 1 1 ... 0 0 2]]

fig = go.Figure(data=go.Heatmap(z=z, x=dates, y=programmers,))

fig.update_layout(
    title='GitHub commits per day',  # グラフタイトル
    xaxis_nticks=36  # 横軸の目盛数
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_label_datetime"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

ヒートマップ上にテキストを追加

ヒートマップは通常の線のグラフとは異なり面のグラフだ。なので、この面の上にテキストを表示することも多々あるだろう。ここではヒートマップ上にテキストを表示する方法を解説する。

各セル上にテキストを追加


各セル上にテキストを表示するには引数textとtexttemplateを使用。texttemplateを省略すると次に紹介するようにマウスオーバー時のホバー内容にだけテキストが反映されるので注意。

ここでは文字列の配列を指定したが、各数値をそのままテキストにすると直感的に各セルの値がわかるので有効だ。

import plotly.graph_objects as go
import plotly.io as pio

# 各グリッド上にテキストを追加

z = [[1, 20, 30],
     [20, 1, 60],
     [30, 60, 1]]
text = [['one', 'twenty', 'thirty'],
        ['twenty', 'one', 'sixty'],
        ['thirty', 'sixty', 'one']]

fig = go.Figure(
    data=go.Heatmap(
        z=z,
        text=text,  # 追加するテキスト
        texttemplate="%{text}",  # ホバーに追加する文字
        textfont={"size": 20}
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_add_text"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

マウスホバーのテキストだけ追加


texttemplateを省略しtextだけ指定することで各セルにマウスオーバーした時のホバー内容にだけテキストを追加することが可能だ。

ホバー内容はデフォルトでx, y, zの値で、これらの下にテキストが追加される。

import plotly.graph_objects as go
import plotly.io as pio

# マウスホバーのテキストだけ変更

z = [[1, 20, 30],
     [20, 1, 60],
     [30, 60, 1]]
text = [['one', 'twenty', 'thirty'],
        ['twenty', 'one', 'sixty'],
        ['thirty', 'sixty', 'one']]

# texttemplateを消せばホバーだけにテキストを追加可能
fig = go.Figure(
    data=go.Heatmap(
        z=z,
        text=text,  # 追加するテキスト
        textfont={"size": 20}
    )
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_add_hover_text"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

各セルのサイズが異なるヒートマップ


ここまでは各セルのサイズが同じヒートマップを作成したが、ここでは各セルのサイズが異なるヒートマップを作成した。

x, yの値を基準点として非等間隔で指定することで、セルのサイズが異なるヒートマップができる。

上のグラフでは各基準点x, yをgo.Scatterでグラフ化したので参考にしてほしい。go.Scatterは以下の記事で解説している。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

 
import plotly.graph_objects as go
import plotly.io as pio

# グリッドのアスペクト比を変える

# グリッドの基準点
x = [0, 0.5, 0.6, 1]
y = [0, 0.1, 0.2, 1]
z = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]

fig = go.Figure(
    data=[
        go.Heatmap(x=x, y=y, z=z,),
        # x, yの点をプロット
        go.Scatter(
            x=x, y=y, mode="markers",
            marker=dict(color="white", size=15)
        )
    ]
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-heatmap'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_aspect"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

各セルの値をホバーできるヒートマップ

今回はPlotlyのgo.Heatmapでヒートマップを作成する方法を紹介した。Plotlyのグラフなので各セルの値をマウスオーバーで確認でき、拡大縮小や位置の移動も自由だ。

データ数が多く細かいセルになりがちなヒートマップをよりわかりやすく自由度高くグラフ化するためにも本記事で紹介したgo.Heatmapをぜひ使いこなしてほしい。

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/plotly/go/go-heatmap/feed/ 0 【astropy.units】Pythonで単位付きの数値を計算・単位換算 https://programming.megatenpa.com/astropy/astropy-units/ https://programming.megatenpa.com/astropy/astropy-units/#respond Sun, 09 Apr 2023 04:03:25 +0000 https://programming.megatenpa.com/?p=368 Copyright © 2024 Pro天パ All Rights Reserved.

]]> 自然現象を扱う理科系の計算では単位は必須。ただ、単位を考えながらPythonコードを考えるのがかなり面倒。

当然ながら単位換算を間違えると最終的な結果がおかしくなるし、どこで計算ミスしたのかを見つけるために処理を追っていく必要がある。

今回はastropyの単位付与ライブラリastropy.unitsを使って、数値に単位を付与して計算・単位換算する方法を紹介する。

これまで単位換算で計算ミスしていた人・単位換算をもっと楽にしたい人は読み進めてほしい。

Python環境は以下。

  • Python 3.10.8
  • astropy 5.2.2

参考になるサイト

astropy公式

本記事のコード全文

下準備のimport

from astropy import units as u

まずは下準備のimportから。今回はastropy.unitsしか使用しないのでastropy.unitsをimport。

astropy公式がas uで短縮使用しているが、他のサイトでは短縮していない場合もあるので注意。

数値計算の単位換算が面倒

数値計算で単位換算を考えるのは面倒だし何よりも手間だ。1つひとつの計算でちゃんと合っているのか確認しつつ最終的な結果を求める必要がある。

M（メガ、10^6）やG（ギガ、10^9）なら普段から目にする機会が多いから計算しやすいが、h（ヘクト、$10^2$）といった普段使わない接頭辞だと計算間違いが起きやすい。

SI接頭語（補助単位）はまだ簡単

from astropy import units as u

# 1kmをm単位に換算

one_kilo_meter = 1  # 1km
# m単位になるように計算
one_meter = one_kilo_meter * 10**3
print(one_meter)
# 1000

k（キロ）やM（メガ）といったSI接頭語はまだシンプルで計算しやすくミスも少ない。

例えば上の例だと1kmを1mに換算しているが、この時はk（キロ）を1,000に換算したらいいので、1,000倍してあげればいい。

また、以下の例では距離distanceと時間secondから速さvelocityを計算し、その結果をkm/s単位に換算している。

from astropy import units as u

# 距離と時間から速さを計算

distance = 10  # 10m
second = 2  # 2秒

# m/s単位で速さを計算
velocity = distance / second
print(velocity)
# 5.0

# 速さをkm単位に換算
kilo_velocity = velocity / (10**3)
print(kilo_velocity)
# 0.005

これらのレベルだと10の何乗したいいのか、という問題だけなので面倒ではあるがそこまで面倒でもない。

単位換算は複雑で面倒

from astropy import units as u

# 1mをインチに換算

one_meter = 1  # 1m
# 1インチは25.4mm
one_inch = one_meter / (25.4 * 10**(-3))
print(one_inch)
# 39.37007874015748

しかし、メートルとインチのように、同じ「距離」という単位だが単位自体が変わってしまう場合は面倒。

それぞれの単位の定義を確認して計算式に盛り込む必要がある。例えば1インチは25.4mmなので、1mをインチに換算する際には25.4 * 0.001mで割らなければいけない。

さすがにこれは面倒だし計算ミスも多発する。

astropy.unitsで単位付きの数値を作成

from astropy import units as u

print(u.m)
# m
print(type(u.m))
# <class 'astropy.units.core.IrreducibleUnit'>

print(u.km)
# km
print(type(u.km))
# <class 'astropy.units.core.PrefixUnit'>

そこで使えるのがastropy.unitsだ。astropyは天文学系のライブラリだが、その中のunitsを使うことで数値に単位を付与することができる。

単位は一般的なものであれば上のようにu.mやu.kmといったそのままの記法で記述できる。

単位名を掛け算するだけで単位をつけられる

from astropy import units as u

# astropy.unitsで数値に単位を付与する

# astropy.unitsで1という数値にkmの単位をつける
one_kilo_meter = 1 * u.km
print(one_kilo_meter)
# 1.0 km
print(type(one_kilo_meter))
# <class 'astropy.units.quantity.Quantity'>

使い方は簡単で、数値の後ろにastropy.unitsの単位を掛け算してあげるだけ。上の例だと数値1にkmを表すu.kmを掛け算した。これで1kmを作成できる。

あとは後述する計算や単位換算をするだけだ。単位同士の換算は自動で行ってくれるので、人為的なミスが格段に減る。

astropy.unitsに帝国単位は含まれない

inch = 1 * u.inch
# AttributeError: module 'astropy.units' has no attribute 'inch'.

なお、astropy.unitsは元々、天文学系のライブラリastropyをベースにしているので、天文学であまり使われない単位はサポートしていない時がある。

例えば帝国単位である長さの単位「inch（インチ）」はastropy.unitsではサポートしていない。

このような単位を使用する場合は次のu.imperialを使う。

帝国単位にはu.imperialを使う

from astropy import units as u

# インチを計算
one_inch = 1 * u.imperial.inch
print(one_inch)
# inch
print(type(one_inch))
# <class 'astropy.units.quantity.Quantity'>

帝国単位であるインチをastropyで使用するにはu.imperial.inchを使う。あとは通常のastropy.unitsと同じように数値をかけるだけだ。

ちょっとした使い分けは必要だが、一度定義してしまえばのちの計算では自動で単位換算してくれるから使わない手はない。

astropy.unitsの単位付きの数値で計算

astropy.unitsで単位を付与した数値を定義したら、あとはこれらを使って普段通りに計算するだけだ。

計算は単に掛け算などをするだけ

from astropy import units as u

# 距離と時間から速さを計算

distance = 10 * u.m  # 10m
second = 2 * u.s  # 2秒

# m/s単位で速さを計算
velocity = distance / second
print(velocity)
# 5.0 m / s

例えば距離と時間から速さを求める場合は、距離と時間それぞれに単位を付与して速さを計算するだけだ。

自動で速さの単位m / sが付与される。間違えてs / mになったらこの時点で気づくことができる。

数値と単位を分けて取得

from astropy import units as u

# 数値と単位を分けて取得

distance = 10 * u.m  # 10m
second = 2 * u.s  # 2秒

# m/s単位で速さを計算
velocity = distance / second
print(velocity)
# 5.0 m / s
print(type(velocity))
# <class 'astropy.units.quantity.Quantity'>

# 値だけ取り出し
value = velocity.value
print(value)
# 5.0
print(type(value))
# <class 'numpy.float64'>

# 単位だけ取り出し
unit = velocity.unit
print(unit)
# m / s
print(type(unit))
# <class 'astropy.units.core.CompositeUnit'>

ただし、astropy.unitsの単位を付与した値の型はastropy.units.quantity.Quantityなので、このままだと他のライブラリでの計算などでエラーになるかもしれない。

得られた値に.valueを使うことでnumpy.float64形式で、.unitでastropyの単位の型で値を分離することができる。

.valueで値だけ取り出してから他のライブラリで使用して欲しい。

単位付きの数値を文字列に変換することも可能

from astropy import units as u

# 単位付きの数値を文字列に変換

distance = 10 * u.m  # 10m
second = 2 * u.s  # 2秒
velocity = distance / second

# 文字列に変換
string = velocity.to_string()
print(string)
# 5.0 m / s
print(type(string))
# <class 'str'>

また、計算結果を文字列として出力することも可能だ。.to_string()を使うことで文字列の状態で取得できる。

単位付きの文字列措定ファイル保存する際などは使用してほしい。

astropy.unitsで別の単位に単位換算する

数値に単位を付与して計算することができたが、ここでは単位付きの数値を他の単位に変換する方法を紹介する。

1つの単位を別の単位に単位換算する

from astropy import units as u

# 1kmをm単位に換算

one_kilo_meter = 1 * u.km  # 1km
# .toでm単位になるように計算
one_meter = one_kilo_meter.to(u.m)
print(one_meter)
# 1000.0 m

# 文字列でも単位換算の指定が可能
print(one_kilo_meter.to('m'))
# 1000.0 m

別の単位に変換する際には.to()を使う。引数に換算後の単位を入れることで単位換算することが可能だ。

上の例では1kmを1mに単位換算するために.to(u.m)をした。なお、引数は文字列でも指定が可能。mの場合はそのまま’m’で指定できる。

複数の単位の組み合わせを単位換算する

from astropy import units as u

# 複数の単位の組み合わせで単位換算

distance = 10 * u.m  # 10m
second = 2 * u.s  # 2秒
velocity = distance / second
print(velocity)
# 5.0 m / s

# m/2の単位をkm/2に変換
kilo_velocity = velocity.to(u.km / u.s)
print(kilo_velocity)
# 0.005 km / s

# 文字列での指定も可能
kilo_velocity = velocity.to('km / s')
print(kilo_velocity)
# 0.005 km / s

# 同時に複数の単位の換算も可能
kilo_micro_velocity = velocity.to('km / us')
print(kilo_micro_velocity)
# 5e-09 km / us

複数の単位が混ざった値でも同様に単位換算できる。上の例だと速さの単位m/sをkm/sとkm/μsにそれぞれ換算した。

マイクロ（μ）はastropy.unitsではuと書くので注意。

別の単位系への換算も可能

from astropy import units as u

# 別の単位系への換算も可能

# mをインチに換算
one_meter = 1 * u.m
print(one_meter)
# 1.0 m
one_inch = one_meter.to(u.imperial.inch)
print(one_inch)
# 39.370078740157474 inch

また、メートルをインチに変換することも可能。こちらも同様に.to()の引数にインチを表すu.imperial.inchを指定するだけだ。

なお、inchは文字列で指定することができない。あくまでもimperial経由での使用となる。

# 帝国単位は文字列指定できない
one_meter.to('inch')
# ValueError: 'inch' did not parse as unit: At col 0, inch is not a valid unit.  If this is meant to be a custom unit, define it with 'u.def_unit'. To have it recognized inside a file reader or other code, enable it with 'u.add_enabled_units'. For details, see <https://docs.astropy.org/en/latest/units/combining_and_defining.html>

実現しない単位換算はエラー

one_meter = 1 * u.m
# 1mをgに変換できないのでエラー
one_meter.to('g')
# astropy.units.core.UnitConversionError: 'm' (length) and 'g' (mass) are not convertible

当然だが実現しない単位への換算はエラーとなる。上の例では長さの単位であるmを重さの単位であるgに換算した場合だ。長さから重さへは換算できないのでエラーとなる。

単位を定義して使う

from astropy import units as u

# titterという単位を定義
titter = u.def_unit('titter')
# titterの5倍をchuckleとして定義
chuckle = u.def_unit('chuckle', 5 * titter)
# chuckleの4倍をlaughとして定義
laugh = u.def_unit('laugh', 4 * chuckle)
# laughの3倍をguffawとして定義
guffaw = u.def_unit('guffaw', 3 * laugh)
# guffawの4倍をroflとして定義
rofl = u.def_unit('rofl', 4 * guffaw)
# death_by_laughingをroflの10として定義
death_by_laughing = u.def_unit('death_by_laughing', 10 * rofl)

# death_by_laughingは最終的にtitterの5*4*3*4*10=2,400倍
print((1. * death_by_laughing).to(titter))
# 2400.0 titter

astropy.unitsで定義されていなかったり同時の単位を作り活用したい場合は、単位を定義することが可能だ。

例えば上の例ではtitterという単位をはじめに定義し、これを起点にその他の単位を定義していった。

また、下の例では2mを新たな単位として値を計算、それをm単位に換算した。

from astropy import units as u

# 2mを新たな単位として定義
double_meter = u.def_unit('dm', 2 * u.m)
print(double_meter)
# dm

# m単位に換算
print((double_meter * 2).to(u.m))

単位を定義することでより自由度高く単位付きの値を計算することが可能となる。

単位付きの数値計算はみんな使うべき

今回はastropyの単位付与ライブラリastropy.unitsを使って単位を付与した値の計算と単位換算の方法を紹介した。

これまで単位間違いをしていた人はぜひastropy.unitsで計算ミスがなくなるようにしてほしい。

単位ミスという小さな部分でつまずかず、より本質的な問題に時間を割けることを願う。

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/astropy/astropy-units/feed/ 0 【Plotlyでsubplot】goとmake_subplotsでサブプロットを作成する https://programming.megatenpa.com/plotly/go/go-make-subplots/ https://programming.megatenpa.com/plotly/go/go-make-subplots/#respond Sat, 25 Mar 2023 04:07:31 +0000 https://programming.megatenpa.com/?p=359 Copyright © 2024 Pro天パ All Rights Reserved.

]]> Plotlyで複数のグラフを1つのグラフとして表示するサブプロットを作成する方法を紹介する。主にfig.make_subplotsを使うが、domainやfig.set_subplotsを使う方法も解説する。

複数のグラフを同時に独立して表示させたい人はぜひとも読み進め、サブプロットを作成する方法を学んでほしい。

Python環境は以下。

  • Python 3.10.8
  • plotly 5.11.0
  • plotly-orca 3.4.2

参考になるサイト

Plotly公式

その他

本記事のコード全文

下準備のimport

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

まずは下準備としてのimport関連。本記事ではPlotlyのgoでサブプロットを作成するのによく使われるmake_subplotsを使用するのでimport。

その他はグラフ化するためのgoとグラフ保存用のpioをimportしている。goでグラフを作成する方法は以下からそれぞれの記事を確認できる。

⇨goを使ったグラフ作成方法の一覧

goのグラフの記事は例えば散布図（scatter plot）のgo.Scatterや

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

Plotly特有のグラフにボタンをつける方法を記事にしている。

【Plotly&ボタン】updatemenusとbuttonsでボタン機能を追加

Plotlyはプロットしたデータを動かすことができるのが大きな魅力の1つだが、本記事では使えると非常に強力で便利なボタン機能（updatemenus）を解説する。 ボタン機能があると2種類のデータを1つのグラフに入れて切り替えて表示することができる。今まで2ファイルで保存していたのが1ファイルで済むようになったということだ。 さらにPlotlyではhtmlで保存もできるから、必要な機能をボタンで作 …

続きを見る

cols指定でを横向きに左右に並べる

まずはサブプロットのグラフで複数のグラフを左右に並べる方法を紹介する。make_subplotsでは以下の2ステップでサブプロットを作成できる。

  1. make_subplotsの引数で行（rows）と列（cols）の数を指定
  2. fig.add_traceでプロットを追加しつつrow, colを指定

2つのグラフを左右に並べる


2つのグラフを左右に並べる場合は行数が1で列数が2となる。なのでmake_subplotsもこれに沿うようにrowsとcolsの数値を指定。

figを作成できたらfig.add_traceでグラフ化するプロットを追加する。それぞれのプロットをどこに配置するかを指定するには引数rowとcolを使う。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 1×2のサブプロットを作成
fig = make_subplots(rows=1, cols=2)

fig.add_trace(
    go.Scatter(x=[1, 2, 3], y=[4, 5, 6]),
    row=1, col=1  # 行1・列1にグラフを配置
)

fig.add_trace(
    go.Scatter(x=[20, 30, 40], y=[50, 60, 70]),
    row=1, col=2  # 行1・列2にグラフを配置
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_lr"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

3つ以上のグラフを左右に並べる


3つ以上のグラフを並べる場合も同様にmake_subplotsでサブプロットの行数と列数を指定し、fig.add_traceでプロットする位置を指定しながらプロットを追加する。

なお、make_subplotsで指定した列数にプロットを置かなかった場合、その領域にグラフが作成されることはない。上のグラフだと3列目にグラフを配置せずに空白にした。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 3つ以上のグラフを左右に並べる

# 1×4のサブプロットを作成
fig = make_subplots(rows=1, cols=4)

fig.add_trace(
    go.Scatter(x=[1, 2, 3], y=[4, 5, 6]),
    row=1, col=1  # 行1・列1にグラフを配置
)

fig.add_trace(
    go.Scatter(x=[20, 30, 40], y=[50, 60, 70]),
    row=1, col=2  # 行1・列2にグラフを配置
)

fig.add_trace(
    go.Scatter(x=[300, 400, 500], y=[600, 700, 800]),
    row=1, col=4  # 行1・列4にグラフを配置
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_3graphs_lr"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

make_subplotsの列数とグラフの列数は合わせる

# 2つのグラフを左右に並べる
fig = make_subplots(rows=1, cols=2)

fig.add_trace(
    go.Scatter(x=[300, 400, 500], y=[600, 700, 800]),
    row=1, col=3
)

Exception: The (row, col) pair sent is out of range. Use Figure.print_grid to view the subplot grid.

ただし、make_subplotsで指定した行数・列数を超えた数値をfig.add_traceで指定するとエラーになるので注意。

上の例では1行2列でサブプロットを作成したのに、3列目にグラフを置こうとしてエラーになった。

これは次に解説する上下に並べる時も同様だ。あくまでもmake_subplotsで指定した行数・列数を基準にプロットを追加する。

rows指定で縦向きに上下に並べる

続いてはmake_subplotsで行数を増やすことで、複数のグラフを上下に並べる方法を解説する。

上下に並べる場合は左右に並べる方法とほぼ同様、colsを複数にするかrowsを複数にするかの違いだけだ。

2つのグラフを上下に並べる


2つのグラフを上下に並べるにはmake_subplotsのrows=2に設定する。そしてfig.add_traceでプロットを追加する際に何行目に追加するのかを引数rowで指定する。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 2つのグラフを上下に並べる

# 2×1のサブプロットを作成
fig = make_subplots(rows=2, cols=1)

fig.add_trace(
    go.Scatter(x=[1, 2, 3], y=[4, 5, 6]),
    row=1, col=1  # 行1・列1にグラフを配置
)

fig.add_trace(
    go.Scatter(x=[20, 30, 40], y=[50, 60, 70]),
    row=2, col=1  # 行2・列1にグラフを配置
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_tb"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

3つ以上のグラフを上下に並べる


3つ以上のグラフでサブプロットを作成する場合も同様にmake_subplotsで行数を指定しfig.add_traceでそれぞれのグラフの配置を決める。

また、グラフを配置しなかったサブプロットの位置は空白になる。上のグラフでは上から3番目の領域に何も配置しなかったので空白となっている。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 3つ以上のグラフを上下に並べる

# 4×1のサブプロットを作成
fig = make_subplots(rows=4, cols=1)

fig.add_trace(
    go.Scatter(x=[1, 2, 3], y=[4, 5, 6]),
    row=1, col=1  # 行1・列1にグラフを配置
)

fig.add_trace(
    go.Scatter(x=[20, 30, 40], y=[50, 60, 70]),
    row=2, col=1  # 行2・列1にグラフを配置
)

fig.add_trace(
    go.Scatter(x=[300, 400, 500], y=[600, 700, 800]),
    row=4, col=1  # 行4・列1にグラフを配置
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_3graphs_tb"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

グリッド形式にグラフを並べる

左右・上下単体でサブプロットを応用するとサブプロットをグリッド状に配置することも可能だ。

特に2×2のグリッド状のグラフはよく目にするのでここで作成方法を理解してほしい。

make_subplotsで行数と列数を指定して作成


2×2のグリッド状のサブプロットの場合make_subplotsでrows=2, cols=2と指定し、あとは最低4つのグラフをそれぞれの領域に配置するだけだ。

上のグラフでhmake_subplotsの引数start_cell="bottom-left"とすることでサブプロットの初めのプロット位置を左上から左下に変更している。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 2×2のグラフを作成

fig = make_subplots(rows=2, cols=2, start_cell="bottom-left")

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2)
fig.add_trace(go.Scatter(x=[300, 400, 500], y=[600, 700, 800]), row=2, col=1)
fig.add_trace(go.Scatter(x=[4000, 5000, 6000], y=[7000, 8000, 9000]), row=2, col=2)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_grid"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

列の結合をしたグラフを作成


サブプロット内の全てのグラフの形状が同じではない場合もある。例えば上のグラフでは下段のグラフのサイズが1×2の横長だ。

このようにグラフを結合するにはmake_subplotsの引数specsで結合するプロットの設定が必要だ。

上のグラフでは下段の緑のグラフを1×2にしたいので{"colspan": 2}で2列を結合するように設定。

# colspanでグラフの結合
fig = make_subplots(
    rows=2, cols=2,
    specs=[
        [{}, {}],
        [{"colspan": 2}, None]
    ]
)

結合しないプロットは{}で何もしないことを指定し、結合によりプロットできなくなった領域はNoneを指定する。

もちろん引数specsを工夫することで、縦に長いグラフを作成することも可能だ。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 列を結合したグラフを作成

# colspanでグラフの結合
fig = make_subplots(
    rows=2, cols=2,
    specs=[
        [{}, {}],
        [{"colspan": 2}, None]
    ]
)

fig.add_trace(go.Scatter(x=[1, 2], y=[1, 2]), row=1, col=1)
fig.add_trace(go.Scatter(x=[1, 2], y=[1, 2]), row=1, col=2)
fig.add_trace(go.Scatter(x=[1, 2, 3], y=[2, 1, 2]), row=2, col=1)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_grid_colspan"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

サブプロットのレイアウトをカスタム

ここまでで左右・上下・グリッド状にグラフをサブプロット形式で作成したが、まだグラフタイトルや軸ラベルを追加していない。

以下よりサブプロットのグラフのレイアウトをカスタムする方法を紹介する。

サブプロットにグラフタイトルをつける


まずはサブプロットのグラフ自体にタイトルをつける方法だ。サブプロットは複数のグラフが集まっているが、大きく見れば1つのグラフに過ぎない。

なので、通常のPlotlyのグラフタイトルをつける時と同様にfig.update_layoutでタイトルをつければ良い。

横軸・縦軸ラベルも同様の方法でつけることが可能だが、この場合は一番初めのプロット（xaxis1, yaxis1）に軸ラベルが付くことに注意。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# サブプロットにグラフタイトルをつける

fig = make_subplots(rows=1, cols=2)

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2)

# サブプロットのグラフタイトルと軸ラベル
fig.update_layout(
    title_text="Subplot Title",
    xaxis_title="x axis",
    yaxis_title="y axis",
)

# 軸ラベルはxaxis1とyaxis1についていることに注意
print(fig)
# Figure({
#     'data': [{'type': 'scatter', 'x': [1, 2, 3], 'xaxis': 'x', 'y': [4, 5, 6], 'yaxis': 'y'},
#              {'type': 'scatter', 'x': [20, 30, 40], 'xaxis': 'x2', 'y': [50, 60, 70], 'yaxis': 'y2'}],
#     'layout': {'template': '...',
#                'title': {'text': 'Subplot Title'},
#                'xaxis': {'anchor': 'y', 'domain': [0.0, 0.45], 'title': {'text': 'x axis'}},
#                'xaxis2': {'anchor': 'y2', 'domain': [0.55, 1.0]},
#                'yaxis': {'anchor': 'x', 'domain': [0.0, 1.0], 'title': {'text': 'y axis'}},
#                'yaxis2': {'anchor': 'x2', 'domain': [0.0, 1.0]}}
# })

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_title"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

それぞれのグラフにタイトルをつける


それぞれのサブプロットにタイトルをつける場合はmake_subplotsのsubplot_titlesで指定する必要があることに注意。

あくまでもサブプロットを作成しているのはmake_subplotsなので設定もmake_subplotsで行う。

なお、subplot_titlesに記載したが使用しなかったグラフタイトルは表示されない。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# それぞれのグラフにタイトルをつける

# subplot_titlesでそれぞれのグラフにタイトルをつける
# 余ったタイトルは使用されない
fig = make_subplots(
    rows=1, cols=2,
    subplot_titles=("Plot 1", "Plot 2", "Plot 3", "Plot 4")
)

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_subplot_titles"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

それぞれのグラフに軸ラベルをつける


続いてはそれぞれのグラフに軸ラベルをつける方法だが、こちらは2種類の方法がある。

  • fig.update_xaxesで行・列を指定
  • fig.update_layoutで軸を指定

fig.update_xaxesではrow, colで行と列を指定することでどこに軸ラベルを追加するかを指定できる。

一方で、fig.update_layoutではyaxis1のように数字を指定することで直接、軸ラベルを追加することができる。

以下のコードでわかるように、x軸ラベルはfig.update_xaxesで、y軸ラベルはfig.update_layoutで指定し

た。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# それぞれのグラフに軸ラベルをつける

fig = make_subplots(rows=1, cols=2)

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2)

# update_xaxesとrow・colの指定で変更することが可能
fig.update_xaxes(title_text="xaxis 1 title", row=1, col=1)
fig.update_xaxes(title_text="xaxis 2 title", row=1, col=2)

# axisと数字で変更することも可能
fig.update_layout(
    yaxis1_title='yaxis 1 title',
    yaxis2_title='yaxis 2 title',
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_axis_title"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig

プロット点に注釈をつける


各プロット点に注釈をつけるにはgo.Scatterの引数textが便利。詳しくは以下のgo.Scatterの記事で解説している。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

引数modeでテキストを使用可能にすることでプロットにテキストを追加することができる。

上のサブプロットでは左のグラフにテキストを、右のグラフでyの値を表示した。プロットの値を表示するにはあらかじめプロットの値を変数に入れる必要があるので注意。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# プロット点に注釈をつける

fig = make_subplots(rows=1, cols=2)

fig.add_trace(
    go.Scatter(
        x=[1, 2, 3], y=[4, 5, 6],
        mode="markers+text",  # プロットのモードをマーカーとテキストにする
        text=["Text A", "Text B", "Text C"],  # 表示したい注釈を記載
    ),
    row=1, col=1
)

y = [50, 60, 70]
fig.add_trace(
    go.Scatter(
        x=[20, 30, 40], y=y,
        mode="markers+text",  # プロットのモードをマーカーとテキストにする
        text=y,  # 表示したい注釈を記載
    ),
    row=1, col=2
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_text"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

プロットの範囲やグリッドの表示を変更


サブプロットでは複数のグラフを表示できるが、それぞれのグラフに対して別々でレイアウトを変更することが可能だ。

上のサブプロットでは、左右のグラフでそれぞれ別のレイアウト変更を行った。

  • 左のグラフ
    • 横軸の範囲を0~8に指定
    • 縦軸をlog形式で表示
  • 右のグラフ
    • 横軸のグリッドを非表示
    • 縦軸のグリッドをオレンジの点線に変更

もちろん他にも色々とカスタムすることができるので、Plotly公式のレイアウトのページから探ってほしい。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# プロット範囲やグリッドの表示を変更

fig = make_subplots(rows=1, cols=2)

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2)

fig.update_layout(
    xaxis=dict(range=(0, 8)),
    xaxis2=dict(showgrid=False),
    yaxis=dict(type="log"),
    yaxis2=dict(gridcolor="orange", griddash="dot"),
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_axis_custom"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

サブプロットの列の幅と行の高さを変更


サブプロット内のそれぞれのグラフの幅や高さを変更することも可能だ。上のグラフでは7:3の比率になるように調節した。

make_subplotsの引数column_widthsを指定することで列の幅を、row_heightsを指定することで行の高さを変更できる。

なお、合計値が1にならなくても初めの値を基準に残りの値が自動で調節される。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# プロット範囲やグリッドの表示を変更

fig = make_subplots(rows=1, cols=2, column_widths=[0.7, 0.3])

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2graphs_column_widths"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

x軸・y軸を共有するサブプロット


サブプロットの内のグラフで横軸・縦軸を共有することが可能だ。make_subplotsの引数shared_xaxesで横軸を、shared_yaxesで縦軸を共有するか否かを決められる。

上のグラフではshared_yaxes=Trueとして縦軸だけ共有した。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 共通の軸を持つサブプロット

# shared_yaxesで軸を共有する設定をする
fig = make_subplots(rows=2, cols=2, shared_yaxes=True)

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2)
fig.add_trace(go.Scatter(x=[300, 400, 500], y=[600, 700, 800]), row=2, col=1)
fig.add_trace(go.Scatter(x=[4000, 5000, 6000], y=[7000, 8000, 9000]), row=2, col=2)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_grid_shared_yaxes"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

goとlayoutのdomainでサブプロット

ここまでmake_subplotsを使用してサブプロッtを作成する方法を解説したが、goを使ってもサブプロットを作成できる。

make_subplotsのように短いコードで作成はできないが、その分、自分が作成したいようにカスタムすることが可能だ。

手順は以下の2ステップで可能だ。

  1. go.Scatterなどの引数xaxis, yaxisで軸を決める
  2. go.Layoutの各軸の設定の引数domainでグラフの位置を決める

2つのグラフをdomainで左右に並べる


goでサブプロットを作成するにはgoのプロットの引数xaxis, yaxisでどの軸に対してプロットするのか指定する。

上のサブプロットでは右のグラフをxaxis=”x2”、yaxis="y2"と指定しxaxis2でグラフを作成する位置を指定した。また、y2軸の基準はx2にして独立させた。

左のグラフのdomain=[0, 0.7]はx=0~0.7の範囲でグラフ作成、右のグラフのdomain=[0.8, 1]はx=0.8~1.0の間でグラフを作成するという意味だ。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 2つのグラフをdomainで左右に並べる

trace1 = go.Scatter(x=[1, 2, 3], y=[4, 5, 6])
# 2つ目のグラフの基準はx2とy2に指定
trace2 = go.Scatter(x=[20, 30, 40], y=[50, 60, 70], xaxis="x2", yaxis="y2")
data = [trace1, trace2]

# domainでグラフの開始位置を指定
layout = go.Layout(
    xaxis=dict(domain=[0, 0.7]),
    xaxis2=dict(domain=[0.8, 1]),
    yaxis2=dict(anchor="x2")  # y2の基準はx2に指定
)

fig = go.Figure(data=data, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_domain_lr"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

2つのグラフをdomainで上下に並べる


グラフを上下に分割するときも同様にdomainの値を調節することでサブプロットを作成することができる。

ここではy=0~0.7を下のグラフ、y=0.8~1.0を上のグラフとして設定した。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 2つのグラフをdomainで上下に並べる

trace1 = go.Scatter(x=[1, 2, 3], y=[4, 5, 6])
# 2つ目のグラフの基準はx2とy2に指定
trace2 = go.Scatter(x=[20, 30, 40], y=[50, 60, 70], xaxis="x2", yaxis="y2")
data = [trace1, trace2]

# domainでグラフの開始位置を指定
layout = go.Layout(
    xaxis2=dict(anchor="y2"),  # x2の基準はy2に指定
    yaxis=dict(domain=[0, 0.7]),
    yaxis2=dict(domain=[0.8, 1])
)

fig = go.Figure(data=data, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_domain_tb"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

グリッド形式にグラフを並べる


グリッド状に配置する場合はそれぞれの軸の開始位置を把握することが重要だ。上の例では左下から右下、右上、左上の順番にプロットした。

この順番に応じてdomainを設定する必要がある。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 4つのグラフをdomainでグリッドで並べる
trace1 = go.Scatter(x=[1, 2, 3], y=[4, 5, 6])
trace2 = go.Scatter(x=[20, 30, 40], y=[50, 60, 70], xaxis="x2", yaxis="y2")
trace3 = go.Scatter(x=[300, 400, 500], y=[600, 700, 800], xaxis="x3", yaxis="y3")
trace4 = go.Scatter(x=[4000, 5000, 6000], y=[7000, 8000, 9000], xaxis="x4", yaxis="y4")
data = [trace1, trace2, trace3, trace4]

layout = go.Layout(
    # 右に配置するのはx2, x4
    xaxis=dict(domain=[0, 0.45]),
    xaxis2=dict(domain=[0.55, 1], anchor="y2"),
    xaxis3=dict(domain=[0, 0.45], anchor="y3"),
    xaxis4=dict(domain=[0.55, 1], anchor="y4"),
    # 上に配置するのはy3, y4
    yaxis=dict(domain=[0, 0.45]),
    yaxis2=dict(domain=[0, 0.45], anchor="x2"),
    yaxis3=dict(domain=[0.55, 1], anchor="x3"),
    yaxis4=dict(domain=[0.55, 1], anchor="x4")
)

fig = go.Figure(data=data, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_domain_grid"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

domainでx軸を共有して積み重ねる


domainを使用した場合も軸を共有することが可能だ。それぞれのプロットで引数yaxisだけ指定し、xaxisを指定しなかった場合は横軸を共有することができる。

なお、上のグラフではそれぞれのグラフのdomainをつなげるように指定したので、グラフの枠線が消えている。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# domainでx軸を共有

# x軸は共通、y軸はそれぞれのグラフで別にする
trace1 = go.Scatter(x=[0, 1, 2], y=[10, 11, 12])
trace2 = go.Scatter(x=[2, 3, 4], y=[100, 110, 120], yaxis="y2")
trace3 = go.Scatter(x=[3, 4, 5], y=[1000, 1100, 1200], yaxis="y3")
data = [trace1, trace2, trace3]

layout = go.Layout(
    legend=dict(traceorder="reversed"),  # 凡例の並びをプロットに合わせる
    # domainの値をつなげるとグラフの枠が消える
    yaxis=dict(domain=[0, 0.33]),
    yaxis2=dict(domain=[0.33, 0.66]),
    yaxis3=dict(domain=[0.66, 1])
)

fig = go.Figure(data=data, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_domain_share_yaxis"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

set_subplotsで既存のグラフにサブプロットを追加

最後に既存のfigをサブプロット化できるfig.set_subplotsを紹介する。fig.set_subplotsはPlotlyのバージョン4.13から追加されたサブプロットの作成方法だ。

fig.add_tracesからサブプロットを作成


まずは先にfigを作成し、このfigにfig.add_tracesでプロットを追加してからサブプロットを作成する方法を解説。

サブプロットでx2, y2以降の軸でグラフ化したいプロットでxaxis, yaxisを指定しfigを作成、最後にfig.set_subplotsでサブプロットの設定をすると簡単に作成できる。

なお、サブプロットの各グラフの間隔はhorizontal_spacingで指定可能だ。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# 先にfigを作成
fig = go.Figure()

fig.add_traces((
    go.Scatter(x=[1, 2, 3], y=[4, 5, 6]),
    go.Scatter(x=[20, 30, 40], y=[50, 60, 70], xaxis="x2", yaxis="y2")
))

print(fig)
# Figure({
#     'data': [{'type': 'scatter', 'x': [1, 2, 3], 'y': [4, 5, 6]},
#              {'type': 'scatter', 'x': [20, 30, 40], 'xaxis': 'x2', 'y': [50, 60, 70], 'yaxis': 'y2'}],
#     'layout': {'template': '...'}
# })

# 後からサブプロットの設定
fig.set_subplots(1, 2, horizontal_spacing=0.1)
print(fig)
# Figure({
#     'data': [{'type': 'scatter', 'x': [1, 2, 3], 'y': [4, 5, 6]},
#              {'type': 'scatter', 'x': [20, 30, 40], 'xaxis': 'x2', 'y': [50, 60, 70], 'yaxis': 'y2'}],
#     'layout': {'template': '...',
#                'xaxis': {'anchor': 'y', 'domain': [0.0, 0.45]},
#                'xaxis2': {'anchor': 'y2', 'domain': [0.55, 1.0]},
#                'yaxis': {'anchor': 'x', 'domain': [0.0, 1.0]},
#                'yaxis2': {'anchor': 'x2', 'domain': [0.0, 1.0]}}
# })

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_domain_set_subplots"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

traceをdataで入れてからサブプロット作成


また、あらかじめプロットを作成し、go.Figureの引数dataに直接入れてからサブプロットを作成することも可能だ。

先ほどのfig.add_tracesとやっていることは同じなので結果も同じなる。

from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio

# traceをdataで入れてからサブプロット作成

trace1 = go.Scatter(x=[1, 2, 3], y=[4, 5, 6])
trace2 = go.Scatter(x=[20, 30, 40], y=[50, 60, 70], xaxis="x2", yaxis="y2")
data = [trace1, trace2]

fig = go.Figure(data=data)
# 後からサブプロットの設定
fig.set_subplots(1, 2, horizontal_spacing=0.1)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-make-subplots'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_domain_set_subplots_data"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

複数のグラフを同時に動かせるようにする

今回はPlotlyのmake_subplotsを中心にサブプロットのグラフを作成する方法を解説した。複数のグラフを動かしながら比較できるのでぜひマスターしてほしい。

サブプロット以外にもPlotlyのグラフにupdatemenusでボタンを追加する記事や

【Plotly&ボタン】updatemenusとbuttonsでボタン機能を追加

Plotlyはプロットしたデータを動かすことができるのが大きな魅力の1つだが、本記事では使えると非常に強力で便利なボタン機能（updatemenus）を解説する。 ボタン機能があると2種類のデータを1つのグラフに入れて切り替えて表示することができる。今まで2ファイルで保存していたのが1ファイルで済むようになったということだ。 さらにPlotlyではhtmlで保存もできるから、必要な機能をボタンで作 …

続きを見る
【Plotly&ボタン】updatemenusのargs2で2回目のボタン押下機能を追加

今回はPlotlyのボタン機能に2回目のボタン押下の処理を追加する方法を解説する。この機能を使うことで、1つのボタンに2種類の機能を付与してボタンの数を減らすことができるだろう。 また、オン・オフの切り替えを1つのボタンで担うことができるので、機能面でもわかりやすくなるだろう。 本記事の内容は以下のupdatemenusでボタンを追加する方法の応用版だ。まだ読んでいない人はまずは基礎固めから始めて …

続きを見る

グラフにslidersでスライダー機能を追加する記事もある。どれもPlotly特有のインタラクティブなグラフだ。

【Plotly&sliders】スライダーを追加しデータを切り変える

本記事ではPlotlyでデータの流れを簡単に理解できる機能のスライダーについてその仕組みやグラフの例を解説・紹介する。 スライダー機能を使えるようになると時系列のグラフやsin(2x), sin(3x)といった一部だけ変わるグラフをわかりやすく表現することができる。 Plotlyのボタン機能（updatemenus）でも実現はできるが、この手のグラフはスライダー機能が断然わかりやすい。本記事では簡 …

続きを見る

より便利にPlotlyを使いたい人は併せて学んでほしい。

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/plotly/go/go-make-subplots/feed/ 0 【Plotlyで折れ線グラフ】px.lineでLine Plotを作成する https://programming.megatenpa.com/plotly/px/px-line/ https://programming.megatenpa.com/plotly/px/px-line/#respond Sat, 18 Mar 2023 03:54:05 +0000 https://programming.megatenpa.com/?p=347 Copyright © 2024 Pro天パ All Rights Reserved.

]]> Plotlyの散布図（scatter plot）はわかったけど線のプロット（line plot）はどうするのか。今回はpx.lineで折れ線グラフを作成する方法を紹介する。

本記事ではpx（plotly.express）の折れ線グラフの作成方法を紹介するが、go（plotly.graph_objects）での折れ線グラフの作成方法は下記で解説している。

【Plotlyで折れ線グラフ】go.ScatterでLine Plotを作成する

今回はPlotlyのgo.Scatterを使って折れ線グラフを作成する。px（plotly.express）ではpx.lineという折れ線グラフ専用の関数があるが、goには専用の関数はなくgo.Scatterで代用する。 go.Scatterの詳しいグラフの描き方は以下の記事参照。 本記事ではgo.Scatterで折れ線グラフを作成する方法と、プロットの色や欠損地の扱いなどを解説する。 Pytho …

続きを見る

その他にもpx.scatterやgo.Scatterといった散布図グラフの作成方法も解説済み。まずはこの記事から読んでほしい。

本記事ではpx.lineでのグラフの作成方法からプロットのカスタマイズなどを中心に基礎的な内容を解説する。

Python環境は以下。

  • Python 3.10.8
  • numpy 1.24.0
  • plotly 5.11.0
  • plotly-orca 3.4.2

参考になるサイト

Plotly公式

その他

本記事のコード全文

下準備のimport

import numpy as np
import pandas as pd
import plotly.graph_objects as go
import plotly.express as px
import plotly.io as pio

まずは下準備としてのimport関連。今回は基本pxを使用するが、一部データ作成や加工をするためにnumpyとpandasを使用する。

また、pxだけでは賄いきれない処理についてはgoを使って実現するのでgoもimport。pioはplotlyでのグラフ保存用のライブラリ。保存の仕方は色々あるがpioその1つだ。

goを使った散布図や折れ線グラフ（go.Scatter）の書き方については以下の記事で詳しく解説している。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る
【Plotlyで折れ線グラフ】go.ScatterでLine Plotを作成する

今回はPlotlyのgo.Scatterを使って折れ線グラフを作成する。px（plotly.express）ではpx.lineという折れ線グラフ専用の関数があるが、goには専用の関数はなくgo.Scatterで代用する。 go.Scatterの詳しいグラフの描き方は以下の記事参照。 本記事ではgo.Scatterで折れ線グラフを作成する方法と、プロットの色や欠損地の扱いなどを解説する。 Pytho …

続きを見る

1次元配列をグラフ化


まずは1次元配列からグラフを作成する。px.lineでは引数x, yそれぞれの配列を入れるだけで簡単にグラフを作成可能だ。

import plotly.express as px
import plotly.io as pio

# 1次元配列をグラフ化

fig = px.line(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_1darray"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

2次元配列をグラフ化

続いては複数データを扱うために2次元配列をグラフ化する。2次元配列はのイメージは以下。

複数のデータを1つの配列に集約させることでデータの管理がしやすい。

y=[[0, 1, 4, 9, 16], [10, 12, 14, 19, 16]]

xを複数指定するとエラー

import plotly.express as px

fig = px.line(
    x=[[0, 1, 2, 3, 4], [0, 1, 2, 3, 4]],
    y=[[0, 1, 4, 9, 16], [10, 12, 14, 19, 16]],
)
# ValueError: Cannot accept list of column references or list of columns for both `x` and `y`.

px.lineで2次元配列を使う時にxも2次元配列にすると上のようにエラーとなる。

2次元配列を使う時は次に書くように共通のxにしつつ、yだけ2次元配列にする必要がある。

xを共通にするとプロット可能


2次元配列でグラフを作成する際はxを共通にしつつ、yの配列を2次元配列にする。

なので、異なるxのデータを使う場合は1回のpx.lineではグラフ化できず、データを追加する必要がある。これについてはupdate_traceの項目で後述。

import plotly.express as px
import plotly.io as pio

# xを共通にするとプロットが可能

fig = px.line(
    x=[0, 1, 2, 3, 4],
    y=[[0, 1, 4, 9, 16], [10, 12, 14, 19, 16]],
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2darray"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

凡例とy軸ラベルを変更する


x軸の配列を共通にすることで2次元配列でもグラフ化できたが、この場合は凡例や縦軸ラベルがわかりづらいものになってしまう。

と言うことで、以下のコードのように凡例タイトルと凡例、y軸タイトルを修正し見やすいグラフにした。

pxは簡単にグラフを作成できる反面、このようなカスタムを施すとなると面倒なのが弱点。修正・編集を楽にしたいならgoを使うのが良い。

import plotly.express as px
import plotly.io as pio

fig = px.line(
    x=[0, 1, 2, 3, 4],
    y=[[0, 1, 4, 9, 16], [10, 12, 14, 19, 16]],
)

# 各プロットの数だけループさせてnameを変更
for num, _ in enumerate(fig['data']):
    fig['data'][num]['name'] = f"y{num}"
# 凡例のタイトルとy軸の軸ラベルを変更
fig.update_layout(legend_title='legend title', yaxis_title='y')

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_2darray_update"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

print(fig)
# Figure({
#     'data': [{'hovertemplate': 'variable=wide_variable_0<br>x=%{x}<br>value=%{y}<extra></extra>',
#               'legendgroup': 'wide_variable_0',
#               'line': {'color': '#636efa', 'dash': 'solid'},
#               'marker': {'symbol': 'circle'},
#               'mode': 'lines',
#               'name': 'wide_variable_0',
#               'orientation': 'v',
#               'showlegend': True,
#               'type': 'scatter',
#               'x': array([0, 1, 2, 3, 4]),
#               'xaxis': 'x',
#               'y': array([ 0,  1,  4,  9, 16]),
#               'yaxis': 'y'},
#              {'hovertemplate': 'variable=wide_variable_1<br>x=%{x}<br>value=%{y}<extra></extra>',
#               'legendgroup': 'wide_variable_1',
#               'line': {'color': '#EF553B', 'dash': 'solid'},
#               'marker': {'symbol': 'circle'},
#               'mode': 'lines',
#               'name': 'wide_variable_1',
#               'orientation': 'v',
#               'showlegend': True,
#               'type': 'scatter',
#               'x': array([0, 1, 2, 3, 4]),
#               'xaxis': 'x',
#               'y': array([10, 12, 14, 19, 16]),
#               'yaxis': 'y'}],
#     'layout': {'legend': {'title': {'text': 'variable'}, 'tracegroupgap': 0},
#                'margin': {'t': 60},
#                'template': '...',
#                'xaxis': {'anchor': 'y', 'domain': [0.0, 1.0], 'title': {'text': 'x'}},
#                'yaxis': {'anchor': 'x', 'domain': [0.0, 1.0], 'title': {'text': 'value'}}}
# })

print(fig)
# Figure({
#     'data': [{'hovertemplate': 'variable=wide_variable_0<br>x=%{x}<br>value=%{y}<extra></extra>',
#               'legendgroup': 'wide_variable_0',
#               'line': {'color': '#636efa', 'dash': 'solid'},
#               'marker': {'symbol': 'circle'},
#               'mode': 'lines',
#               'name': 'y0',
#               'orientation': 'v',
#               'showlegend': True,
#               'type': 'scatter',
#               'x': array([0, 1, 2, 3, 4]),
#               'xaxis': 'x',
#               'y': array([ 0,  1,  4,  9, 16]),
#               'yaxis': 'y'},
#              {'hovertemplate': 'variable=wide_variable_1<br>x=%{x}<br>value=%{y}<extra></extra>',
#               'legendgroup': 'wide_variable_1',
#               'line': {'color': '#EF553B', 'dash': 'solid'},
#               'marker': {'symbol': 'circle'},
#               'mode': 'lines',
#               'name': 'y1',
#               'orientation': 'v',
#               'showlegend': True,
#               'type': 'scatter',
#               'x': array([0, 1, 2, 3, 4]),
#               'xaxis': 'x',
#               'y': array([10, 12, 14, 19, 16]),
#               'yaxis': 'y'}],
#     'layout': {'legend': {'title': {'text': 'legend title'}, 'tracegroupgap': 0},
#                'margin': {'t': 60},
#                'template': '...',
#                'xaxis': {'anchor': 'y', 'domain': [0.0, 1.0], 'title': {'text': 'x'}},
#                'yaxis': {'anchor': 'x', 'domain': [0.0, 1.0], 'title': {'text': 'y'}}}
# })

pandasデータフレームをグラフ化

ここまで配列からグラフを作成したが、実はpxはpandasのデータフレームからグラフを作るのが定番であり、データフレームを使う方が汎用性が高い。

ここからはpandasのデータフレームでグラフを作成する方法を解説する。ただし、使用するデータフレームは以下の形式であることが前提だ。

#       data      x     y       ...
# 12    data_1    x0    y1_0    ...
# 13    data_1    x1    y1_1    ...
# 14    data_1    x2    y1_2    ...
# 15    data_1    x3    y1_3    ...
# 16    data_1    x4    y1_4    ...
# ...   ...       ...   ...     ...
# 1603  data_n    x0    yn_0    ...
# 1604  data_n    x1    yn_1    ...
# 1605  data_n    x2    yn_2    ...
# 1606  data_n    x3    yn_3    ...
# 1607  data_n    x4    yn_4    ...

要するに、1つのカラムに全てのデータが入っているということ。例えばdataカラムにはそれぞれのデータの名称が記載され、それぞれのx, yがその横に羅列されている。

イメージしづらい人は一度、以下で使用するデータフレームを自分で確認してほしい。

pandasではカラム名を指定するだけ


pandasのデータフレームを使ってpxのグラフを作成するには引数にデータフレームと使用するx, yのカラム名を指定する。

ここではカナダだけのデータフレームを使用し、xには年（year）、yには平均寿命（lifeExp）を指定した。

配列を使用した時のように、データ自体を引数に入れないので注意。

import plotly.express as px
import plotly.io as pio

# pandasのデータフレームではカラム名を指定すればプロット可能

# カナダのデータだけ抽出
df = px.data.gapminder().query("country=='Canada'")
# print(df)
# #     country continent  year  lifeExp       pop    gdpPercap iso_alpha  iso_num
# # 240  Canada  Americas  1952   68.750  14785584  11367.16112       CAN      124
# # 241  Canada  Americas  1957   69.960  17010154  12489.95006       CAN      124
# # 242  Canada  Americas  1962   71.300  18985849  13462.48555       CAN      124
# # 243  Canada  Americas  1967   72.130  20819767  16076.58803       CAN      124
# # 244  Canada  Americas  1972   72.880  22284500  18970.57086       CAN      124
# # 245  Canada  Americas  1977   74.210  23796400  22090.88306       CAN      124
# # 246  Canada  Americas  1982   75.760  25201900  22898.79214       CAN      124
# # 247  Canada  Americas  1987   76.860  26549700  26626.51503       CAN      124
# # 248  Canada  Americas  1992   77.950  28523502  26342.88426       CAN      124
# # 249  Canada  Americas  1997   78.610  30305843  28954.92589       CAN      124
# # 250  Canada  Americas  2002   79.770  31902268  33328.96507       CAN      124
# # 251  Canada  Americas  2007   80.653  33390141  36319.23501       CAN      124

fig = px.line(df, x="year", y="lifeExp", title='Life expectancy in Canada')
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_1column"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

全カラムをグラフ化


カラム名を指定するので、そのカラムに複数のデータが入っていれば自動で区別してグラフ化することも可能。ここではヨーロッパのデータにのみ絞ってグラフ化した。

ただし、px.lineの引数でどのカラムでデータを区切るか指定する必要がある。ここでは引数colorを指定したが、後で詳しく解説する。

import plotly.express as px
import plotly.io as pio

# colorでデータ分けする

# ヨーロッパのデータだけ抽出
df = px.data.gapminder().query("continent=='Europe'")
# print(df)
# #              country continent  year  ...     gdpPercap  iso_alpha  iso_num
# # 12           Albania    Europe  1952  ...   1601.056136        ALB        8
# # 13           Albania    Europe  1957  ...   1942.284244        ALB        8
# # 14           Albania    Europe  1962  ...   2312.888958        ALB        8
# # 15           Albania    Europe  1967  ...   2760.196931        ALB        8
# # 16           Albania    Europe  1972  ...   3313.422188        ALB        8
# # ...              ...       ...   ...  ...           ...        ...      ...
# # 1603  United Kingdom    Europe  1987  ...  21664.787670        GBR      826
# # 1604  United Kingdom    Europe  1992  ...  22705.092540        GBR      826
# # 1605  United Kingdom    Europe  1997  ...  26074.531360        GBR      826
# # 1606  United Kingdom    Europe  2002  ...  29478.999190        GBR      826
# # 1607  United Kingdom    Europe  2007  ...  33203.261280        GBR      826

# # [360 rows x 8 columns]

fig = px.line(df, x="year", y="lifeExp", color='country')
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_some_data"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

複数カラムをカラム名で指定してグラフ化


ただ、使用するデータフレームの全てのカラムをグラフ化したくはない時もあるだろう。その時はデータを指定することが可能。

ここでは元々のデータフレームのカラムを国別に変換し、国単位でカラムを指定してグラフ化した。

もちろん他の方法もあるので、ぜひ色々と探してほしい。

import plotly.express as px
import plotly.io as pio

# 複数カラム名を配列で指定し複数プロット

# ヨーロッパのデータだけ抽出
df = px.data.gapminder().query("continent=='Europe'")
print(df['country'].unique())
# ['Albania' 'Austria' 'Belgium' 'Bosnia and Herzegovina' 'Bulgaria'
#  'Croatia' 'Czech Republic' 'Denmark' 'Finland' 'France' 'Germany'
#  'Greece' 'Hungary' 'Iceland' 'Ireland' 'Italy' 'Montenegro' 'Netherlands'
#  'Norway' 'Poland' 'Portugal' 'Romania' 'Serbia' 'Slovak Republic'
#  'Slovenia' 'Spain' 'Sweden' 'Switzerland' 'Turkey' 'United Kingdom']

# 国ごとの平均寿命を年ごとに集計
df_wide = df.pivot(index='year', columns='country', values='lifeExp').reset_index()
print(df_wide)
# country  year  Albania  Austria  ...  Switzerland  Turkey  United Kingdom
# 0        1952   55.230   66.800  ...       69.620  43.585          69.180
# 1        1957   59.280   67.480  ...       70.560  48.079          70.420
# 2        1962   64.820   69.540  ...       71.320  52.098          70.760
# 3        1967   66.220   70.140  ...       72.770  54.336          71.360
# 4        1972   67.690   70.630  ...       73.780  57.005          72.010
# 5        1977   68.930   72.170  ...       75.390  59.507          72.760
# 6        1982   70.420   73.180  ...       76.210  61.036          74.040
# 7        1987   72.000   74.940  ...       77.410  63.108          75.007
# 8        1992   71.581   76.040  ...       78.030  66.146          76.420
# 9        1997   72.950   77.510  ...       79.370  68.835          77.218
# 10       2002   75.651   78.980  ...       80.620  70.845          78.471
# 11       2007   76.423   79.829  ...       81.701  71.777          79.425

print(df_wide.columns.values)
# ['year' 'Albania' 'Austria' 'Belgium' 'Bosnia and Herzegovina' 'Bulgaria'
#  'Croatia' 'Czech Republic' 'Denmark' 'Finland' 'France' 'Germany'
#  'Greece' 'Hungary' 'Iceland' 'Ireland' 'Italy' 'Montenegro' 'Netherlands'
#  'Norway' 'Poland' 'Portugal' 'Romania' 'Serbia' 'Slovak Republic'
#  'Slovenia' 'Spain' 'Sweden' 'Switzerland' 'Turkey' 'United Kingdom']

fig = px.line(df_wide, x="year", y=['France', 'Germany', 'Spain'])
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_some_columns"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

複数カラムをインデックスで指定してグラフ化


使用するカラムはカラム名でなくインデックスで指定することも可能。フランス、ドイツ、スペインのカラムのインデックスはそれぞれ10, 11, 26だったのでこれらを指定した。

import plotly.express as px
import plotly.io as pio

# 複数カラムのグラフ化はインデックス指定でモ可能

df = px.data.gapminder().query("continent=='Europe'")
df_wide = df.pivot(index='year', columns='country', values='lifeExp').reset_index()

# グラフ化したいカラムをインデックスで指定
fig = px.line(df_wide, x="year", y=df_wide.columns[[10, 11, 26]])
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_some_columns_index"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

プロットのカスタマイズ

ここまでで配列やpandasのデータフレームを使用してpx.lineのグラフを作成したが、以下では作成したプロットの色などをカスタマイズする方法を解説する。

colorでプロットに色をつける


px.lineでプロットする際、データを区別するカラム名を引数colorで指定すると、プロット同士を色分けしてくれる。ここではオセアニアの国を色分けした。

import plotly.express as px
import plotly.io as pio

# colorでプロットに色をつける

df = px.data.gapminder().query("continent=='Oceania'")
print(df)
#           country continent  year  ...    gdpPercap  iso_alpha  iso_num
# 60      Australia   Oceania  1952  ...  10039.59564        AUS       36
# 61      Australia   Oceania  1957  ...  10949.64959        AUS       36
# 62      Australia   Oceania  1962  ...  12217.22686        AUS       36
# 63      Australia   Oceania  1967  ...  14526.12465        AUS       36
# 64      Australia   Oceania  1972  ...  16788.62948        AUS       36
# 65      Australia   Oceania  1977  ...  18334.19751        AUS       36
# 66      Australia   Oceania  1982  ...  19477.00928        AUS       36
# 67      Australia   Oceania  1987  ...  21888.88903        AUS       36
# 68      Australia   Oceania  1992  ...  23424.76683        AUS       36
# 69      Australia   Oceania  1997  ...  26997.93657        AUS       36
# 70      Australia   Oceania  2002  ...  30687.75473        AUS       36
# 71      Australia   Oceania  2007  ...  34435.36744        AUS       36
# 1092  New Zealand   Oceania  1952  ...  10556.57566        NZL      554
# 1093  New Zealand   Oceania  1957  ...  12247.39532        NZL      554
# 1094  New Zealand   Oceania  1962  ...  13175.67800        NZL      554
# 1095  New Zealand   Oceania  1967  ...  14463.91893        NZL      554
# 1096  New Zealand   Oceania  1972  ...  16046.03728        NZL      554
# 1097  New Zealand   Oceania  1977  ...  16233.71770        NZL      554
# 1098  New Zealand   Oceania  1982  ...  17632.41040        NZL      554
# 1099  New Zealand   Oceania  1987  ...  19007.19129        NZL      554
# 1100  New Zealand   Oceania  1992  ...  18363.32494        NZL      554
# 1101  New Zealand   Oceania  1997  ...  21050.41377        NZL      554
# 1102  New Zealand   Oceania  2002  ...  23189.80135        NZL      554
# 1103  New Zealand   Oceania  2007  ...  25185.00911        NZL      554

# [24 rows x 8 columns]

# colorで色分けしたいカラム名を指定
fig = px.line(df, x="year", y="lifeExp", color='country')
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_color"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

colorを指定しないと1つのグラフになる


一方で引数colorを指定しない場合、どのカラムでデータを区別したらいいのか判別できない。なので1つのデータとして認識されグラフ化される。

上のグラフでは左端と右端で折り返されているのがわかる。

import plotly.express as px
import plotly.io as pio

# カラム指定時に色分けを指定しないと1つのグラフになる

df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp")
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_color_drop"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

markersでプロットのマーカーをつける


引数markers=Trueにすることでプロットにマーカー（シンボル）を追加することが可能だ。

デフォルトでは線のみなので、横軸のデータの位置を明確にしたいときは使用するとわかりやすい。

import plotly.express as px
import plotly.io as pio

# markersでマーカーをつける

df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", color='country', markers=True)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_markers"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

symbolでマーカーの形状を指定


引数symbolを使用することでデータをマーカーで区別することが可能。ただし、colorを指定しないと各データが同じ色で表現されるので注意。

あくまでもcolorを指定しつつ、その補助としてsymbolを指定する方がグラフとして見やすい。

import plotly.express as px
import plotly.io as pio

# symbolでマーカーの形状でデータを分ける

df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", symbol='country')
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_symbol"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

line_dashでプロット線の種類を変える


また、引数line_dashを指定することで線の種類でもデータを分けることが可能だ。この時もcolorを指定しないと上のグラフのように同じ色で表示されるので注意。

import plotly.express as px
import plotly.io as pio

# line_dashdで線の形状でデータを分ける

df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", line_dash='country')
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_line_dash"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

map系の引数で色やマーカーを指定


px.lineで引数color, symbol, line_dashを指定することで自動でデータ分けしてくれるが、どれも自動で色やシンボルの形状、線の種類がつく。

これらを自分で指定するにはmapと名のついた引数を使用する。それぞれの引数でデータごとに設定することで自由にデータの区別をつけられる。

import plotly.express as px
import plotly.io as pio

# map系の引数で色やマーカーを指定

df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(
    df, x="year", y="lifeExp",
    color='country', symbol='country', line_dash='country',
    color_discrete_map={'Australia': '#E4002B', 'New Zealand': '#012169'},
    symbol_map={'Australia': 'square', 'New Zealand': 'x'},
    line_dash_map={'Australia': 'dot', 'New Zealand': 'dashdot'}
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_map"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

textでプロットに文字を追加


引数textでグラフ化したデータ点にテキストを追加することが可能だ。引数textもこれまでと同様カラム名を指定することで自動でテキストを追加してくれる。

ただ、デフォルトではプロット点の中央にテキストを配置してしまい見づらい。ということで上のグラフではプロット点の右下にテキストが来るように修正した。

import plotly.express as px
import plotly.io as pio

# textでプロットに文字を追加

df = px.data.gapminder().query("continent=='Oceania'")

# textに追加したい文字のカラムを指定
fig = px.line(df, x="year", y="lifeExp", color='country', text='lifeExp')
# デフォルトはテキストがプロットの中心に来るので下に移動
fig.update_traces(textposition="bottom right")
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_text"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

fig.add_traceでプロットの追加や色の変更

pxではpandasのデータフレームをグラフ化することが多い。しかし、データフレームとは別に配列のデータを追加してグラフ化したい時がある。

ここではデータフレームをpx.lineでグラフ化したfigに、fig.add_traceを使って配列データを追加する方法を紹介する。

なお、pandasのデータフレームのデータを追加したい場合は、pandas同士の結合をすればいいのでここでは割愛する。

goを使ってプロットを追加


fig.add_traceデータを追加する方法の王道はgoを使うことだ。goのプロットは複雑になりがちだが、その分、自由度高くプロットすることが可能。

⇨goのタグの記事一覧

ここでは横軸xは元々のデータフレームの値を使用し、yはxの配列の個数だけ乱数を作成した。

この乱数をgoの散布図go.Scatterで使用し、グラフ形状をmode=’line’で折れ線形式にすることでpx.lineと似たグラフを作成可能。

goでの折れ線グラフの作成方法は以下の記事で解説している。

【Plotlyで折れ線グラフ】go.ScatterでLine Plotを作成する

今回はPlotlyのgo.Scatterを使って折れ線グラフを作成する。px（plotly.express）ではpx.lineという折れ線グラフ専用の関数があるが、goには専用の関数はなくgo.Scatterで代用する。 go.Scatterの詳しいグラフの描き方は以下の記事参照。 本記事ではgo.Scatterで折れ線グラフを作成する方法と、プロットの色や欠損地の扱いなどを解説する。 Pytho …

続きを見る

なお、px.lineで作成したグラフに近づけるために引数hovertemplateを追加したが、これはマウスオーバー時のホバー内容のテンプレート。

ホバー機能を使用しない場合は不要だ。

import numpy as np
import plotly.graph_objects as go
import plotly.express as px
import plotly.io as pio

# fig.add_traceとgoでプロットの追加

df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", color='country')

# dfの各国のデータの数だけ架空のデータを作成
x = fig['data'][0]['x']
# yの値は乱数で作成
np.random.seed(0)
y = np.random.randint(65, 90, len(x))
print(x)
# [1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 2002 2007]
print(y)
# [77 80 86 65 68 68 72 74 84 86 83 69]

# マウスオーバー時のホバー内容
hover = 'country=fictitious<br>year=%{x}<br>lifeExp=%{y}<extra></extra>'
fig.add_trace(
    go.Scatter(x=x, y=y, name='fictitious', mode='lines', hovertemplate=hover)
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_add_trace_go"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

figを使ってプロットを追加


一方でgoを使用せずpxだけで完結させる方法でもプロットの追加は可能。ただし、この場合はfigのdata部分を編集しないとpx.lineのグラフに近づけられないので注意。

figのデータ部分はfig[’data’]で取得可能、今回は1データだけなので初めの0番目だけ使用している。

import numpy as np
import plotly.express as px
import plotly.io as pio

# fig.add_traceとfigでプロットの追加

df = px.data.gapminder().query("continent=='Oceania'")
fig = px.line(df, x="year", y="lifeExp", color='country')

# dfの各国のデータの数だけ架空のデータを作成
x = fig['data'][0]['x']
# yの値は乱数で作成
np.random.seed(0)
y = np.random.randint(65, 90, len(x))

hover = 'country=fictitious<br>year=%{x}<br>lifeExp=%{y}<extra></extra>'
print(go.Scatter(x=x, y=y, name='fictitious', mode='lines', hovertemplate=hover))
# Scatter({
#     'hovertemplate': 'country=fictitious<br>year=%{x}<br>lifeExp=%{y}<extra></extra>',
#     'mode': 'lines',
#     'name': 'fictitious',
#     'x': array([1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, 2002, 2007]),
#     'y': array([77, 80, 86, 65, 68, 68, 72, 74, 84, 86, 83, 69])
# })

# マウスオーバー時のホバー内容
hover = 'country=fictitious<br>year=%{x}<br>lifeExp=%{y}<extra></extra>'
# figを作成し、データ部分を編集
add_fig = px.line(x=x, y=y)
add_fig['data'][0]['name'] = 'fictitious'  # プロット名
add_fig['data'][0]['line_color'] = 'green'  # プロットの色
add_fig['data'][0]['showlegend'] = True  # 凡例を表示
add_fig['data'][0]['hovertemplate'] = hover  # ホバーの中身
print(add_fig['data'][0])
# Scatter({
#     'hovertemplate': 'country=fictitious<br>year=%{x}<br>lifeExp=%{y}<extra></extra>',
#     'legendgroup': '',
#     'line': {'color': 'green', 'dash': 'solid'},
#     'marker': {'symbol': 'circle'},
#     'mode': 'lines',
#     'name': 'fictitious',
#     'orientation': 'v',
#     'showlegend': True,
#     'x': array([1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, 2002, 2007]),
#     'xaxis': 'x',
#     'y': array([77, 80, 86, 65, 68, 68, 72, 74, 84, 86, 83, 69]),
#     'yaxis': 'y'
# })

fig.add_trace(add_fig['data'][0])
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_add_trace_fig"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

横軸が日付のグラフで範囲指定

pandasのデータフレームでは横軸が日付のデータを扱うことも多い。ここでは横軸が日付のグラフの範囲指定や日付間隔を変更する方法を解説する。

range_xで期間指定


横軸の範囲を指定するにはrange_xを使用する。今回使用するデータフレームは横軸のyearが文字列の年なので、range_xもそのまま文字列で指定可能。

もちろん一度datetimeに変換してから、datetimeでrange_xの期間指定してもいい。

import plotly.express as px
import plotly.io as pio

# range_xで横軸の範囲を指定
df = px.data.gapminder().query("continent=='Oceania'")
print(df['year'].unique())
# [1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 2002 2007]

# range_xで横軸の表示範囲を指定
fig = px.line(df, x="year", y="lifeExp", color='country', range_x=['1972', '2002'])
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_range_x"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

range_xではそのまま以降の指定ができない

#片方だけ範囲指定はできない
fig = px.line(df, x="year", y="lifeExp", color='country', range_x=['1972',])
#     The 'range' property is an info array that may be specified as:

#     * a list or tuple of 2 elements where:
# (0) The 'range[0]' property accepts values of any type
# (1) The 'range[1]' property accepts values of any type

range_xは期間を指定する引数なので「以降」といった片方だけ指定することはできない。

しかし、以下のように元々のデータフレームの期間の最大値を使用することで、実質「以降」のグラフを作成することが可能だ。

ただし、range_xの指定の片方を文字列、片方をdatetimeのように異なる文字列にすると範囲が適用されないので注意。ここではどちらも文字列に統一した。


import pandas as pd
import plotly.express as px
import plotly.io as pio

# range_xで横軸の範囲を以降の形式で指定
df = px.data.gapminder().query("continent=='Oceania'")
df['year'] = pd.to_datetime(df['year'], format='%Y')

# データフレームの横軸の最大値を使用
latest_date = (pd.to_datetime(df['year'].unique())).max()
fig = px.line(
    df, x="year", y="lifeExp", color='country',
    # range_xで
    range_x=['1972', latest_date.strftime('%Y')]
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_range_x_from"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

dtickで日付間隔を変える


レイアウトのx軸でdtickを指定するとグラフの横軸の表示間隔を変更することが可能だ。ただし、dtickを使用するには横軸をdatetime形式にする必要があるので注意。

間隔は「月」単位なので、3ヶ月単位にするならM3、4年単位にするなら12 × 4でM48にする。ここでは10年単位のM120とした。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# dtickで日付の間隔を変更
df = px.data.gapminder().query("continent=='Oceania'")
# dtickを使うにはdatetime形式にする必要がある
df['year'] = pd.to_datetime(df['year'], format='%Y')
# print(df['year'])
# # 60     1952-01-01
# # 61     1957-01-01
# # 62     1962-01-01
# # 63     1967-01-01
# # 64     1972-01-01
# # 65     1977-01-01
# # 66     1982-01-01
# # 67     1987-01-01
# # 68     1992-01-01
# # 69     1997-01-01
# # 70     2002-01-01
# # 71     2007-01-01
# # 1092   1952-01-01
# # 1093   1957-01-01
# # 1094   1962-01-01
# # 1095   1967-01-01
# # 1096   1972-01-01
# # 1097   1977-01-01
# # 1098   1982-01-01
# # 1099   1987-01-01
# # 1100   1992-01-01
# # 1101   1997-01-01
# # 1102   2002-01-01
# # 1103   2007-01-01
# # Name: year, dtype: datetime64[ns]

fig = px.line(df, x="year", y="lifeExp", color='country')
# dtickは月単位で指定。M120は10年単位
fig.update_xaxes(dtick=f"M{12 * 10}")

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_dtick"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

連結散布図を作成


連結散布図とは散布図の一種で、プロット点を時系列でつないだグラフのことだ。連結散布図を使うことで2つの基準でデータの関連の時間的な動きを確認することできる。

難しそうに感じるかもしれないが、ただ単にプロット点に時系列データ（年や日付など）を追加しただけだ。

上のグラフでは横軸をlifeExp（平均寿命）、縦軸をgdpPercap（1人当たりGDP）とし、引数textに時系列のyearを指定した。

import plotly.express as px
import plotly.io as pio

# 連結散布図を作成
df = px.data.gapminder().query("country in ['Canada', 'Botswana']")

# 横軸と縦軸を数値にしてtextを時間にする
fig = px.line(df, x="lifeExp", y="gdpPercap", color="country", text="year")
fig.update_traces(textposition="bottom right")
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_connected_scatterplots"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

簡単に折れ線グラフを作成する

今回はpx.lineを使用しpxで折れ線グラフを作成する方法を解説した。pxはpandasのデータフレームを使うことで簡単にある程度のグラフを作成できる。

その分カスタム性には乏しいが、標準的なクオリティのグラフを作成したい人におすすめなので、ぜひ使いこなしてほしい。

Plotlyのグラフ化や考え方を学びつつ折れ線グラフを作成するにはgoがおすすめ。以下の記事では折れ線グラフを

【Plotlyで折れ線グラフ】go.ScatterでLine Plotを作成する

今回はPlotlyのgo.Scatterを使って折れ線グラフを作成する。px（plotly.express）ではpx.lineという折れ線グラフ専用の関数があるが、goには専用の関数はなくgo.Scatterで代用する。 go.Scatterの詳しいグラフの描き方は以下の記事参照。 本記事ではgo.Scatterで折れ線グラフを作成する方法と、プロットの色や欠損地の扱いなどを解説する。 Pytho …

続きを見る

以下の記事では散布図を作成する方法を解説している。

【Plotlyで散布図】px.scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、pxの散布図グラフpx.scatterから始めてみよう。本記事ではpx.scatterの使い方をざっくりと解説する。 本記事の内容は以下。 1種類のデータのグラフを作成 複数種類のデータのグラフを作成 既存のプロットにプロットを追加 プロット名や凡 …

続きを見る

また、Plotlyではグラフにボタンを追加しプロットの表示を切り替えることも可能だ。

以下の記事で解説しているので、より自由度の高いグラフを作成したい人は併せて読んでほしい。

【Plotly&ボタン】updatemenusとbuttonsでボタン機能を追加

Plotlyはプロットしたデータを動かすことができるのが大きな魅力の1つだが、本記事では使えると非常に強力で便利なボタン機能（updatemenus）を解説する。 ボタン機能があると2種類のデータを1つのグラフに入れて切り替えて表示することができる。今まで2ファイルで保存していたのが1ファイルで済むようになったということだ。 さらにPlotlyではhtmlで保存もできるから、必要な機能をボタンで作 …

続きを見る
【Plotly&ボタン】updatemenusのargs2で2回目のボタン押下機能を追加

今回はPlotlyのボタン機能に2回目のボタン押下の処理を追加する方法を解説する。この機能を使うことで、1つのボタンに2種類の機能を付与してボタンの数を減らすことができるだろう。 また、オン・オフの切り替えを1つのボタンで担うことができるので、機能面でもわかりやすくなるだろう。 本記事の内容は以下のupdatemenusでボタンを追加する方法の応用版だ。まだ読んでいない人はまずは基礎固めから始めて …

続きを見る

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/plotly/px/px-line/feed/ 0 【経験談】大学生の私が独学でPythonを学ぶことができたワケ https://programming.megatenpa.com/learn-python/selfstudy-python-student/ https://programming.megatenpa.com/learn-python/selfstudy-python-student/#respond Sat, 04 Mar 2023 00:56:51 +0000 https://programming.megatenpa.com/?p=315 Copyright © 2024 Pro天パ All Rights Reserved.

]]> 今回は実際に私の体験談として独学でPythonを学べたワケについて紹介する。これからPythonを学ぼうと思っている人、すでに学んているが挫折している人は読み進めてほしい。

本記事では大学生の私が主人公だが、社会人がPythonを学ぶことができるかについては以下の記事で解説している。

【Pythonを独学】社会人が1人で学習できるのか。結論、学べるが...

今回は社会人がプログラミング言語「Python」を独学で学習できるか、について解説する。プログラミングの需要は高まっているので気になる人も多いだろう。 かくいう私はプログラミング経験0の状態からPythonを独学で習得し、その知識を使って転職・今のエンジニアという職に付いている。 この記事を読むことで独学で学習するか否かの結論が出るだろう。 Pythonとは この記事に辿り着いたということはPyt …

続きを見る

なお、現在は独学で学習したスキルを活かしてエンジニアとしてさまざまな言語を使いながら働いている。独学ででもPythonを学習して良かったと感じている。

大学4年生までプログラミング未経験

実は私は大学4年までプログラミングに触れる機会はなかった（本当は3年の時に半期だけ講義を受けたがどの言語で何をしたのかさえ覚えていないからノーカン）。

4年生に進級・研究室に配属されて初めてPythonという名前を知り、初めてプログラムを組んで実装したんだ。

そのままPythonを使ったデータ解析を使って大学を卒業、大学院に進学後の研究もPythonを使ったデータ解析で修士号を取得した。

一応、講義は受けたがさっぱりわからない

研究室に配属された直後にPythonレクチャー会なるものを受けたが、レクチャーしてくれた先生の説明が下手すぎ・内容がぶっ飛びすぎで何も理解できなかった。

  • いきなりforループ
  • いきなりifの条件分岐
    • インデントの説明はなし
  • 解説ほぼ無しの再帰関数
  • グラフ化の説明は一瞬

このレクチャーで得られたのは「Pythonというプログラミング言語がこの世には存在する」「とにかく意味がわからない」ということだけ。実務的なことはさっぱりわからなかった。

そもそもa = a + 1が成り立つ意味さえわからなかった。数学的に考えるとハマり「代入」として考えればわかる話。当然、こんな解説もなく進んでいった。参加者は全員ポカンだった。

Excelでの処理に限界を感じる

Pythonについては全く理解できなかったので、使い慣れたExcelを使ってデータ解析を進め1, 2ヶ月経った頃、Excelでの限界を迎えた。

使っているデータが重すぎて1回のEnter入力で5分ほどフリーズする。計算量とPCスペックが完全にミスマッチしていたのだ。

そこでPythonとやらを学習したことを思い出し、最悪、先輩に丸投げしようと思いPythonについて調べ始めた。

初めての処理はCSVファイルの読み込み

Excelでしていた処理は複数のCSVを読み込むという作業。この作業を当時の自分の解像度で見たら以下のステップだった。

  • CSVを読み込む処理
  • どこからどこまでをデータとするかの範囲指定
  • 複数ファイルをループで読み込む処理
  • 正常に読み込めたか否かの確認

もちろんいきなりこれらのステップを立てたわけではないが、自分で調べて実践していく中で徐々に必要なものが見えてきた。

最終的に以下のようなコードになったような気がする。

import numpy as np

data = []
for i in range(1, 2 + 1):
    csv = np.loadtxt('example' + str(i) + '.csv', skiprows=1, delimiter=',')
    data.append(csv)

print(data)

やっていることは単純で「example1.csv」「example2.csv」といったCSVファイルの連番をforループで回しながらnumpyのloadtxtで順番に読み込み、その結果をdataというlistに格納しているだけ。

ただ、自分で1から調べてエラーと戦いながら実際にデータを読み込むことができたのは達成感があった。

Pythonの処理の速さに感動

2, 3個のCSVファイルを読み込めたので、Excelのデータ解析で使っていた10ファイルほどを読み込んでみた。

読み込みの処理が終了するのに1秒ほどだった。当時の私としては衝撃的だった。たったこれだけのコードを書くだけで一瞬でやりたかったことができる。感動ものだった。

さらに、以下の点にも注目した。

  • forループにより全ファイルに一律の処理が可能
  • いちいちCSVファイルを開く必要ない
  • 一度、処理を作ればコードをコピペで使い回せる

とにかくExcelでの度重なるフリーズで「楽に」「効率的に」ということを気にしていた私にとってPythonとの出会いは運命のようなものを感じた。

この経験のおかげでそれ以降はExcelではちょっとした計算の検算やグラフの確認などをするにとどめ、メインの作業をPythonに委ねた。

なお、これらの処理のほとんどは自分で調べて行なっていた。本当に行き詰まったら先輩に助けを乞うたが、基本は自分の力で進んでいった。

大学生が独学で学ぶメリットとデメリット

ここまで私とPythonの出会いについて紹介したが、誰もがこのような運命的な出会いをするわけではない。

実際に大学生がプログラミング・Pythonを独学で学習するにはメリットとデメリットが存在する。順番に紹介する。

大学生が独学で学ぶメリット

まずは大学生が独学で学ぶメリットを紹介する。基本的に「自由」にできるというのが独学のメリットだ。

  • 自分のライフスタイルに合う
    • 夜型は特に
    • 普段の大学生活やバイトに合わせられる
  • 自分の好きなものを追求できる
    • カリキュラム通りにしなくていいからやりたいことができる
  • お金がかからない

自分のペースで自分の好きなものを追求できる、これが独学の良い点だろう。

大学生が独学のデメリット

一方で、この「自由」というメリットがデメリットにもなる。以下に示したデメリットの一部は実際に私が感じるものでもある。

  • 自己流のコーディングになる
    • 一般的なコーディングとは異なる可能性
    • 非効率的になる可能性
  • 技術が偏りがちになる
    • 簡単なコーディングに偏る
    • できることが狭く深くなる（時には狭く浅いままで止まる場合も）
  • 学習の方向性が定まりにくい
    • やる気に左右される
  • 挫折する
    • やらなくなる

デメリットは自由すぎるが故に一般的なコーディング・プログラムの組み方などに則らなくなるということ。

ネット上で調べた例文をつぎはぎするだけでもプログラムを組むことも可能だが、それでは一般的と乖離するケースも多々ある。

また、自分でペースを制御できるので独学でやるのもやらないのも自分次第になってしまう。この点がデメリット。

独学でPythonを学ぶのに重要だったこと

ここから私が独学でPythonを学ぶことができたワケについて詳しくお話しする。といってもプログラミングを学習するのに必要な以下の項目をクリアしていたから、というのが結論。

  • 実行したい・作りたいものが明確：目的
  • 何から始めたらいいかはっきりしている
  • 最終的にどうしたいかはっきりしている
  • ある程度のまとまった時間
  • 学習・作業する根気

これらの詳しい内容については以下の記事で解説している。

【Pythonを独学】社会人が1人で学習できるのか。結論、学べるが...

今回は社会人がプログラミング言語「Python」を独学で学習できるか、について解説する。プログラミングの需要は高まっているので気になる人も多いだろう。 かくいう私はプログラミング経験0の状態からPythonを独学で習得し、その知識を使って転職・今のエンジニアという職に付いている。 この記事を読むことで独学で学習するか否かの結論が出るだろう。 Pythonとは この記事に辿り着いたということはPyt …

続きを見る

また、独学で学ぶための事前準備については以下の記事で紹介している。

【独学でPython】プログラミング初心者が学ぶために準備すること

今回はプログラミング初心者が独学でPythonを学ぶために準備しておくことについて紹介する。どちらかというと道具というよりはマインド面をメインとする。 これからプログラミングを始めたいがいきなり高額なスクールは嫌だ。小さく始めたいという人は参考にしてほしい。 なお、本記事ではプログラミング・Pythonを学習するメリットを紹介したのちにPythonを学ぶ方法を紹介する。 プログラミングを学習するメ …

続きを見る

目的と第一歩、ゴールが明確だった

まず、1つ目と2つ目そして3つ目について、当時はcsvデータをExcelで計算しグラフ化していた作業をもっと楽で高速にしたいというのが目的だった。

まずはCSVデータを読み込むことから

そのためにまずはPythonでCSVデータを読み込んでグラフ化する、というのが最初の目的で最初のステップだった。

この処理ができない限り、のちに続くデータの加工やグラフ化と保存などが何もできなくなる。

第一歩目を踏み出すための道順が見えているというのはとても重要だ。

データの加工、グラフ作成とステップアップする

CSVファイルを読み込むことができたら少しずつステップアップしていく。私の場合は複数のCSVファイルのデータに対して一律に定数をかけたり、複数ファイルの平均を取ったりした。

これらのデータの加工ののち2次元の線のグラフを作成し表示と保存を行った。そして最後に加工した後のCSVを別のCSVファイルに保存するという一連の流れを行った。

大きな目標・ステップを掲げるのではんく、細かく小さなステップを踏み出すのが継続のコツだ。

目的・最終目標は必要

これらの小さなステップを踏んで進むのはとても重要だが、最終目標・目的を掲げることも重要だ。私の場合は大学・大学院の卒業がそうだ。

あくまでも研究なので適当な内容では卒業が認められない。なので卒業に必要なデータは何か、そのデータを得るためにどんな処理が必要か、というのを1つ1つ着実にこなしていった。

学生だったので時間はあった

当時は研究室所属の学生で超ホワイトということもあり時間があまり余っていた。もちろん研究はしないといけないが特にノルマがなくのんびり研究できた（もちろんサボれば後々しんどくなるのは明白）。

なので勉強・作業するための時間は十分に確保でき、エラー対処にも時間を割くことができた。また、+αな実装にも時間を使うことができた。

意志力では継続できない

ただ、ホワイト研究室だからこそ遊びとバイトに時間を使いすぎてプログラミングの勉強が疎かになりがちだ。特に文系だと研究とは名ばかり（らしい）で遊ぶ人も多い。

そんな中、必死に「頑張るぞ」と意志の力で進もうとしてもすぐに挫折する。習慣化させるための仕組み化が必要だ。

例えば毎日決まった時間になったらスマホに勉強することを通知させたり、毎週末は勉強の時間とカレンダーに書くなどだ。自分に合った習慣・仕組みを作ってほしい。

他の人と比べることを捨てよ

といっても周りが遊んでいる中で自分だけが黙々とプログラミングの学習で苦しんでいる。周りの人が羨ましいと思うのは当然のことだろう。

しかし、他人と比べても見えてくるのは他人の優れた部分ばかりだ。逆に自分の方が優れている部分は優越感に浸りすぐに忘れる。

なので私は他人がどうしているのはなんてものは無視して自分は自分のことを精一杯こなした。

自分を生きるのが最重要

結局、他人は他人で自分は自分。他人に振り回される人生ではなく、自分の人生を生きるのが最重要だ。

学生という短い時間をどう使うのか、もう一度考え直して自分はどう生きたいのか問うてほしい。

Pythonを使わないと卒業できない

すでに書いたが大学なので卒業が待っている。そして研究なので研究の成果を発表しないと卒業することができない。

4年生になってしばらくしてからPythonを始めたので卒業までの猶予は1年を優に切っている。そういう時間的な制限があったのも、独学で学習するきっかけだったのかもしれない。

必要に迫られる締め切りを作る

学生なら卒業や実験のレポートデータの解析などでPythonを使えば提出という期限があるだろう。しかし、社会人ならそういう締め切りはない。

そういう人はTwitterなり何なりでいつまでにどういうシステム・アプリといった成果物を作ると宣言すればいい。もし無理そうなら正当な理由付きで後日、伸ばせばいい。

必要に迫られる締め切りを作ると自然と人間は頑張ることができる。

何のために大学に行ったのかも考える

また、現座、大学生の方はなぜ大学に行ったのかも考えてほしい。遊び呆けるために大学に行ったのならまだしも、勉強・研究しに行っているのなら、この時間を無駄にしてはいけない。

大学生活をより充実させつつ自分の知識・スキルを上げるためにも時間的制約をかけて学習してほしい。

要するに時間がありやることが決まっていた

要するに私が独学でPythonを学ぶことができたのは学生という身分で時間があり、かつ、卒業研究で必要なデータ・グラフを作成するという目的があったから。

この目的がないとどう進めば良いかわからなく何もできなくなってしまう。強くこれがしたいという目的・目標・成果物がない限り、独学での学習はおすすめできない、と今になって思う。

今ならChatGPTを活用するのもの有効

今ならAIチャットサービスであるChatGPTを活用して最初のとっかかりを得るのも1つの手だろう。例えば上の例はChatGPTにPythonの環境構築の仕方を聞いたもの。

もちろんChatGPTはAIなので間違ったことや古い情報を提供することもあるが、それでもかなり有益な情報を得られる。

実はChatGPTをPythonで動かすことも可能で、以下の記事で解説している。ここからAI関連でやりたいことが見つかるかもしれない。

【PythonでChatGPT】話題のAI（人工知能）を簡単に試す（Google Colaboratoryもあり）

今回は2022年末にOpenAIがリリースし公開5日程度でユーザー数が100万人を達成した話題のAI（人工知能）モデルのChatGPTをPythonで動かす方法を紹介する。 もちろん公式サイトで普通に動作させるのも1つの手であり、一般人はこの方法しか知らない。ただ、Pythonを使うことでプログラムで動かすことが可能だ。応用すれば自サービスにも使えそうだ。 本記事ではChatGPTのAPI Key …

続きを見る

さらに上の回答ではライブラリのインストールも例文を紹介してくれている。このライブラリで何ができるのか、を調べることで初歩的なことを学ぶこともできる。

ChatGPTはまだまだ一般人には馴染みがない。この機会に是非とも使ってほしい。

大学生だからこそ独学で学べる可能性が高い

今回は体験談として大学生の私が独学でPythonを学ぶことができた理由について紹介した。要するに学習する時間と目的とやることが明確化されていたからだ。

大学生は社会人に比べてかなり時間的な自由度が高いので、この機会に独学でPythonを学ぶのが良いだろう。

あなたがこれからのPython人材になることを切に願う。

社会人はなかなか難しい

一方で、社会人がこれから独学でPythonを学ぶことはできるのか。これは以下の記事でも解説したようになかなか難しいように感じる。

社会人では時間的な制約が大きく、残りの時間で余暇の時間やその他の自分の時間を使うことになる。その中でさらにプログラミングを独学で学ぶというのが難しい。

詳しくは以下の記事で解説している。

【Pythonを独学】社会人が1人で学習できるのか。結論、学べるが...

今回は社会人がプログラミング言語「Python」を独学で学習できるか、について解説する。プログラミングの需要は高まっているので気になる人も多いだろう。 かくいう私はプログラミング経験0の状態からPythonを独学で習得し、その知識を使って転職・今のエンジニアという職に付いている。 この記事を読むことで独学で学習するか否かの結論が出るだろう。 Pythonとは この記事に辿り着いたということはPyt …

続きを見る

学ぶ前に十分な準備が必要

本記事の内容でプログラミングを始めようと思ってくれたのは光栄だが、始める前に準備をしておかないと挫折しやすい。

以下の記事ではプログラミングを始める際に必要な準備について解説している。こちらの記事を読んでからプログラミング人生を歩み始めてほしい。

【独学でPython】プログラミング初心者が学ぶために準備すること

今回はプログラミング初心者が独学でPythonを学ぶために準備しておくことについて紹介する。どちらかというと道具というよりはマインド面をメインとする。 これからプログラミングを始めたいがいきなり高額なスクールは嫌だ。小さく始めたいという人は参考にしてほしい。 なお、本記事ではプログラミング・Pythonを学習するメリットを紹介したのちにPythonを学ぶ方法を紹介する。 プログラミングを学習するメ …

続きを見る

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/learn-python/selfstudy-python-student/feed/ 0 【独学でPython】プログラミング初心者が学ぶために準備すること https://programming.megatenpa.com/learn-python/selfstudy-python-beginner/ https://programming.megatenpa.com/learn-python/selfstudy-python-beginner/#respond Sat, 25 Feb 2023 10:00:46 +0000 https://programming.megatenpa.com/?p=266 Copyright © 2024 Pro天パ All Rights Reserved.

]]> 今回はプログラミング初心者が独学でPythonを学ぶために準備しておくことについて紹介する。どちらかというと道具というよりはマインド面をメインとする。

これからプログラミングを始めたいがいきなり高額なスクールは嫌だ。小さく始めたいという人は参考にしてほしい。

なお、本記事ではプログラミング・Pythonを学習するメリットを紹介したのちにPythonを学ぶ方法を紹介する。

プログラミングを学習するメリット

まずはプログラミング自体を学習するメリットを紹介する。以下に挙げた内容はプログラミング言語に共通するメリットだ。

  1. 問題解決能力の向上
    1. 解決のためにプログラミングを使うから
    2. アプローチ方法や効率性を考えられる
  2. 就職・転職に有利に
    1. 単純にスキルとしてプログラミングができると可能性が広がる
    2. 日本に足りないと言われるIT人材になれる
    3. 海外での就職も視野に入りやすい
  3. 自己表現の手段
    1. 自分のアイデアを自分の手で表現できる
  4. 情報収集スキルの向上
    1. ネット上に溢れる情報から必要なものを選択できる
    2. 的確な検索ワードを使えるようになる
    3. 英語のサイトに抵抗がなくなる

抽象的に見えるが、どれもこれからの社会を生きていくために重要なスキルだ。特に最後の情報収取スキルは一般的な日本人では高くないので、プログラミングを学ぶことで差をつけることができるだろう。

Pythonは汎用的なスキルとして使える

数あるプログラミングの中でPythonを学ぶメリットとして挙げられるのが汎用的なスキルを得ることができることだ。

例えばPythonが得意とすることには以下のようなものが挙げられる。

  • AI開発
  • 機械学習
  • Webアプリケーション開発
  • デスクトップアプリケーション開発
  • IoTシステム開発
  • ビックデータ解析
  • Webスクレイピング
  • IoTプロジェクトでの利用
  • システムのログ解析

似たようなものもあるが、広い視点を持つと色々な分野で活躍するさせることができる。要するに汎用性が高いということだ。

広く浅く経験することで色々な分野である程度の知識・技能を持つことができるし、1つの分野に特化させることで他の分野の学習も簡単になる。

必要なライブラリが豊富

また、Pythonにはこれらの高い汎用性に応じて多様なライブラリが用意されている。これらを利用することで比較的簡単に実装することが可能だ。

例えば話題のAIチャットサービスの「ChatGPT」をPython上で実行するためのライブラリもいくつか存在する。

【PythonでChatGPT】話題のAI（人工知能）を簡単に試す（Google Colaboratoryもあり）

今回は2022年末にOpenAIがリリースし公開5日程度でユーザー数が100万人を達成した話題のAI（人工知能）モデルのChatGPTをPythonで動かす方法を紹介する。 もちろん公式サイトで普通に動作させるのも1つの手であり、一般人はこの方法しか知らない。ただ、Pythonを使うことでプログラムで動かすことが可能だ。応用すれば自サービスにも使えそうだ。 本記事ではChatGPTのAPI Key …

続きを見る

これらのライブラリを活用することで簡単にプログラムを実装することができる。また、汎用的になればなるほどネット上に例文が多くあるので、これらも参考にしやすい。

Pythonはデータ解析にも強い

データ解析については私が大学生の時に学習した内容だから紹介するが、Pythonを使用してデータ解析をすることも簡単にできる。

例えばPythonを使用して大量のCSVファイルを読み込み、これらを1つのグラフに集約させるといったことも行なった。

当時のデータではないが、以下の記事のように短いコードでかなりクオリティの高いグラフを作成できる。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る
【Plotly&ボタン】updatemenusとbuttonsでボタン機能を追加

Plotlyはプロットしたデータを動かすことができるのが大きな魅力の1つだが、本記事では使えると非常に強力で便利なボタン機能（updatemenus）を解説する。 ボタン機能があると2種類のデータを1つのグラフに入れて切り替えて表示することができる。今まで2ファイルで保存していたのが1ファイルで済むようになったということだ。 さらにPlotlyではhtmlで保存もできるから、必要な機能をボタンで作 …

続きを見る

また、私は大学生時代に天文学のデータ解析をしたが、この解析に必要な・便利なライブラリもかなりの数が用意されていた。

これらを組み合わせることで汎用的かつ楽に処理を実装することができる。

Pythonは比較的学習しやすい

Pythonはプログラミング言語の中でも比較的学習しやすい言語と言われている。例えばメジャーなC言語とJavaScript、PHP、そしてPythonで「Hellow, World!」を出力してみると以下のようになる。

#include <stdio.h>
int main(void){
    printf("Hello, World!\\n");
    return 0;
}

document.writeln('Hello, World!');

<?php
　echo　”Hello, World！”;
?>

print("Hello, World!")

JavaScriptとPythonが1行で記述でき、さらにPythonの方が短く記述することができる。このように簡潔にコーディングができるので、初心者でも学習しやすい。

逆に言えばPythonに慣れすぎると他の言語の面倒さについていけなくなるかもしれないが、ここは実践あるのみ。学習初めのハードルを乗り越えればあとは経験と実践で賄える。

プログラミングをする・学ぶ目的を持つ

この目的を持つというのがPythonを学習する方法をしてかなり重要なことだ。私は意識して目的を持ったことはないが、振り返ると当時はちゃんとした目的があったと今になった思う。

はじめに方向を定める

学習のはじめに以下の5つの項目に答えてほしい。簡単なものでもいいが、できれば具体的にステップを分たりリストアップしながら挙げてほしい。

  • 何をしたいのか
  • なぜ学ぶのか
  • 何を使うのか
  • 必要なものは揃っているのか
  • まずはじめに何を学ぶのか

具体的に私が大学生の研究室時代の内容を記しておく。当時はプログラミングのプの字も知らなかったが、簡単にはリストアップしていた。

  • 何をしたいのか
    • 1 Enterで5分かかるExcelの処理を効率的にしたい
    • 複数のCSVファイルをグラフ化したい
    • 作成したグラフを画像形式で保存したい
  • なぜ学ぶのか
    • データ解析・グラフ化に時間がかかるから
    • 効率化できる（らしい）から
    • 今後の大学の研究で使える（らしい）から
  • 何を使うのか
    • MacBook Air 2015
    • Python
    • 研究室の先輩
  • 必要なものは揃っているのか
    • PC・環境は研究室に入るときに揃っていた
  • まずはじめに何を学ぶのか
    • CSVファイルをPythonで読み込む方法

この例ではかなりざっくりと記載したが、本来はマインドマップなどを使って整理する方が見返したときにも振り返りやすいだろう。

とにかく、まずはじめに「目的」を持つことを重視してほしい。

目的がないと挫折しやすい

もちろん目的なしにPythonを学習しても問題ない。初めのうちは。

時間が経つにつれてモチベーションが下がった際にそのまま継続して学習できるかが分かれ道になる。意志力で継続できればいいが、それほど人間は強くない。すぐに挫折する。

目的を持ってその目的に沿ったステップごとの目標をクリアすることで、少しずつ学習してほしい。

目的は途中で変えてもOK

はじめに立てた目的を途中で変えるのはOKだと思う。というのも、はじめに立てた目標がそもそもPythonで実現しづらい可能性もあるからだ。

例えば処理速度が足りなかったり、もっと効率的かつ現場で使用している他の言語があったりなどだ。無理やり実装したところで他にで通用しなければあまり意味がない。

なので、当初の想定が根底から覆るようなことあった場合は軌道修正として目的を変えることは良いと思う。

目的を何度も変えるのはNG

ただし、すぐにできないとレッテルを貼って挫折するのはNG。これを繰り返してしまうと自分の楽な方向へどんどんと進んでしまい、最終的に挫折することになる。

そうならないためにも目的を変える条件はあらかじめ設定しておくと良い。例えば先ほど書いたように、一般的にはPythonが使われないなどだ。

目的を決め、それを達成する目標を確実にこなすことで、着実にあなたのスキルは向上するだろう。

目的がない時は課題を見つける

どうしても目的が見つからない・とりあえず学びたいと思うなら、日常生活にある課題を解決することを考えてほしい。

仕事の本質は誰かの課題を解決すること。これを自分にも当てはめるのだ。例えば以下。

  • Excelのデータ分析で楽をしたい
  • 毎日するルーティンを自動化したい
  • ツイートの分析がしたい

日常生活にある「面倒」「楽をしたい」「効率的にならないかな」といったことをきっかけにPythonを学習することもおすすめだ。

1つ1つの内容は小さくすぐに完了するかもしれないが、これを積み重ねることで知識やスキルを身につけることができる。

必要に迫られるようにする

どうしてもモチベーションが下がりそう、という人は何か必要に迫られるようにするというのも1つの手だ。難しいかもしれないができる人は使ってほしい。

例えば以下のようなものが挙げられるだろう。

  • プログラミングができないと卒業できない
  • 学校の課題で必要
  • 毎月○日のデータ取得日までに完成させたい

学生の例がわかりやすいし私も実際に大学に卒業するにはPythonが必要だったので学習した。

締め切りがない状態の独学では確実にモチベーションは下がってしまう。自分に裁量権があったとしても、締め切りを作成することは学習の大きな助けになる。

質問できる環境があることを知る

独学でYouTubeや書籍、このサイトを参考にしながら学習すると、いずれどこかでつまづくことがある。その時に自分で調べて解決できない場合は以下のような質問サイトを使うと良い。

自分の凝り固まった・知識不足な頭で考えても答えは出ない。他人に聞くことで一瞬で解決することも多々ある。

Yahoo!知恵袋

Yahoo!知恵袋

国内最大級の質問サイトで知っている人・使ったことがある人も多いだろう。メリット・デメリットは以下。

メリット

  • 気軽に聞ける
  • あらゆる質問が可能

デメリット

  • コードブロックがないので見づらい
  • エンジニア以外もよく見るので正確性に乏しい
  • プログラミング以外の質問も多いので埋もれがち

特にコードブロックがなくコードがただの文字列で表示されるので、そのままだとかなり見づらいのが難点。スッと理解できず、毎回エディタにコピペする手間になる。

ただ、質問のハードルが一番低いので一度チャレンジしてもいいだろう。

Yahoo!知恵袋で質問してみる

teratail

teratail

ITエンジニアに特化した質問サイトで、回答率は85%をキープすることがほとんど。大体のプログラミング系の質問を解決できるのでおすすめだ。

メリット

  • エンジニア専門サイト
  • コードブロックや質問テンプレートあり
  • 解答率が高め

デメリット

  • 問題点やエラー文などをちゃんと送らないと指摘される
  • たまに口調が強い人がいる

当たり前だが質問する際には専門的すぎる内容は抽象的に落とし込む必要がある。例えば以下のような質問は噛み砕いたほうがいいだろう。

「天文学の2D画像を作成→2次元配列をヒートマップにする」

また、調べればすぐに解決方法が見つかることも多々あるので「どこまで調べ」「何でつまづいているのか」を明確にした方がいい。

teratailで質問してみる

Qiita

Qiita

メインはエンジニアの情報共有サイトなので質問機能としてはマイナーだ。なのでQiitaで質問するというよりもQiitaを活用して自分で問題を解決するといった方が有効だ。

また、個人の発信も多数ありかなりニッチな内容や同じ内容でも個々人で全く異なるアプローチもあるので、学習にはもってこいだ。

メリット

  • あらゆる情報が載っている
  • ニッチな方法も載っている
  • 自己解決に最適

デメリット

  • 一般人の投稿ではまとまっていないことも
  • 質問機能はメジャーではない

Qiitaを見てみる

Stack Overflow

Stack Overflow

Stack Overflowは英語のプログラミング質問サイトだ。英語が主体なので質問数は上で紹介したものとは桁違いの多く、回答数も桁違いだ。

英語が主体になるので英語で質問することになりハードルが高い。ただしQiita同様、情報収集としては情報量が多いのでかなりおすすめだ。

実際の質問に対する回答なので、問題に直面したときの自分に照らし合わせることもできる。

メリット

  • 質問数・回答数・情報量が桁違い
  • 質問サイトなので自分に照らし合わせられる
  • 大手なので質問したら回答も多く来る

デメリット

  • 英語で質問する必要がある
  • 日本特有のローカルソフトウェアの質問には弱い

なお、日本語版のスタック・オーバーフローもあるが、こちらを参照するよりはteratailの方が質問しやすく回答も得られやすいような気がする。

Stack Overflowで質問してみる

SAMURAI TERAKOYA：オンラインスクール

SAMURAI TERAKOYA

SAMURAI TERAKOYAはサブスク型のプログラミングスクールで、独学に近い形態のスクールだ。独学に近いもののQ&A掲示板でいつでも相談・質問が可能でオンラインレッスンもできるので悩みを解決しやすい。

また、なんといっても月額¥2,980〜利用可能と、かなりリーズナブルな価格で受講できるのも魅力的だ。

独学に近いので自分の力で解決する力が求められるが、挑戦したい人やすでに言語を学習し、他の言語を新たに学びたい人におすすめだ。

SAMURAI TERAKOYAがおすすめな人

  • 低価格で学習したい
  • 自分の力で解決したい
  • だが、質問・相談は気軽にしたい
  • オンラインレッスンも受けたい

SAMURAI TERAKOYAは私もお世話になっているサイト「SAMURAI ENGINEER Blog」と同じ運営元なので、この点も安心材料となるだろう。

SAMURAI TERAKOYAで勉強する

PyQ：Python特化の学習サイト

PyQ

PyQはPythonに特化したプラットフォームで、こちらもプログラミングスクールというよりは独学に近いが一応現役のエンジニアが質問に答えてくれるので紹介する。

独学に近いということもあり価格はかなり抑えめで高いほうの「スタンダードプラン」でも¥8,130/月と破格。もはや1万円を切っている。

他の言語よりPythonを重点的に学びたいけど費用を抑えたい人におすすめだ。

PyQがおすすめな人

  • Python特化で学びたい
  • 独学寄りの学習がしたい
  • でも質問は気軽にしたい
  • 費用は抑えめで

入門コンテンツを無料で試せるので、一度お試ししてからプランに入るのも1つの手だ。

PyQはこちらから

とにかく書いて実践する

一番重要なのはとにかくコードを書いて実践することだ。頭の中で延々と考えても前には進めない。実際にコードを書いて動かしてみないと実際の動作はわからない。

実は自分が思っていない場所でエラーになるかもしれない。想定外のエラーが起きるかもしれない。脳内で完結させず、とにかく実践あるのみだ。

ファーストステップに最適なコード例

とりあえず手を出してから目的を決めよう、という方は以下のコードを実行してほしい。時にエラーが出るかもしれないが、その時はエラー内容をコピーし検索してほしい。

自分で検索して原因を知り、解決することで着実に成長できるはずだ。

以下のコードはGoogle Colaboratoryを利用することで環境構築なしで実践できる。ぜひ試してほしい。

四則演算

まずは四則演算から。単純に見える四則演算でも整数と小数の違いや掛け算の書き方など、色々と考える部分は多い。

a = 3
b = 2

# 足し算
c = a + b
print(c)

# 引き算
d = a - b
print(d)

# 掛け算
e = a * b
print(e)

# 累乗
f = a ** b
print(f)

# 割り算
g = a / b
print(g)

# 切り捨ての割り算（Python3系）
h = a // b
print(h)

forループ

プログラミングでは同じ処理を繰り返すコードがある。そのうちの1つがこのforループだ。これを使うことでコードを短く書くことができる。

以下ではtuple配列のarrをforループで順番に出力している。tupleや配列などの語句を調べるとさらに理解が深まる。

arr = (1, 2, 3, 5, 7)
for i in arr:
	print(i)

ifの条件分岐

ある条件下でのみ処理をするのがif文で、これを使うことでもコードを短く実装することが可能だ。

以下の例では変数j, kが1かどうかを判定している。

j = 2
k = 1

if j == 1:
	print('jの値は1です')

if k == 1:
	print('kの値は1です')

CSVファイルの読み込み

私がPythonを学んだ際にはじめにしたのがこのCSVファイルの読み込みだ。今思うとハードルの高いものからチャレンジしたが、これをクリアすればできることがかなり広がる。

ただし、CSVファイルの読み込みではエンコードやファイルの中身の形式によってはエラーが頻発することも多いので、エラーが出たらその都度調べて解決してほしい。

以下の例ではnumpyとpandasという2種類のライブラリを使用してそれぞれファイルを読み込んでみた。自分が理解しやすい方から使ってほしい。

example.csv

x y
0 1
1 2
2 5
3 3
3 8 
import numpy as np
import pandas as pd

csv_np = np.loadtxt('example.csv', delimiter=',', skiprows=1)
print(csv_np)
# [[0. 1.]
#  [1. 2.]
#  [2. 4.]
#  [3. 3.]
#  [4. 8.]]

csv_pd = pd.read_csv('example.csv')
print(csv_pd)
#    x  y
# 0  0  1
# 1  1  2
# 2  2  4
# 3  3  3
# 4  4  8

2Dグラフの作成

最後に読み込んだcsvファイルをグラフ化してみる。グラフ化の方法も多数あるが、ここではメジャーなmatplotlib.pyplotを使用する。

numpy, pandasそれぞれの方法を紹介するが、以下の方法以外の方法も多数存在する。調べる中でわかりやすいと感じるものから実践してほしい。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# numpyを使用する方法
csv_np = np.loadtxt('example.csv', delimiter=',', skiprows=1)
x = csv_np[:, 0]
y = csv_np[:, 1]
fig, ax = plt.subplots(1, 1)
ax.set_xlabel('x')
ax.plot(x, y, label='y')
ax.legend()
fig.savefig('numpy_csv.png')

# pandasを使用する方法
csv_pd = pd.read_csv('example.csv')
csv_pd.plot(x='x', y='y')
plt.savefig('pandas_csv')

まずは目的を持って挑戦する

今回はプログラミング初心者がPythonを学ぶために準備することを紹介した。準備せずともプログラミングを学ぶことは可能だ。しかしこれは非効率。

より効率的に学習するためにも本記事の内容を念頭に、プログラミングを学ぶ準備を進めてほしい。

なお、以下の記事では社会人がプログラミングを独学で学ぶことができるのかについて考察してみた。すでに社会人の人・これから社会人になる人はご覧いただきたい。

【Pythonを独学】社会人が1人で学習できるのか。結論、学べるが...

今回は社会人がプログラミング言語「Python」を独学で学習できるか、について解説する。プログラミングの需要は高まっているので気になる人も多いだろう。 かくいう私はプログラミング経験0の状態からPythonを独学で習得し、その知識を使って転職・今のエンジニアという職に付いている。 この記事を読むことで独学で学習するか否かの結論が出るだろう。 Pythonとは この記事に辿り着いたということはPyt …

続きを見る

このサイトでは初心者でもPython、とりわけグラフ作成の特化したライブラリPlotlyを中心に紹介している。他の記事も参考にしてほしい。

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/learn-python/selfstudy-python-beginner/feed/ 0 【Plotlyで折れ線グラフ】go.ScatterでLine Plotを作成する https://programming.megatenpa.com/plotly/go/go-scatter-line/ https://programming.megatenpa.com/plotly/go/go-scatter-line/#respond Sat, 18 Feb 2023 08:31:43 +0000 https://programming.megatenpa.com/?p=268 Copyright © 2024 Pro天パ All Rights Reserved.

]]> 今回はPlotlyのgo.Scatterを使って折れ線グラフを作成する。px（plotly.express）ではpx.lineという折れ線グラフ専用の関数があるが、goには専用の関数はなくgo.Scatterで代用する。

go.Scatterの詳しいグラフの描き方は以下の記事参照。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

本記事ではgo.Scatterで折れ線グラフを作成する方法と、プロットの色や欠損地の扱いなどを解説する。

Python環境は以下。

  • Python 3.10.8
  • numpy 1.24.0
  • plotly 5.11.0
  • plotly-orca 3.4.2

参考になるサイト

Plotly公式

本記事のコード全文

下準備のimport

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

まずは下準備としてのimport関連。今回は基本goを使用するが、データを作成するためにnumpyを使用するのでimport。

pioはplotlyでのグラフ保存用のライブラリ。保存の仕方は色々あるがpioその1つだ。

go.Scatterのデフォルトは折れ線グラフ


そもそもgo.Scatterで作成するグラフはデフォルトでマーカーと線の組み合わせだ。なので極論、go.Scatterと引数x, yを使うだけで折れ線グラフは作成できる。

ただ、以下で解説するような、マーカーの削除や色・太さの変更などをするには一工夫が必要だ。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# go.Scatterはデフォルトで折れ線グラフ

np.random.seed(1)
x = np.arange(10)

plot = [go.Scatter(x=x, y=np.random.randn(10))]
fig = go.Figure(data=plot)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_default_scatter"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

modeでマーカーやテキストを追加可能


go.Scatterの引数modeを使うことでデフォルトでついてくるマーカーを削除することが可能。もちろん逆に線を削除することも可能だ。

上のグラフでは4種類のプロットをした。その他の組み合わせについてはgo.Scatterの解説記事を参照。

  1. 線のみ
  2. 線とマーカー（デフォルト）
  3. マーカーのみ
  4. 線とテキスト

最後の「線とテキスト」については引数textで表示するテキストを指定した。ここではyの値を小数第2位の桁まで表示した。

なお、np.random.seed(1)は乱数の固定のために使用。使わない場合は実行ごとに乱数が変わってしまうが、seedを指定すると乱数の値が固定される。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pi

o# 引数modeで線の種類を変更

np.random.seed(1)

N = 100
random_x = np.linspace(0, 1, N)
random_y0 = np.random.randn(N) + 5
random_y1 = np.random.randn(N)
random_y2 = np.random.randn(N) - 5
random_y3 = np.random.randn(N) - 10

plot = [
    go.Scatter(x=random_x, y=random_y0, mode='lines', name='lines'),
    go.Scatter(x=random_x, y=random_y1, mode='lines+markers', name='lines+markers'),
    go.Scatter(x=random_x, y=random_y2, mode='markers', name='markers'),
    go.Scatter(x=random_x, y=random_y3, mode='lines+text', name='lines+text', text=np.round(random_y3, 2)),
]

fig = go.Figure(data=plot)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_mode"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

線の色と太さと種類を変える


続いては折れ線グラフのプロット線の色と太さ、そして線の種類を変更する方法を紹介する。上のグラフがこれら3種類の変更を同時に加えたグラフ。

線の色、太さ、種類それぞれの変更方法と変更した後のグラフを以下で解説する。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# プロットの色と太さと種類を変更

x = np.arange(10)

# 色と太さと種類の配列を作成し、その数だけプロットを作成
colors = [
    'red', 'rgba(200, 150, 10, 0.5)', '#4d4398', '#9ff',
    'blue', 'rgba(255, 255, 0, 0.9)', '#302833',
    'green', 'rgba(1, 1, 100, 0.1)', '#82ae46'
]
widths = [
    0.1, 0.5, 1, 2,
    5, 7, 8,
    10, 15, 20
]
dashes = [
    'solid', 'dot', 'dash', 'longdash',
    'dashdot', 'longdashdot', '5px,10px,2px,2px'
]
plot = []
for num, (color, width, dash) in enumerate(zip(colors, widths, dashes)):
    np.random.seed(num)
    d = go.Scatter(
        x=x, y=np.random.randn(10) + (5 * num),
        name=dash,
        line=dict(
            color=color,  # 線の色
            width=width,  # 線の太さ
            dash=dash,  # 線の種類
        ),
    )
    plot.append(d)

fig = go.Figure(data=plot)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_width_dash"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

colorで線の色を変える


プロットの色の変更はgo.Scatterの引数lineの引数colorで変更可能だ。Plotlyでは引数は辞書型（dict）で指定するので、line=dict(color=)の形式で指定する。

一方で、マジックアンダースコア「_」で指定する方法もあり、ここではこの方法で色を指定した。これはdictの親の引数と子の引数を「_」でつなぐ方法。

要するに以下の2種類の書き方は同じ結果となる。

line=dict(color=color),

line_color=color,

lineで指定する引数が少ない場合はマジックアンダースコアを使うとスッキリと記述することができる。

一方で指定する引数が多い場合はdictで囲う方が同じ階層の引数だとわかりやすい。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# プロットの色を変更

x = np.arange(10)

# 色の配列を作成し、その数だけプロットを作成
colors = ['red', 'rgba(200, 150, 10, 0.5)', '#4d4398']
plot = []
for num, color in enumerate(colors):
    np.random.seed(num)
    d = go.Scatter(
        x=x, y=np.random.randn(10) + (5 * num),
        name=color,
        # line=dict(color=color),  # これでも良い
        line_color=color,
    )
    plot.append(d)

fig = go.Figure(data=plot)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}

widthsで線の太さを変える


折れ線グラフのプロットの太さも色と同じ様にgo.Scatterの引数lineの引数widthで変更可能だ。

ただ単に色の部分が太さに変わるだけだ。なお、デフォルトの線の太さは2だ。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# プロットの太さを変更

x = np.arange(10)

# 太さの配列を作成し、その数だけプロットを作成
widths = [0.1, 1, 10]
plot = []
for num, width in enumerate(widths):
    np.random.seed(num)
    d = go.Scatter(
        x=x, y=np.random.randn(10) + (5 * num),
        name=width,
        # line=dict(width=width),  # これでも良い
        line_width=width,
    )
    plot.append(d)

fig = go.Figure(data=plot)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_width"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

dashで線の種類を変える


線の種類を指定できるdashも同じ様にlineの引数として指定することが可能だ。指定できる線の種類は以下の7種類。

  • 'solid': 実線
  • 'dot': 点線
  • 'dash': 破線
  • 'longdash': 長い破線
  • 'dashdot': 一点鎖線
  • 'longdashdot': 長い一点鎖線
  • '5px,10px,2px,2px': 数値で線と空白を指定

最後の指定方法を駆使すれば自分の好きな間隔で線の種類を作成することができる。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# プロットの種類を変更

x = np.arange(10)

# 種類の配列を作成し、その数だけプロットを作成
dashes = [
    'solid', 'dot', 'dash', 'longdash',
    'dashdot', 'longdashdot', '5px,10px,2px,2px'
]
plot = []
for num, dash in enumerate(dashes):
    np.random.seed(num)
    d = go.Scatter(
        x=x, y=np.random.randn(10) + (5 * num),
        name=dash,
        # line=dict(dash=dash),  # これでも良い
        line_dash=dash,
    )
    plot.append(d)

fig = go.Figure(data=plot)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_dash"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

connectgapsでNoneやNaNの欠損値のギャップを埋める


NoneやNaNといった欠損値のあるデータをグラフ化するときもあるだろう。go.Scatterのデフォルトではこれらの欠損値はデータなしとして扱われ点同士は途切れる。

途切れたデータ点同士をつなげたい時は引数connectgaps=Trueとすればいい。連続した欠損値でも前後のデータ同士を自動でつなげてくれる。

ただし、データ的につなげることが不適切な場合もあるので、どのような対応をするのかはよく検討してほしい。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# None, NaNの欠損値のギャップを埋める

x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]

y0 = np.array([10, 20, None, 15, 10, 5, 15, np.nan, 20, 10, 10, 15])
y1 = []
for y in y0:
    # Noneの時は加算できない
    if type(y) is int:
        y -= 5
    y1.append(y)
y1 = np.array(y1)

plot = [
    go.Scatter(
        x=x, y=y0,
        name='<b>No</b> Gaps',
        connectgaps=True
    ),
    go.Scatter(
        x=x, y=y1,
        name='Gaps',
    ),
]

fig = go.Figure(data=plot)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_gaps"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

line_shapeでデータの補完方法を変える


デフォルトではデータ点同士のつなげ方はそのまま直線だ。一方で、引数line_shapeを使用することで、つなげ方（補完方法）を変更することが可能だ。

選択できるのは以下の6種類。

  • 'linear': 直線でつなぐ
  • 'spline': スプライン補完でつなぐ
  • 'vhv': 「垂直→水平→垂直」の順番でつなぐ
  • 'hvh': 「水平→垂直→水平」の順番でつなぐ
  • 'vh': 「垂直→水平」の順番でつなぐ
  • 'hv': 「水平→垂直」の順番でつなぐ

真ん中2つについては、例えば'vhv'ではプロット間を「'vhvvhvvhv'」のようにつなげるので、プロットが途中で飛び出る形となることに注意。

また、'vhv'と'hvh'はプロット間の始まりと終わりはそれぞれv（垂直）、h（水平）につながることにも注目してほしい。プロット間の途中でそれぞれhとvが挟まるだけだ。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# line_shapeでデータの補完方法を変える

x = np.array([1, 2, 3, 4, 5])
y = np.array([1, 3, 2, 3, 1])

line_shapes = [
    'hv', 'vh', 'hvh', 'vhv',
    'spline', 'linear',
]
plot = []
for num, line_shape in enumerate(line_shapes):
    d = go.Scatter(
        x=x, y=y + (5 * num),
        name=line_shape,
        line_shape=line_shape,
    )
    plot.append(d)

layout = go.Layout(
    legend_traceorder='reversed'
)
fig = go.Figure(data=plot, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_interpolation"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

annotationsでプロットにラベルをつける


プロット点にラベルをつけることも可能だ。細かいことを言えばこれはgo.Scatter・折れ線グラフに限った機能ではないが一応、解説しておく。

goのレイアウトを担うgo.Layoutの引数annotationsに対して以下の引数でラベルを追加している。

  • xref: x軸方向の位置の基準
    • paper: 初期のグラフ表示での位置
  • y_trace[0]: 各プロットの初めのyの値
  • xanchor: xの位置の基準
  • yanchor: y軸方向の基準

追加・指定の方法がややこしいので、annotationsでラベルを作成することもできることは押さえておいてほしい。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# annotationsでプロットにラベルをつける

title = 'Main Source for News'
labels = ['Television', 'Newspaper', 'Internet', 'Radio']
colors = ['rgb(67,67,67)', 'rgb(115,115,115)', 'rgb(49,130,189)', 'rgb(189,189,189)']

mode_size = [8, 8, 12, 8]
line_size = [2, 2, 4, 2]

# xデータを2次元配列で作成
x_data = np.vstack((np.arange(2001, 2014),) * 4)
y_data = np.array([
    [74, 82, 80, 74, 73, 72, 74, 70, 70, 66, 66, 69],
    [45, 42, 50, 46, 36, 36, 34, 35, 32, 31, 31, 28],
    [13, 14, 20, 24, 20, 24, 24, 40, 35, 41, 43, 50],
    [18, 21, 18, 21, 16, 14, 13, 18, 17, 16, 19, 23],
])

# 各ラベルのグラフを作成
fig = go.Figure()
for i in range(len(labels)):
    fig.add_trace(
        go.Scatter(
            x=x_data[i], y=y_data[i], mode='lines',
            name=labels[i],
            line=dict(color=colors[i], width=line_size[i]),
            connectgaps=True,
        )
    )

annotations = []
# ラベルを作成
for y_trace, label, color in zip(y_data, labels, colors):
    annotations.append(
        dict(
            xref='paper',  # 初期の表示領域から相対的に位置を決める
            x=0, y=y_trace[0],  # ラベルの高さはプロットの0番目のyの値
            xanchor='left', yanchor='top',
            text=f'{label} {y_trace[0]}%',
            showarrow=False  # Trueにすると矢印が引かれる
        )
    )
# レイアウトを更新
fig.update_layout(annotations=annotations)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_annotations"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

lines+textでもプロットにラベルをつけられる


先ほどのannotationsでのラベルを追加する方法はややこしくてとっつきづらい。しかし、go.Scatterのmodeを活用することで同様の実装が可能だ。

手順は以下。こちらもややこしいがgo.Scatterだけで完結するので比較的シンプルだろう。

  1. mode=’lines+text’で線とテキストを指定
  2. テキストの内容をラベルの内容に設定
  3. 0番目のデータを取得
  4. 1番目以降のデータの数だけNoneの配列を作成
  5. 0番目のデータとNoneの配列を結合
  6. 各データの引数textをこの配列で上書き

すなわち0番目以外のテキストを、削除扱いになるNoneで上書きするということ。なので各データのgo.Scatterの中身を確認するとtextがNoneであることがわかる。

$ print(fig['data'][0])
Scatter({
    'connectgaps': True,
    'line': {'color': 'rgb(67,67,67)', 'width': 2},
    'mode': 'lines+text',
    'name': 'Television',
    'text': [Television 74%],
    'x': array([2001, 2002, 2003, 2004, 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012,
                2013]),
    'y': array([74, 82, 80, 74, 73, 72, 74, 70, 70, 66, 66, 69])
})

この方法を応用すれば最初と最後だけや、任意の位置のデータだけテキストをつけることもできる。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

title = 'Main Source for News'
labels = ['Television', 'Newspaper', 'Internet', 'Radio']
colors = ['rgb(67,67,67)', 'rgb(115,115,115)', 'rgb(49,130,189)', 'rgb(189,189,189)']

mode_size = [8, 8, 12, 8]
line_size = [2, 2, 4, 2]

# xデータを2次元配列で作成
x_data = np.vstack((np.arange(2001, 2014),) * 4)
y_data = np.array([
    [74, 82, 80, 74, 73, 72, 74, 70, 70, 66, 66, 69],
    [45, 42, 50, 46, 36, 36, 34, 35, 32, 31, 31, 28],
    [13, 14, 20, 24, 20, 24, 24, 40, 35, 41, 43, 50],
    [18, 21, 18, 21, 16, 14, 13, 18, 17, 16, 19, 23],
])

# 各ラベルのグラフを作成
fig = go.Figure()
for i in range(len(labels)):
    fig.add_trace(
        go.Scatter(
            x=x_data[i], y=y_data[i],  # mode='lines',
            name=labels[i],
            line=dict(color=colors[i], width=line_size[i]),
            connectgaps=True,
            mode='lines+text', text=[f'{labels[i]} {y_data[i][0]}%'],
        )
    )

    first_data = fig['data'][i]['text'][0]  # 0番目のラベル
    none_data = [None] * (len(fig['data'][i]['text']) - 1)  # 1番目以降のラベル
    fig['data'][i]['text'] = [first_data] + none_data

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_annotations_text"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

fillでプロットを塗りつぶす


Plotlyのグラフでの塗りつぶし方にはいくつかの方法があるが、ここでは囲んだ領域を塗りつぶすfill='toself'を紹介する。

書き方は以下のような感じで、fill='toself'の場合は塗りつぶしたい領域を囲うようにx, yの値を指定する必要がある。これが面倒。

go.Scatter(
      x=x + x_rev,
      # fill='toself'ではプロットを囲う様にfillを作成
      y=y1_upper + y1_lower,
      fill='toself',
      fillcolor='rgba(0,100,80,0.2)',
      line_color='rgba(255,255,255,0)',
      showlegend=False,
  )

今回の例では以下のように塗りつぶし用のxとyを設定した。まず、x_revがxの順番を逆にしたもの、y1_lowerも同様に最終的には元のy1_lowerの順番を逆転させている。

x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
x_rev = x[::-1]  # 配列を逆転
print(x_rev)
# [10, 9, 8, 7, 6, 5, 4, 3, 2, 1]

y1_upper = [2, 3, 4, 5, 6, 7, 8, 9, 10, 11]  # プロットの上側のfill
y1_lower = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]  # プロットの下側のfill
y1_lower = y1_lower[::-1]  # 配列を逆転
print(y1_lower)
# [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

x, yそれぞれで元の配列と逆転させた配列を結合することで、共に行って帰ってくる並びの配列を作成することができる。

なお、yに関してはプロットの上下に塗りつぶし領域を用意したいので、単に行って帰ってくる配列でなく値をずらして作成する必要がある。

print(x + x_rev)
# x + x_rev [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1]
print(y1_upper + y1_lower)
# y1_upper + y1_lower [2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

塗りつぶしではy1_upper→y1_lowerの順番で指定しているので、初めの塗りつぶしのポイントは(x, y)=(1, 2)からだ。

この点から右上に進み、折り返し地点となる(x, y)=(10, 11)から真下に降りて(10, 9)から今度は左下に向かって進む。

塗りつぶしの形式はfill='toself'なので、この折り返しの最中に囲った領域を塗りつぶすことになる。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
x_rev = x[::-1]  # 配列を逆転
print(x_rev)
# [10, 9, 8, 7, 6, 5, 4, 3, 2, 1]

y1 = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
y1_upper = [2, 3, 4, 5, 6, 7, 8, 9, 10, 11]  # プロットの上側のfill
y1_lower = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]  # プロットの下側のfill
y1_lower = y1_lower[::-1]  # 配列を逆転
print(y1_lower)
# [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

print(x + x_rev)
# x + x_rev [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1]
print(y1_upper + y1_lower)
# y1_upper + y1_lower [2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

fig = go.Figure(
    data=[
        # 折れ線グラフ
        go.Scatter(
            x=x, y=y1,
            line_color='rgb(0,100,80)',
            name='Fair', mode='lines'
        ),
        # fill
        go.Scatter(
            x=x + x_rev,
            # fill='toself'ではプロットを囲う様にfillを作成
            y=y1_upper + y1_lower,
            fill='toself',
            fillcolor='rgba(0,100,80,0.2)',
            line_color='rgba(255,255,255,0)',
            showlegend=False,
        )
    ]
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)

fig.show()
# グラフ保存
prefix = 'go-scatter-line'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_fill"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

工夫次第で線にも点にもなる

今回はPlotlyのgo.Scatterを使ってgoで折れ線グラフを作成する方法を紹介した。pxと違って折れ線グラフ専用の関数がないから少し紛らわしい。

しかし、裏を返せば引数や処理を工夫することで散布図にも折れ線グラフにもなるということだ。是非とも色々と応用してほしい。

なお、Plotlyで散布図を作成する方法は以下のgo.Scatterを使った方法と、

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

より簡潔にグラフ化できるpx.scatterを使った方法がある。それぞれ記事にしてあるので、これらも併せてご覧いただきたい。

【Plotlyで散布図】px.scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、pxの散布図グラフpx.scatterから始めてみよう。本記事ではpx.scatterの使い方をざっくりと解説する。 本記事の内容は以下。 1種類のデータのグラフを作成 複数種類のデータのグラフを作成 既存のプロットにプロットを追加 プロット名や凡 …

続きを見る

関連記事

【Plotlyで散布図】go.Scatterglで大量のデータでグラフを作成する

今回はPythonのPlotlyで大量のデータを軽く扱うことができるgo.Scatterglの使い方とgo.Scatterとの比較を行う。1万以上のデータを散布図として扱う際はこの記事を参考にgo.Scatterglを活用してほしい。 もちろんgo.Scatterで1万のデータをグラフ化することも可能だが、グラフ作成時間やグラフ表示後の動きがカクカクして使いづらい。そんな時にWebGLを使用して動 …

続きを見る
【Plotly&ボタン】updatemenusとbuttonsでボタン機能を追加

Plotlyはプロットしたデータを動かすことができるのが大きな魅力の1つだが、本記事では使えると非常に強力で便利なボタン機能（updatemenus）を解説する。 ボタン機能があると2種類のデータを1つのグラフに入れて切り替えて表示することができる。今まで2ファイルで保存していたのが1ファイルで済むようになったということだ。 さらにPlotlyではhtmlで保存もできるから、必要な機能をボタンで作 …

続きを見る
【Plotly&ボタン】updatemenusのargs2で2回目のボタン押下機能を追加

今回はPlotlyのボタン機能に2回目のボタン押下の処理を追加する方法を解説する。この機能を使うことで、1つのボタンに2種類の機能を付与してボタンの数を減らすことができるだろう。 また、オン・オフの切り替えを1つのボタンで担うことができるので、機能面でもわかりやすくなるだろう。 本記事の内容は以下のupdatemenusでボタンを追加する方法の応用版だ。まだ読んでいない人はまずは基礎固めから始めて …

続きを見る
【Plotly&sliders】スライダーを追加しデータを切り変える

本記事ではPlotlyでデータの流れを簡単に理解できる機能のスライダーについてその仕組みやグラフの例を解説・紹介する。 スライダー機能を使えるようになると時系列のグラフやsin(2x), sin(3x)といった一部だけ変わるグラフをわかりやすく表現することができる。 Plotlyのボタン機能（updatemenus）でも実現はできるが、この手のグラフはスライダー機能が断然わかりやすい。本記事では簡 …

続きを見る
【Pythonを独学】社会人が1人で学習できるのか。結論、学べるが...

今回は社会人がプログラミング言語「Python」を独学で学習できるか、について解説する。プログラミングの需要は高まっているので気になる人も多いだろう。 かくいう私はプログラミング経験0の状態からPythonを独学で習得し、その知識を使って転職・今のエンジニアという職に付いている。 この記事を読むことで独学で学習するか否かの結論が出るだろう。 Pythonとは この記事に辿り着いたということはPyt …

続きを見る

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/plotly/go/go-scatter-line/feed/ 0 【PythonでChatGPT】話題のAI（人工知能）を簡単に試す（Google Colaboratoryもあり） https://programming.megatenpa.com/ai/chatgpt/python-chatgpt-api/ https://programming.megatenpa.com/ai/chatgpt/python-chatgpt-api/#comments Sat, 11 Feb 2023 02:13:27 +0000 https://programming.megatenpa.com/?p=236 Copyright © 2024 Pro天パ All Rights Reserved.

]]> 今回は2022年末にOpenAIがリリースし公開5日程度でユーザー数が100万人を達成した話題のAI（人工知能）モデルのChatGPTをPythonで動かす方法を紹介する。

もちろん公式サイトで普通に動作させるのも1つの手であり、一般人はこの方法しか知らない。ただ、Pythonを使うことでプログラムで動かすことが可能だ。応用すれば自サービスにも使えそうだ。

本記事ではChatGPTのAPI Keyとライブラリopenaiのopenai.Completion.createを使用する。

Python環境は以下。

  • Python 3.9.6

参考になるサイト

ChatGPT公式

OpenAI公式

Qiita

ChatGPT APIをPythonで使う – Qiita

本記事のコード全文

下準備のimport

import openai

本記事では主にOpenAIのライブラリopenaiを使用する。ChatGPTをPythonで実行する方法は多々あるが、安定的に使用できるのがこのopanaiだ。

openaiをインストールしていない人はまずは下記コマンドよりopenaiをインストールしてほしい。

pip install openai

API Keyを取得

OpenAIの下記のAPI Key取得のページにアクセスし、「Create new secret key」からAPI Keyを取得可能。

この時、注意文にも書いてあるように、生成したAPI Keyは再度表示されることはない。この後も使用するので必ず控えておこう。

なお、API Keyを忘れてしまったら再度発行することになるので注意。

Please note that we do not display your secret API keys again after you generate them.

API Keyを取得できたらほぼ終了。あとはスクリプトを書いて実行するのみ。

openai.Completion.createで試してみる

ここでは取得したAPI Keyをopenai.Completion.createで使ってスクリプトを書き実行してみた。出力された結果が上の回答、問いは以下。日本人が気になるiPhoneの疑問。

日本にiPhoneを使う人が多いのはなぜ？

もちろんこれは推論なので毎回同じ答えが返ってくるわけではない。大体の内容が同じでもニュアンスが異なっていたり内容が細かくなっていたりする。

また、ChatGPTは1つの問いで完結せず、続けて問い続けると前の問いを踏まえて回答してくれる。なので質問を追うごとに内容が細かくなるだろう。

import openai

# API Keyの設定
openai.api_key = "（ここにAPI　Key）"
# モデルの指定
model_engine = "text-davinci-003"
# 指示内容
prompt = "日本にiPhoneを使う人が多いのはなぜ？"

# 推論の実行
completion = openai.Completion.create(
    model=model_engine,
    prompt=prompt,
    max_tokens=1024,
    n=1,
    stop=None,
    temperature=0.5,
)
# 結果
response = completion.choices[0].text
print(response)

スクリプトも書いてくれる

文章ペースの回答はもちろんのこと、上の画像のようにスクリプトを記述することも可能だ。問いは以下。初心者だと悩みがちなもの。

pythonで任意の数までの奇数を配列に格納するスクリプトを書いてください。

何度か聞くとそれぞれで異なる回答をもらえるので、複数の方法を知りたい人は参考にしてほしい。

import openai

#スクリプトも書いてくれる

# API Keyの設定
openai.api_key = "（ここにAPI Key）"
# モデルの指定
model_engine = "text-davinci-003"
# 指示内容
prompt = "pythonで任意の数までの奇数を配列に格納するスクリプトを書いてください。"

# 推論の実行
completion = openai.Completion.create(
    model=model_engine,
    prompt=prompt,
    max_tokens=1024,
    n=1,
    stop=None,
    temperature=0.5,
)
# 結果
response = completion.choices[0].text
print(response)

openai.Completion.createの各変数を見る

openai.Completion.createを使うことでChatGPTを使うことができたが、各変数の意味を知っておかないと何をしているかがさっぱりわからない。なので以下にて簡単に解説しておく。

  • model: APIで使用できるモデル
    • 引数engineもあるが非推奨
  • prompt: 指示内容
  • max_tokens: 出力内容の最大単語数
    • モデルによって異なる
  • n: 生成する結果数
  • stop: トークンの生成を停止する文章・文字
  • temperature: 0（ランダム）から2（確定的）な答えを生成

これらの他にも多数の引数があるが、詳しくは公式ドキュメントを参照いただきたい。

使用できるモデルの一覧

モデル名 最新名 詳細 最大リクエスト数 訓練データ
GPT-3 text-davinci-003 最も有能なGPT3モデル。より高品質、より長い出力、より優れた指示に従う 4,000トークン 2021年6月まで
GPT-3 text-curie-001 非常に有能でDavinciより高速で低コスト 2,048トークン 2019年10月まで
GPT-3 text-babbage-001 簡単なタスクに対応。非常に高速で低コスト 2,048トークン 2019年10月まで
GPT-3 text-ada-001 非常に単純なタスクに対応。最速で低コスト 2,048トークン 2019年10月まで
Codex code-davinci-002 最も有能なCodexモデル 8,000トークン 2021年6月まで
Codex code-cushman-001 上のDavinci Codexと同じ能力だがわずかに高速。 最大 2,048 トークン
Content filter APIから生成された文章が機密・安全でないかを検出。今はModerationが推奨

また、openai.Completion.createではモデルも指定することができる。詳細は公式ドキュメントを参照いただきたいが、ざっくりは上の表の7種類。

それぞれの用途に合わせて使い分けるのが1番だが、基本的な文章は上のコードでも使用したtext-davinci-003で十分だろう。

Codexを試す

試しにモデルをtext-davinci-003からcode-davinci-002に変更し、先ほどの奇数を配列に格納するスクリプトを書いてもらった。

+
+## 実行例
+
+```
+$ python3 odd.py
+数字を入力してください
+> 5
+[1, 3, 5]
+```
+
+## 出力例
+
+```
+$ python3 odd.py
+数字を入力してください
+> 10
+[1, 3, 5, 7, 9]
+```
+
+## ポイント
+
+- 出力される配列は、1から入力した数までであることに注意してください。
+- `input`を使用してください。
+- 配列を使用してください。
+
+## ヒント
+
+- `range`関数を使用すると、簡単に配列を作ることができます。
+- 配列を使うと、複数の値を一度に扱うことができます。
+
+## 補足
+
+- 配列を作る方法は、複数あります。
+- 配列は、数字だけでなく、文字列や論理値などを入れることもできます。
+- 今回は、数字を入れる配列を作ります。
+
+## 提出方法
+
+1. 自分のGitHubアカウントを作成し、[@（name）](<https://github.com/（name）>)をフォローしてください
+1. 自分のPCで、このリポジトリを`git clone`してください
+1. 自分のPCで、`odd.py`を作成してください
+1. 自分のPCで、`git add odd.py`を実行してください
+1. 自分のPCで、`git commit -m "odd.pyを作成"`を実行してください
+1. 自分のPCで、`git push`を実行してください
+1. 自分のGitHubアカウントのリポジトリを確認してください
+1. 自分のGitHubアカウントのリポジトリを確認して、問題が解決したら、[@（name）](<https://github.com/（name）>)に、リポジトリのURLをDMで送ってください
+
+## 納期
+
+原則として、次の授業（10/31）までに納めてください。

かなり学校の課題のような返答が返ってきた。ただ、もう一度実行すると以下のようにコード部分を返してくれた。

何回か試していると以下のようにコードを返すこともあれば、上の課題風の回答も返ってきた。あくまでもAIが記述しているに過ぎないことを実感した瞬間だ。

def odd_array(num)
  (1..num).select{|i| i % 2 != 0}
end

p odd_array(10)
#=> [1, 3, 5, 7, 9]

p odd_array(5)
#=> [1, 3, 5]

なお、初めの課題風の出力の一部に実在するGitHubアカウントが表示されていたので、ここでは伏せさせてもらった。

responseの中身

import openai

# API Keyの設定
openai.api_key = "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"
# モデルの指定
model_engine = "text-davinci-003"
# 指示内容
prompt = "日本にiPhoneを使う人が多いのはなぜ？"

# 推論の実行
completion = openai.Completion.create(
    model=model_engine,
    prompt=prompt,
    max_tokens=1024,
    n=1,
    stop=None,
    temperature=0.5,
)

最後に紹介したopenai.Completion.createの中身を確認しておく。回答だけ取り出したい時は紹介したcompletion.choices[0].textでいいが、レスポンスには他の情報もあるので紹介する。

といっても難しいことはなく、上のように単にcompletion.choices[0].textの初めのcompletionだけを取り出せばいい。本記事の初めのiPhoneの回答を見てみると以下。print部分の下が出力内容だ。

# 結果
print(completion)
{
  "choices": [
    {
      "finish_reason": "stop",
      "index": 0,
      "logprobs": null,
      "text": "\\n\\niPhone\\u306f\\u3001\\u65e5\\u672c\\u306e\\u30b9\\u30de\\u30fc\\u30c8\\u30d5\\u30a9\\u30f3\\u5e02\\u5834\\u306b\\u304a\\u3044\\u3066\\u975e\\u5e38\\u306b\\u4eba\\u6c17\\u304c\\u3042\\u308a\\u307e\\u3059\\u3002\\u305d\\u306e\\u7406\\u7531\\u306e1\\u3064\\u306f\\u3001iPhone\\u304c\\u9ad8\\u6027\\u80fd\\u3067\\u3042\\u308a\\u3001\\u65e5\\u672c\\u306e\\u30b9\\u30de\\u30fc\\u30c8\\u30d5\\u30a9\\u30f3\\u5e02\\u5834\\u3067\\u975e\\u5e38\\u306b\\u7af6\\u4e89\\u529b\\u304c\\u3042\\u308b\\u3053\\u3068\\u3067\\u3059\\u3002\\u307e\\u305f\\u3001Apple\\u306e\\u30b5\\u30dd\\u30fc\\u30c8\\u304c\\u5145\\u5b9f\\u3057\\u3066\\u304a\\u308a\\u3001\\u65e5\\u672c\\u4eba\\u306e\\u30cb\\u30fc\\u30ba\\u306b\\u5408\\u3063\\u305f\\u6a5f\\u80fd\\u304c\\u63c3\\u3063\\u3066\\u3044\\u308b\\u3053\\u3068\\u3082\\u7406\\u7531\\u306e1\\u3064\\u3067\\u3059\\u3002\\u3055\\u3089\\u306b\\u3001iPhone\\u306e\\u30c7\\u30b6\\u30a4\\u30f3\\u304c\\u597d\\u307e\\u308c\\u308b\\u3053\\u3068\\u3082\\u7406\\u7531\\u306e1\\u3064\\u3067\\u3059\\u3002"
    }
  ],
  "created": 1676072032,
  "id": "cmpl-6iXBoqnRMskwMvw6JgRv67L9rv1RD",
  "model": "text-davinci-003",
  "object": "text_completion",
  "usage": {
    "completion_tokens": 193,
    "prompt_tokens": 22,
    "total_tokens": 215
  }
}

出力の形式は辞書型（dict）と同じなので出力結果を見たい時はcompletion.choicesもしくはcompletion['choices']とすればいい。

print(completion.choices)
[<OpenAIObject at 0x110410220> JSON: {
  "finish_reason": "stop",
  "index": 0,
  "logprobs": null,
  "text": "\\n\\niPhone\\u306f\\u3001\\u65e5\\u672c\\u306e\\u30b9\\u30de\\u30fc\\u30c8\\u30d5\\u30a9\\u30f3\\u5e02\\u5834\\u306b\\u304a\\u3044\\u3066\\u975e\\u5e38\\u306b\\u4eba\\u6c17\\u304c\\u3042\\u308a\\u307e\\u3059\\u3002\\u305d\\u306e\\u7406\\u7531\\u306e1\\u3064\\u306f\\u3001iPhone\\u304c\\u9ad8\\u6027\\u80fd\\u3067\\u3042\\u308a\\u3001\\u65e5\\u672c\\u306e\\u30b9\\u30de\\u30fc\\u30c8\\u30d5\\u30a9\\u30f3\\u5e02\\u5834\\u3067\\u975e\\u5e38\\u306b\\u7af6\\u4e89\\u529b\\u304c\\u3042\\u308b\\u3053\\u3068\\u3067\\u3059\\u3002\\u307e\\u305f\\u3001Apple\\u306e\\u30b5\\u30dd\\u30fc\\u30c8\\u304c\\u5145\\u5b9f\\u3057\\u3066\\u304a\\u308a\\u3001\\u65e5\\u672c\\u4eba\\u306e\\u30cb\\u30fc\\u30ba\\u306b\\u5408\\u3063\\u305f\\u6a5f\\u80fd\\u304c\\u63c3\\u3063\\u3066\\u3044\\u308b\\u3053\\u3068\\u3082\\u7406\\u7531\\u306e1\\u3064\\u3067\\u3059\\u3002\\u3055\\u3089\\u306b\\u3001iPhone\\u306e\\u30c7\\u30b6\\u30a4\\u30f3\\u304c\\u597d\\u307e\\u308c\\u308b\\u3053\\u3068\\u3082\\u7406\\u7531\\u306e1\\u3064\\u3067\\u3059\\u3002"
}]

ただこれだけだとchoicesの内容がOpenAIのJSON形式のlistのままなので[0]で0番目を取得。

print(completion.choices[0])
{
  "finish_reason": "stop",
  "index": 0,
  "logprobs": null,
  "text": "\\n\\niPhone\\u306f\\u3001\\u65e5\\u672c\\u306e\\u30b9\\u30de\\u30fc\\u30c8\\u30d5\\u30a9\\u30f3\\u5e02\\u5834\\u306b\\u304a\\u3044\\u3066\\u975e\\u5e38\\u306b\\u4eba\\u6c17\\u304c\\u3042\\u308a\\u307e\\u3059\\u3002\\u305d\\u306e\\u7406\\u7531\\u306e1\\u3064\\u306f\\u3001iPhone\\u304c\\u9ad8\\u6027\\u80fd\\u3067\\u3042\\u308a\\u3001\\u65e5\\u672c\\u306e\\u30b9\\u30de\\u30fc\\u30c8\\u30d5\\u30a9\\u30f3\\u5e02\\u5834\\u3067\\u975e\\u5e38\\u306b\\u7af6\\u4e89\\u529b\\u304c\\u3042\\u308b\\u3053\\u3068\\u3067\\u3059\\u3002\\u307e\\u305f\\u3001Apple\\u306e\\u30b5\\u30dd\\u30fc\\u30c8\\u304c\\u5145\\u5b9f\\u3057\\u3066\\u304a\\u308a\\u3001\\u65e5\\u672c\\u4eba\\u306e\\u30cb\\u30fc\\u30ba\\u306b\\u5408\\u3063\\u305f\\u6a5f\\u80fd\\u304c\\u63c3\\u3063\\u3066\\u3044\\u308b\\u3053\\u3068\\u3082\\u7406\\u7531\\u306e1\\u3064\\u3067\\u3059\\u3002\\u3055\\u3089\\u306b\\u3001iPhone\\u306e\\u30c7\\u30b6\\u30a4\\u30f3\\u304c\\u597d\\u307e\\u308c\\u308b\\u3053\\u3068\\u3082\\u7406\\u7531\\u306e1\\u3064\\u3067\\u3059\\u3002"
}

さらに欲しいのはtextなので最後に.textで出力内容を取得した。

response = completion.choices[0].text
print(response)
iPhoneは、日本のスマートフォン市場において非常に人気があります。その理由の1つは、iPhoneが高性能であり、日本のスマートフォン市場で非常に競争力があることです。また、Appleのサポートが充実しており、日本人のニーズに合った機能が揃っていることも理由の1つです。さらに、iPhoneのデザインが好まれることも理由の1つです。

.textをする前の状態では出力はUnicode形式で書かれているので英語以外の文字に\\uがついている。.textでテキスト部分だけ出力すると日本語になるので心配ない。

Google Colaboratoryでお手軽に実行してみる

最後に「Google Colaboratory」でopenai.Completion.createを使う方法を紹介する。この方法ならPython環境がない人でもGoogleアカウントがあれば簡単にChatGPTを体験できる。

Google Colaboratoryを使って試してみる手順は以下。

  1. Google Colaboratoryのページに入る
  2. 新規でノートブックを作成
  3. openai.Completion.create実行のコードを書く
  4. 実行する

たったこれだけ。しかも自分PCに色々とインストールする必要もないし（Google Drive上には保存される）Pythonの環境がなくてもいい。

以下でそれぞれの手順について解説する。

Google Colaboratoryのページに入る

まずはGoogle Colaboratoryのページに入る。そもそもGoogle Colaboratoryというのはブラウザ上でPythonを実行したりMarkDownを記述できるサービスのこと。無料でかなりのことができるので便利だ。

新規でノートブックを作成

左上の「ファイルタブ」から「ノートブックを新規作成」を選択。ノートブック（ファイル的な存在）を作成するにはGoogleアカウントが必要なので作成時にログインすればいい。

ノートブックを新規作成すると以下の画像のようにまっさらなノートブックが作成される。

このノートブックの各行にコードを入力して実行すればいいだけ。簡単。

openai.Completion.create実行のコードを書く

実際にコードを記述するが、openaiはデフォルトでインストールされていないので初めにインストールする処理を記述する。

なお、Google Colaboratoryでは各行（各ブロック）を独立して実行することができるので、初めの行にはopenaiをインストールする処理を、次の行にはこのopenaiを使う宣言をした。

これに続いてAPI Keyやモデル、指示内容を1つの行（ブロック）に記述し、最後の行（ブロック）に実際の推論を記述した。

# openaiをインストール
pip install openai

# openaiを使う宣言
import openai

# API Keyの設定
openai.api_key = "（ここにAPI Key）"
# モデルの指定
model_engine = "text-davinci-003"
# 指示内容
prompt = "日本にiPhoneを使う人が多いのはなぜ？"

# 推論の実行
completion = openai.Completion.create(
    model=model_engine,
    prompt=prompt,
    max_tokens=1024,
    n=1,
    stop=None,
    temperature=0.5,
)

# 結果
response = completion.choices[0].text
print(response)

実行する

コードを記述できたらあとは実行するのみ。「ランタイム」タブの「すべてのセルを実行」を選択すると全行（全ブロック）を実行できる。初めにインストールがあるので時間がかかるが待つだけで処理が終了し回答してくれる。

別の質問をする際にはセルの左にある[4]の行でpromptを変更するか、セルを追加して新たに[4], [5]の行（セル）を同じコードを書けばいい。

セルの追加は付け足したい部分の1つ上のセルを選択して、

「挿入」タブの「コードセル」を選択。これで選択したセルの下に新たにセルを追加できる。以下の画像では1番下に追加した。

あとは追加したセルに好きなコードを書いて実行するだけ。お手軽すぎる。

注意

ここまでChatGPTをPythonで実行する方法を紹介したが、最後に注意点を紹介しておく。

訓練データは最新でも2021年まで

有名な話だが、ChatGPTで使用されている訓練データ（学習データ）は2021年6月が最新だ。なのでこれ以降のデータについてはデータとして認識されていない。

例えば2022年にどの大会で誰が優勝したのか、といったことはChatGPTは知る由もない。詳しくは公式のFAQがあるので参照いただきたい。

APIは期間限定かつ一定トークンが無料

本記事ではAPI Keyを使用して簡単にChatGPTを使ったが、無料で使えるのは3ヶ月間かつ18ドル分だけだ。

このドル換算はおおよそだが1,000トークンあたり0.02ドルほどで、単語1語（日本語だと1文字）でトークン程度。

すでに執筆者は1%ほどに相当する0.2ドル分を使っていた。

下手にバンバン使用してしまうとすぐに無料分がなくなってしまうので、利用するときは計画的に。

あくまでもAI

ChatGPTはこれまでのAIとは異なりかなり自然かつ高精度で回答してくれるし、プログラムコードも書いてくれるから画期的。

ただし、ChatGPTはあくまでもAI（人工知能）であることを忘れてはいけない。これまでのありとあらゆるデータを学習して推論しているに過ぎない。

なので不適格な回答や偏見など倫理的にどうなのか、といった回答が含まれることは念頭においてほしい。

AI（人工知能）が普及する1つのブレークスルー

今回は昨今、話題のChatGPTをPythonで使用する方法を紹介した。もちろん公式サイトで質問してもいいが、コードを書くことでより自由にやりたいことができるだろう。

まだ世間的にはなにそれ状態・お試し状態な雰囲気に包まれているので、この機会にPythonを使ってChatGPTを動かしてほしい。

また、Google Colaboratoryで動かし、実際に自分でもコードを書きたいという人は下記記事も参考にしてほしい。

【Pythonを独学】社会人が1人で学習できるのか。結論、学べるが...

今回は社会人がプログラミング言語「Python」を独学で学習できるか、について解説する。プログラミングの需要は高まっているので気になる人も多いだろう。 かくいう私はプログラミング経験0の状態からPythonを独学で習得し、その知識を使って転職・今のエンジニアという職に付いている。 この記事を読むことで独学で学習するか否かの結論が出るだろう。 Pythonとは この記事に辿り着いたということはPyt …

続きを見る

ChatGPTがこれからの人類のAI（人工知能）技術の発展に寄与することを願う。

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/ai/chatgpt/python-chatgpt-api/feed/ 24 【Plotlyで散布図】px.scatterのグラフの描き方まとめ https://programming.megatenpa.com/plotly/px/px-scatter/ https://programming.megatenpa.com/plotly/px/px-scatter/#respond Sat, 04 Feb 2023 03:37:37 +0000 https://programming.megatenpa.com/?p=221 Copyright © 2024 Pro天パ All Rights Reserved.

]]> これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。

そんな人はまずはPlotlyの基礎、pxの散布図グラフpx.scatterから始めてみよう。本記事ではpx.scatterの使い方をざっくりと解説する。

本記事の内容は以下。

  • 1種類のデータのグラフを作成
  • 複数種類のデータのグラフを作成
  • 既存のプロットにプロットを追加
  • プロット名や凡例タイトルを変更
  • プロットの色やシンボルのサイズなどを変更
  • カラーバーとシンボルの設定を両立
  • エラーバーの追加

px.scatterの基礎的な使い方が凝縮されているし、それぞれの変数の中身や仕組みが分かれば他のPlotlyのグラフ化にも応用できる。

是非とも頑張って読み進めてほしい。本記事のPython環境は以下。

  • Python 3.10.8
  • numpy 1.24.0
  • plotly 5.11.0
  • plotly-orca 3.4.2

参考になるサイト

Plotly公式

本記事のコード全文

下準備のimport

import numpy as np
import pandas as pd
import plotly.express as px
import plotly.io as pio
import plotly.graph_objects as go

まずは下準備としてのimport関連。今回は基本pxを使用するが、一部データを作成・読み込みするためにnumpyとpandasを使用するのでimport。

また、pxだけでは賄いきれない処理についてはgoを使って実現するのでgoもimport。pioはplotlyでのグラフ保存用のライブラリ。保存の仕方は色々あるがpioその1つだ。

goを使った散布図（go.Scatter）の書き方については以下の記事で詳しく解説している。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

1種類のデータをプロット

まずは簡単な1種類のデータをプロットする方法から解説する。プロットの方法は下記の2種類で、前者の方法がgo.Scatterでも使用した方法だ。

一方で後者の方法はpx特有のプロットの方法で、pandasのデータフレームがあるとすぐにグラフを作成することが可能だ。

  • x, yの配列から作成
  • x, yの列のあるpandasのデータフレームから作成

この章ではこれら2種類のプロット方法を実際にグラフを用いながら解説する。

なお、go.ScatterではSが大文字である一方でpx.scatterのSは小文字だ。px.Scatterとしてしまうと以下のようなエラーとなる。

Traceback (most recent call last):
  File "/（ファイルのあるディレクトリ）/（ファイル名）.py", line 44, in <module>
    fig = px.Scatter(
AttributeError: module 'plotly.express' has no attribute 'Scatter'. Did you mean: 'scatter'?

x, yの値を指定してプロット


まずはシンプルに、値を指定してプロットする方法から。この方法は単にx, yの値を配列で渡してあげるだけでいい。

pxではfigに直接px.scatterとするだけで自動でfigureが作成される。なのであとはfig.show()をするだけでグラフを作成することが可能だ。

あの、上のグラフでは本記事に掲載するに際してフォントサイズを変更している。

import plotly.express as px
import plotly.io as pio

# シンプルにデータをプロット

# x, yを指定してプロット
fig = px.scatter(
    x=[0, 1, 2, 3, 4],  # 横軸の値
    y=[0, 1, 4, 9, 16],  # 縦軸の値
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
# グラフの表示
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_xy"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

pandasデータフレームからプロット


続いてはpxの特徴とも言えるpandasのデータフレームを使ったグラフ作成方法だ。データの個数が増えてくるとpandasを使用する方がデータを扱いやすい。

上のグラフはシンプルにxとyというカラム名のデータフレームを使ってグラフ化した。px.scatterでの引数はdata_frameでデータフレームを、xとyで横軸・縦軸にしたいカラム名を指定する。

データフレームを使用することでプロットする対象をカラム名で指定することができる。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# データフレームからプロット

df = pd.DataFrame({'x': [0, 1, 2, 3, 4], 'y': [0, 1, 4, 9, 16]})
print(df)
#    x   y
# 0  0   0
# 1  1   1
# 2  2   4
# 3  3   9
# 4  4  16

# データフレームのヘッダ名からx, yを指定してプロット
fig = px.scatter(
    data_frame=df,  # 使用するデータフレーム
    x='x',  # 横軸の値に設定するデータフレームの列名
    y='y',  # 縦軸に設定するデータフレームの列名
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
# グラフの表示
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

複数種のデータをプロット

続いては2種類以上のデータをプロットする場合だ。y1, y2, y3, …というデータをプロットするイメージだ。

シンプルに考えるとpx.scatterのx, yにそれぞれ2次元配列を渡してあげればいけそうだが、それではエラーになる。

# 複数プロットを2次元配列で指定するのはエラー
fig = px.scatter(
    x=[[0, 1, 2, 3, 4], [0, 1, 2, 3, 4]],
    y=[[0, 1, 4, 9, 16], [10, 12, 14, 19, 16]],
)
# ValueError: Cannot accept list of column references or list of columns for both `x` and `y`.

以下より複数種のデータをプロットする方法を解説する。

xを共通にすると複数プロットが可能


先ほどは2種類のxとyでグラフを作成しようとしてエラーとなったが、2種類のグラフは同じ横軸（x）の値を持つのが一般的。

なので、xは1次元配列にしてyは先ほどと同様2次元配列でグラフを作成するとうまくいく。

なお、この方法では凡例タイトルがvariableで各プロットの凡例がwide_variable_0, wide_variable_1になる。

import plotly.express as px
import plotly.io as pio

# xは共通とする必要がある

fig = px.scatter(
    x=[0, 1, 2, 3, 4],
    y=[[0, 1, 4, 9, 16], [10, 12, 14, 19, 16]],
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_1xy2_scatter"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

1カラムしかないpandasのデータフレームで複数プロット


続いてはpxの特徴であるpandasのデータフレームを使ってのプロット方法。ただし、この場合も先ほどと同様、複数のデータに対して共通の横軸の値が必要になる。

1カラムしか持たないpandasのデータプロットの場合、データフレームの初めに1プロット目のx, yの値、その下に2プロット目のx, yの値、というように縦に並べないといけない。

配列からデータフレームを作成する場合、例えば以下のように作成することが可能だ。

import pandas as pd
import plotly.express as px
import plotly.io as pio

df = pd.DataFrame(
    {
        'x': [0, 1, 2, 3, 4] + [0, 1, 2, 3, 4],
        'y': [0, 1, 4, 9, 16] + [10, 12, 14, 19, 16],
        'name': ['data0'] * 5 + ['data1'] * 5,
    }
)
print(df)
#    x   y   name
# 0  0   0  data0
# 1  1   1  data0
# 2  2   4  data0
# 3  3   9  data0
# 4  4  16  data0
# 5  0  10  data1
# 6  1  12  data1
# 7  2  14  data1
# 8  3  19  data1
# 9  4  16  data1

x列とname列を見るとわかるように、data0でxを0~4まで作成、その下にdata1のデータを並べている。

このデータフレームを作成することができたら、あとは1データのプロットと同じようにpx.scatterの引数にdfとx, y列を指定するだけだ。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# データフレームがあれば列名を指定するだけ

df = pd.DataFrame(
    {
        'x': [0, 1, 2, 3, 4] + [0, 1, 2, 3, 4],
        'y': [0, 1, 4, 9, 16] + [10, 12, 14, 19, 16],
        'name': ['data0'] * 5 + ['data1'] * 5,
    }
)
print(df)
#    x   y   name
# 0  0   0  data0
# 1  1   1  data0
# 2  2   4  data0
# 3  3   9  data0
# 4  4  16  data0
# 5  0  10  data1
# 6  1  12  data1
# 7  2  14  data1
# 8  3  19  data1
# 9  4  16  data1

fig = px.scatter(
    df, x='x', y='y',
    color='name'  # 色を区別する列名
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# # グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_df_2plots"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

既存のプロットにプロットを追加

複数種のプロットをデータフレームを使用して実現したが、ここではすでにグラフ化したプロットに追加でデータを追加する方法を解説する。

pxに限った話ではないのでPlotly内で応用が効くが、この機会に解説しておく。

fig.add_traces, fig.add_scatterでプロットを追加


複数カラムあるデータを追加する場合だが、px.scatter単体では上記の1カラムに全データの入ったデータフレームを使用するのが基本。

なのでpx.scatterだけで複数カラムのプロットを実現するのは無理。fig.add_trace(s)もしくは散布図に限るならfig.add_scatterを使用することで散布図を追加することが可能だ。

2プロット以上を一括で追加したい場合はfig.add_tracesを使うと楽に記述することが可能だ。

# 2プロット目（追加分）
fig.add_scatter(x=[0, 1, 2, 3, 4], y=[10, 12, 14, 19, 16])
fig.add_traces(go.Scatter(x=[0, 1, 2, 3, 4], y=[10, 12, 14, 19, 16]))

# 3プロット目以降を追加するならadd_tracesの方が楽
fig.add_traces(
    (
        go.Scatter(x=[0, 1, 2, 3, 4], y=[10, 12, 14, 19, 16]),
        go.Scatter(x=[0, 1, 2, 3, 4], y=[11, 15, 11, 17, 11])
    )
)

ただ、このままではaddしたプロットの凡例が表示され、px.scatterで作成したプロットの凡例が表示されないが、これについては後述。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# 既存のfigにプロットを追加

# 1プロット目
fig = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
# 2プロット目（追加分）
fig.add_scatter(x=[0, 1, 2, 3, 4], y=[10, 12, 14, 19, 16])
# fig.add_traces(go.Scatter(x=[0, 1, 2, 3, 4], y=[10, 12, 14, 19, 16]))

# # 3プロット目以降を追加するならadd_tracesの方が楽
# fig.add_traces(
#     (
#         go.Scatter(x=[0, 1, 2, 3, 4], y=[10, 12, 14, 19, 16]),
#         go.Scatter(x=[0, 1, 2, 3, 4], y=[11, 15, 11, 17, 11])
#     )
# )

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_add_scatter"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

figのデータ部分だけ取り出して結合


addを使う方法でもプロットを追加することはできるが、この方法だと1プロット目はpxを使用し、それ以降のプロットはaddを使うことになるので統一感がない。

全プロットをpxを使ってfigとして作成し、これらのfigのdata部分だけを取り出して結合し、これを全体のグラフのデータ部分とすると統一感が出る。

ただし、この場合でもpxだけで完結することはできず、結局はgoを使用することになる。

また、fig0, fig1ともに別のfigを作成することになるので、両方のプロットカラーがデフォルトの#636efaだ。なので判別ができるようにfig作成後にわざわざ色指定する必要がある。

import pandas as pd
import plotly.express as px
import plotly.io as pio
import plotly.graph_objects as go

# fig.dataでデータ部分だけ結合してグラフ化

# fig作成後にプロットカラーを変更しないと同じ色（#636efa）になる
fig0 = px.scatter(x=[0, 1, 2, 3, 4], y=[0, 1, 4, 9, 16])
fig0['data'][0]['marker']['color'] = 'red'
fig1 = px.scatter(x=[0, 3, 4, 5, 6], y=[2, 6, 4, 12, 18])
fig1['data'][0]['marker']['color'] = 'blue'

#2種類のfigのdata部分だけを結合
fig = go.Figure(data=fig0.data+fig1.data)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_figdata_scatter"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

プロット名と凡例のタイトルを変更


ここまでで複数プロットを作成する方法を紹介したが、グラフによれば凡例がつかなかったり凡例タイトルを変更したい場合もあるだろう。

各プロットの凡例名（プロット名）fig['data'][0]['name']で変更可能だ。インデックスはプロットする順番。また、凡例タイトルはlayoutのlegend_title（legend=dict(title=)）で変更可能だ。

上のグラフではpandasのデータフレームを例にしたが、もちろん配列でのグラフでも同様に変更可能だ。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# プロット名と凡例タイトルを変更

df = pd.DataFrame(
    {
        'x': [0, 1, 2, 3, 4] + [0, 1, 2, 3, 4],
        'y': [0, 1, 4, 9, 16] + [10, 12, 14, 19, 16],
        'name': ['data0'] * 5 + ['data1'] * 5,
    }
)
print(df)
#    x   y   name
# 0  0   0  data0
# 1  1   1  data0
# 2  2   4  data0
# 3  3   9  data0
# 4  4  16  data0
# 5  0  10  data1
# 6  1  12  data1
# 7  2  14  data1
# 8  3  19  data1
# 9  4  16  data1

fig = px.scatter(
    df, x='x', y='y',
    color='name'  # 色を区別する列名
)

# プロット名と凡例のタイトルを変更
print(fig['data'][0])  # wide_variable_0のプロット情報を取得
# Scatter({
#     'hovertemplate': 'name=data0<br>x=%{x}<br>y=%{y}<extra></extra>',
#     'legendgroup': 'data0',
#     'marker': {'color': '#636efa', 'symbol': 'circle'},
#     'mode': 'markers',
#     'name': 'data0',
#     'orientation': 'v',
#     'showlegend': True,
#     'x': array([0, 1, 2, 3, 4]),
#     'xaxis': 'x',
#     'y': array([ 0,  1,  4,  9, 16]),
#     'yaxis': 'y'
# })
fig['data'][0]['name'] = 'plot1'  # プロット名の変更

fig.update_layout(legend_title='legend title')  # 凡例タイトルの変更

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_1xy2_scatter_change_label"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

色やシンボルのサイズ・形状でデータを分ける

続いては複数データを、そのデータごとに色やシンボル（マーカー）のサイズ・形状で分ける方法を紹介する。

px.scatterでは引数にデータフレームのカラム名を指定することで、勝手に判別して分けてくれる。

使用するデータはPlotly公式でも使用されている、以下のあやめに関するpandasのデータフレームだ。ヘッダ名とあやめの種類のカラムの内容も併記しておく。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# 使用するあやめに関するデータ
df = px.data.iris()
print(df)
#      sepal_length  sepal_width  ...    species  species_id
# 0             5.1          3.5  ...     setosa           1
# 1             4.9          3.0  ...     setosa           1
# 2             4.7          3.2  ...     setosa           1
# 3             4.6          3.1  ...     setosa           1
# 4             5.0          3.6  ...     setosa           1
# ..            ...          ...  ...        ...         ...
# 145           6.7          3.0  ...  virginica           3
# 146           6.3          2.5  ...  virginica           3
# 147           6.5          3.0  ...  virginica           3
# 148           6.2          3.4  ...  virginica           3
# 149           5.9          3.0  ...  virginica           3

# [150 rows x 6 columns]

# ヘッダ名の取得
print(df.columns.values)
# ['sepal_length' 'sepal_width' 'petal_length' 'petal_width' 'species'
#  'species_id']

# 種類のデータ
print(df['species'].unique())
# ['setosa' 'versicolor' 'virginica']

colorとsizeで色とシンボルのサイズを分ける


px.scatterの引数colorとsizeに分ける基準になるデータフレームのカラム名を指定することで、自動でシンボルの色とサイズを変更してくれる。

ここでは色をあやめの種類’species’、シンボルのサイズをそれぞれのあやめの花びら（花弁）の長さ’petal_length’に指定した。

また、colorで’species’を指定したので、自動で凡例も’species’に合わせて表示してくれている。ありがたい。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# データによってプロットの色とマーカーのサイズを変更

# あやめに関するデータ
df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    color='species',  # species列の名称で色分け
    size='petal_length',  # マーカーのサイズをpetal_lengthで決める
    hover_data=df,  # データフレームを選択すると全ヘッダ情報が表示される
    # hover_data=['petal_width'],  # 列名指定するときはlistかtupleで指定
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_size_str"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

colorを数値データにするとカラーバーが自動で表示


先ほどのグラフではpx.scatterの引数colorを文字列であるあやめの種類’species’に指定したが、colorに数値データのカラムを指定すると自動でカラーバーが表示される。

上のグラフではcolorに’petal_length’を指定したが、この場合は全種類のあやめが1つのカラーバーに集約されるのでかなり見づらい。

一応、マーカーの形状をあやめの種類ごとに変えることで、カラーバーが同じでも種類を見分けることができる。この方法については後述。

import pandas as pd
import plotly.express as px
import plotly.io as pio

# 数値で色分けすると自動でカラーバーがつく

df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    color='petal_length',  # 数値で色分けすると自動でカラーバーで示してくれる
    size='petal_length',  # マーカーサイズも同じ列名で可能
    hover_data=df,  # データフレームを選択すると全ヘッダ情報が表示される
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_size_value"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

カラースケールの変更はcolor_continuous_scale




カラーバーの色（カラースケール）の変更は引数のcolor_continuous_scaleを使用すると可能だ。この引数にカラースケールの名称や色の配列を入れるだけ。

以下の3種類の方法から指定可能だ。

  • 既存のカラースケールで指定
    • ex: 'jet'
  • 色の配列の形式で指定
    • ex: ['red', 'blue', 'yellow']
  • 色と位置の2次元配列の形式で指定
    • ex: [[0, 'green'], [0.1, 'red'], [1.0, 'rgb(0, 0, 255)']]
import pandas as pd
import plotly.express as px
import plotly.io as pio

# カラースケールの変更はcolor_continuous_scale

df = px.data.iris()

color_continuous_scales = {
    'colorscale': 'jet',  # カラースケール名
    'color_array': ['green', 'red', 'rgb(0, 0, 255)'],  # 色
    'color_position_array':  [[0, 'green'], [0.1, 'red'], [1.0, 'rgb(0, 0, 255)']]  # 位置と色
}
for name, color_continuous_scale in color_continuous_scales.items():
    fig = px.scatter(
        df, x='sepal_width', y='sepal_length',
        color='petal_length',  # 数値で色分けすると自動でカラーバーで示してくれる
        size='petal_length',  # マーカーサイズも同じ列名で可能
        hover_data=df,  # データフレームを選択すると全ヘッダ情報が表示される
        color_continuous_scale=color_continuous_scale
    )
    # グラフ全体とホバーのフォントサイズ変更
    fig.update_layout(font_size=20, hoverlabel_font_size=20)
    fig.show()

    # グラフ保存
    prefix = 'px-scatter'  # 保存ファイル名の接頭辞
    save_name = f"{prefix}_color_size_value_{name}"
    pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
    pio.write_html(fig, f"{save_name}.html")
    pio.write_image(fig, f"{save_name}.png")

sizeに文字列があるとエラー

px.scatterの引数sizeにデータフレームのカラム名を指定することでシンボルのサイズを変えることができた。

しかし、この引数sizeに文字列を指定するとエラーになることに注意。sizeでデータの区別をする際には、そのデータごとに固有の数値を割り振る必要がある。

import plotly.express as px
import plotly.io as pio

df = px.data.iris()
print(df['species'])
# 0         setosa
# 1         setosa
# 2         setosa
# 3         setosa
# 4         setosa
#          ...
# 145    virginica
# 146    virginica
# 147    virginica
# 148    virginica
# 149    virginica
# Name: species, Length: 150, dtype: object

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='species',  # サイズに文字の列を指定
)
# TypeError: unsupported operand type(s) for /: 'str' and 'int'

今回使用しているあやめのデータは偶然にも'species_id'というカラムがあり、種類ごとに0から番号が振られているのでこれを使用することができる。

ただ、上のグラフを見るとわかるように、この'species_id'は値の差が小さいのでシンボルのサイズとして見分けるのが難しい。

import plotly.express as px
import plotly.io as pio

df = px.data.iris()

# species_idを使えばその種類ごとにシンボルのサイズを変更可能
fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='species_id',  # サイズに文字の列を指定
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_size_species_id"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

IDのカラムを追加してシンボルのサイズを設定


デフォルトの'species_id'だとサイズが小さかったので、ここでは新たに'unique_id'カラムを追加し、このカラムのを'species_id'の3乗になるようにした。

単に'species_id'を3乗するだけだと新規で作成するときに使えないので、ここでは新しく1からカラムを作成・計算した。手順は以下。

  1. 'species'カラムのユニークを取得
  2. このユニークな値ごとにforループ
    1. condlistに各行がユニークな値か判定
    2. choicelistにユニークIDを格納
  3. np.selectで'unique_id'列を追加

3乗くらいにするとサイズの違いがわかりやすかった。ここは適宜変更してほしい。この方法でできたグラフが上のグラフで、種類ごとにサイズが変わっている。

import numpy as np
import pandas as pd
import plotly.express as px
import plotly.io as pio

df = px.data.iris()

# 以下のように別でIDを作成することも可能
condlist = []
choicelist = []
for num, species in enumerate(df['species'].unique(), 1):
    condlist.append(df['species'] == species)
    choicelist.append(num **3)

# dfに種類に応じたIDに対応した新しいカラムを追加
df['unique_id'] = np.select(condlist=condlist, choicelist=choicelist, default=0)
print(df)
#      sepal_length  sepal_width  petal_length  ...    species species_id  unique_id
# 0             5.1          3.5           1.4  ...     setosa          1          1
# 1             4.9          3.0           1.4  ...     setosa          1          1
# 2             4.7          3.2           1.3  ...     setosa          1          1
# 3             4.6          3.1           1.5  ...     setosa          1          1
# 4             5.0          3.6           1.4  ...     setosa          1          1
# ..            ...          ...           ...  ...        ...        ...        ...
# 145           6.7          3.0           5.2  ...  virginica          3         27
# 146           6.3          2.5           5.0  ...  virginica          3         27
# 147           6.5          3.0           5.2  ...  virginica          3         27
# 148           6.2          3.4           5.4  ...  virginica          3         27
# 149           5.9          3.0           5.1  ...  virginica          3         27

# [150 rows x 7 columns]
fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='unique_id',  # サイズに文字の列を指定
)

# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_unique_id"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

symbolでシンボルの形状を変更


px.scatterの引数symbolでシンボルの形状を変更することも可能だ。指定の方法はこれまでのcolorやsizeと同様、データフレームのカラム名を指定するだけだ。ここではあやめの種類'species'を指定した。

import plotly.express as px
import plotly.io as pio

# マーカーの形状を変更

df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='petal_length',
    symbol='species',  # speciesでマーカーの形状を指定&凡例も自動作成
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_symbol"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

カラーバーとシンボルのサイズ・形状を同時に使う


ここまででpx.scatterを使ってカラーバーを表示し、シンボルのサイズや形状を変更する方法を紹介した。しかし、これらの解説はあくまでもうまくいく状況下だった。

上のグラフのようにcolorとsizeを同時に使用した場合、グラフの凡例とカラーバーが重なって表示されてしまう。

一応、カラーバーの隙間から凡例をクリックしてグラフの表示・非表示は可能だが、見た目も操作性も良くない。

ということで、ここではカラーバーとシンボルのサイズ・形状を同時にうまく使用する方法を解説する。

import plotly.express as px
import plotly.io as pio

# 凡例とカラーバーの両立だと位置がダブる

df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='petal_length',  # サイズ
    color='petal_length',  # 色
    symbol='species',  # 形状
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_symbol_size_bad"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

凡例をグラフ枠内の右上に移動


シンプルな方法として凡例の場所を移動させるというものがある。上のグラフでは凡例をグラフ枠内の右上に位置するように調節した。

px.scatterでfigを作成した後、fig.update_layoutでlegendのxの位置をx=1、xの位置基準xanchor=’right’とすることで枠内の右上に移動させることが可能。

これで凡例とカラーバーが独立するので見栄えも良く操作性も保たれる。

import plotly.express as px
import plotly.io as pio

# 凡例の位置と位置基準をグラフ枠内の右上に変更

df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='petal_length',  # サイズ
    color='petal_length',  # 色
    symbol='species',  # 形状
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
# 凡例の横位置を1にして位置基準を右に設定
fig.update_layout(legend=dict(x=1, xanchor='right'))
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_symbol_size_legend"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

カラーバーの位置を右に変更


逆にカラーバーの位置を変更することも可能だが、カラーバーは長くて目盛もあるのでかなりの領域をとってしまう。

なので凡例のちょうど右側にくっつける形に配置したいが、現状のPlotlyでは凡例の幅を取得することはできなさそう（凡例の初期位置は1.02で決まっている。リファレンス参照）。

なので、ちょうどいい感じの位置にカラーバーが来るように調節したが、グラフのサイズを変えるたびに調節しないといけないのがネック。なお、カラーバー関係はレイアウトのcoloraxis_colorbarで設定可能。

import plotly.express as px
import plotly.io as pio

# カラーバーを凡例の右側に移動

df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='petal_length',  # サイズ
    color='petal_length',  # 色
    symbol='species',  # 形状
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
# カラーバーの位置をいい感じの位置に変更
fig.update_layout(coloraxis_colorbar=dict(x=1.1, xanchor='left'))
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_symbol_size_legend_position"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

カラーバーの長さを短くする


凡例やカラーバーの位置を調節するだけでなく、カラーバーの長さを変更することも可能だ。変更はcoloraxis_colorbarのlenで可能。上のグラフでは0.5にした。

また、単に長さを変更するだけだとカラーバーが中央付近に位置するので、y=0とyanchor=’bottom’でグラフ枠の下を底辺とするように調節した。

import plotly.express as px
import plotly.io as pio

# カラーバーの長さを変更

df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='petal_length',  # サイズ
    color='petal_length',  # 色
    symbol='species',  # 形状
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
# カラーバーを短くする
fig.update_layout(coloraxis_colorbar=dict(len=0.5, y=0, yanchor='bottom'))
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_symbol_size_colorbar_barlen"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

カラーバーを横向き（水平）に配置


カラーバーの位置を変更したり長さを調節したりする方法は解説したが、どちらもグラフのサイズが変わるとバランスが悪くなる。

上のグラフではカラーバーの向きを縦向きから横向きにしたが、これだとグラフのサイズが変わってもちょうど良い位置にカラーバーを配置できる。

指定はcoloraxis_colorbarのorientation=’h’で可能。もちろんデフォルトはorientation='v'で垂直だ。

import plotly.express as px
import plotly.io as pio

# カラーバーを横向き（水平）に配置

df = px.data.iris()

fig = px.scatter(
    df, x='sepal_width', y='sepal_length',
    size='petal_length',  # サイズ
    color='petal_length',  # 色
    symbol='species',  # 形状
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
# カラーバーを短くする
fig.update_layout(coloraxis_colorbar=dict(orientation='h'))
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_color_symbol_size_colorbar_horizon"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

error_x, error_yでエラーバーを追加する


データの種類によってはエラーバー（誤差棒）をつけたい時もあるだろう。その時はpx.scatterの引数error_xyでデータフレームのカラム名や配列を渡すことで追加可能だ。

ここでは簡単にsepal_length, sepal_width列を100で割った数値を新しいカラムとして作成、これらのカラムを使ってエラーバーを追加した。

なお、error_xではプラス方向とマイナス方向どちらも同じ値が適用されるが、引数error_x_minusを使用することでマイナス方向のエラーバーの数値を変更できる。

import plotly.express as px
import plotly.io as pio

df = px.data.iris()

# エラーの値を適当に作成
df['e_x'] = df['sepal_width'] / 100
df['e_y'] = df['sepal_length'] / 100
print(df)
#      sepal_length  sepal_width  petal_length  ...  species_id    e_x    e_y
# 0             5.1          3.5           1.4  ...           1  0.035  0.051
# 1             4.9          3.0           1.4  ...           1  0.030  0.049
# 2             4.7          3.2           1.3  ...           1  0.032  0.047
# 3             4.6          3.1           1.5  ...           1  0.031  0.046
# 4             5.0          3.6           1.4  ...           1  0.036  0.050
# ..            ...          ...           ...  ...         ...    ...    ...
# 145           6.7          3.0           5.2  ...           3  0.030  0.067
# 146           6.3          2.5           5.0  ...           3  0.025  0.063
# 147           6.5          3.0           5.2  ...           3  0.030  0.065
# 148           6.2          3.4           5.4  ...           3  0.034  0.062
# 149           5.9          3.0           5.1  ...           3  0.030  0.059

# [150 rows x 8 columns]

fig = px.scatter(
    df, x='sepal_width', y='sepal_length', color='species',
    error_x='e_x', error_y='e_y',  # エラーバーの追加
)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'px-scatter'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_error_xy"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

まずは基本から学ぶ

ということで、今回はplotlyのpxを使って散布図を作成する方法を解説した。散布図は基本的なグラフなので紹介した内容以外でもいろいろカスタムできるが、まずは基本から学んでほしい。

といったものの、本記事の内容を応用すれば他の種類のグラフも同じように作成することできる。なのでまずは本記事の内容やplotlyのグラフ作成の手順を知り、身につけてほしい。

以下の記事ではより細かくグラフを作成可能なgo（plotly.graph_objects）で散布図を描くことができるgo.Scatterを解説している。自由度高くグラフを作成したい人は必見だ。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

関連記事

【Plotlyで散布図】go.Scatterglで大量のデータでグラフを作成する

今回はPythonのPlotlyで大量のデータを軽く扱うことができるgo.Scatterglの使い方とgo.Scatterとの比較を行う。1万以上のデータを散布図として扱う際はこの記事を参考にgo.Scatterglを活用してほしい。 もちろんgo.Scatterで1万のデータをグラフ化することも可能だが、グラフ作成時間やグラフ表示後の動きがカクカクして使いづらい。そんな時にWebGLを使用して動 …

続きを見る
【Plotly&ボタン】updatemenusとbuttonsでボタン機能を追加

Plotlyはプロットしたデータを動かすことができるのが大きな魅力の1つだが、本記事では使えると非常に強力で便利なボタン機能（updatemenus）を解説する。 ボタン機能があると2種類のデータを1つのグラフに入れて切り替えて表示することができる。今まで2ファイルで保存していたのが1ファイルで済むようになったということだ。 さらにPlotlyではhtmlで保存もできるから、必要な機能をボタンで作 …

続きを見る
【Plotly&ボタン】updatemenusのargs2で2回目のボタン押下機能を追加

今回はPlotlyのボタン機能に2回目のボタン押下の処理を追加する方法を解説する。この機能を使うことで、1つのボタンに2種類の機能を付与してボタンの数を減らすことができるだろう。 また、オン・オフの切り替えを1つのボタンで担うことができるので、機能面でもわかりやすくなるだろう。 本記事の内容は以下のupdatemenusでボタンを追加する方法の応用版だ。まだ読んでいない人はまずは基礎固めから始めて …

続きを見る
【Plotly&sliders】スライダーを追加しデータを切り変える

本記事ではPlotlyでデータの流れを簡単に理解できる機能のスライダーについてその仕組みやグラフの例を解説・紹介する。 スライダー機能を使えるようになると時系列のグラフやsin(2x), sin(3x)といった一部だけ変わるグラフをわかりやすく表現することができる。 Plotlyのボタン機能（updatemenus）でも実現はできるが、この手のグラフはスライダー機能が断然わかりやすい。本記事では簡 …

続きを見る
【Pythonを独学】社会人が1人で学習できるのか。結論、学べるが...

今回は社会人がプログラミング言語「Python」を独学で学習できるか、について解説する。プログラミングの需要は高まっているので気になる人も多いだろう。 かくいう私はプログラミング経験0の状態からPythonを独学で習得し、その知識を使って転職・今のエンジニアという職に付いている。 この記事を読むことで独学で学習するか否かの結論が出るだろう。 Pythonとは この記事に辿り着いたということはPyt …

続きを見る

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/plotly/px/px-scatter/feed/ 0 【Plotlyで散布図】go.Scatterglで大量のデータでグラフを作成する https://programming.megatenpa.com/plotly/go-scattergl/ https://programming.megatenpa.com/plotly/go-scattergl/#respond Sat, 28 Jan 2023 02:50:31 +0000 https://programming.megatenpa.com/?p=189 Copyright © 2024 Pro天パ All Rights Reserved.

]]> 今回はPythonのPlotlyで大量のデータを軽く扱うことができるgo.Scatterglの使い方とgo.Scatterとの比較を行う。1万以上のデータを散布図として扱う際はこの記事を参考にgo.Scatterglを活用してほしい。

もちろんgo.Scatterで1万のデータをグラフ化することも可能だが、グラフ作成時間やグラフ表示後の動きがカクカクして使いづらい。そんな時にWebGLを使用して動作するgo.Scatterglが活躍する。

本記事を通して1万や10万といった大量のデータを簡単に扱えるようになってほしい。

Python環境は以下。

  • Python 3.10.8
  • numpy 1.24.0
  • plotly 5.11.0
  • plotly-orca 3.4.2

参考になるサイト

Plotly公式

Qiita

Plotly Community Forum

本記事のコード全文

下準備のimport

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

まずは下準備としてのimport関連。今回はgoを使用する。pioはplotlyでのグラフ保存用のライブラリ。保存の仕方は色々あるがpioはその1つだ。

また、本記事の最後にScatterとScatterglの描画速度比較をするのでtimeもimportしておく。

ScatterとScatterglの違いと使い方

一般的に使われるgo.Scatterはsvg（ベクトル方式）を採用しており、グラフ化したりエクスポートした際に見やすくキレイな仕上がりになるのが特徴だ。また、一部の雑誌やWebサイトはこのsvgのみを公開している。

一方でgo.ScatterglはWebGL方式（ラスター方式）を採用しており、JavaScriptとGPUを使用して描画するので高速だ。GPUを使うことでCPUでは賄いきれない高処理負荷のグラフを描画可能。

ただしさらに一部のブラウザやPCではセキュリティの観点からWebGLが無効にされていたり学術論文では非推奨だ。

ということで私はgo.Scatterglを使うタイミングとしては以下の状況を考えている。

go.Scatterglを使うタイミングの目安

  • 10,000データを超えるグラフ
  • グラフの動きがモッサリしてきた
  • 見栄えより動作が重要

基本、大量のデータを扱わない限りは他のグラフと見た目上の差異がないgo.Scatterを使用するのが良いだろう。

Scatterglなら10万データをプロットしてもなめらか


ということで実際にgo.Scatterglを使用して10万データの散布図を作成してみた。ただ、このサイトに載せる際にデータ数が多すぎると表示できなかったので、サイト上ではデータ数を10,000に絞った。

実際にデータを触ってみるとわかるように、Scatterglを使うことで10,000データでも滑らかに動作させることが可能だ。

以下にScatterglで100,000データを描画し操作したときのgifを載せておく。

かなり滑らかに動作していることがわかるだろう。これだけ動かしているがデータ数は10万だ。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# 10万データをScatterglでプロットする

num = 100000
np.random.seed(1)
x = np.random.randn(num)
y = np.random.randn(num)

plot = [
    go.Scattergl(
        x=x, y=y, mode='markers',
        marker=dict(color=y, colorscale='jet'),
    )
]

layout =go.Layout(title='Scattergl')
fig = go.Figure(data=plot, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scattergl'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_scattergl_{num}"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

Scatterだと動作がかなりもっさりする


一方で、通常のgo.Scatterを使用して10,000データの散布図を作成すると上のグラフのようになる。動かすことは可能だが、Scatterglに比べると少し引っ掛かりがあるように感じる。

これくらいのデータ数ならそこまで問題なく動作するが、これが10万データになるとかなりガクガクになってしまう。

拡大はできるものの縮小時のダブルクリックが動作しない。右上の家マークから初期表示に戻すことは可能だが、この際にも動作に遅れがある。

やはり大きなデータを扱う際にはgo.Scatterではなくgo.Scatterglを使うのが良いだろう。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# 10万データをScatterでプロットする

num = 100000
np.random.seed(1)
x = np.random.randn(num)
y = np.random.randn(num)

plot = [
    go.Scatter(
        x=x, y=y, mode='markers',
        marker=dict(color=y, colorscale='jet'),
    )
]

layout =go.Layout(title='Scatter')
fig = go.Figure(data=plot, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scattergl'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_scatter_{num}"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

Scatterglの100万データで動作が遅くなる問題は解決

大データを散布図で扱うにはgo.Scatterglが便利という話をしてきたが、どうやら100万以上のデータ数の場合は動作がエラーになったり極端に遅くなっていたらしい。

ただしissueにあるように解決したとのこと。この事例は類似のものだが、実際にグラフを描画しても正常に描画・保存・表示ができた。100万データもあるのでちょっと引っかかりはあるが動く。

mode=’markers+text’でプロットの値を追加


基本的に大量のデータを扱うときはそのデータの多さから点プロットだけ表示することが多いが、プロットした値をプロット上に表示することも可能。

プロットの値を表示する詳しい方法は以下の[go.Scatterの記事に](https://programming.megatenpa.com/plotly/go/go-scatter/)て解説している通り引数modeで可能。今回は点プロットとテキストを表示したいのでmode=’markers+text’にした。go.Scatterでは引数textでtext=yとすることでプロット点にその点のyの値が表示される。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

一方でgo.Scatterglでは単にtext=yとするとプロット点には表示されずホバーに表示される。プロット点に表示させるためにはlistにするか各要素を文字列（string）にする必要がある。試した内容を以下に示す。

np.roundはnumpy配列の各要素を四捨五入する関数で、そのまま使用すると桁数が多くなるので四捨五入した。

  • text=y：プロットには表示されずホバーに表示される
  • text=f"{y}"：配列全体が表示される
  • text=np.round(y, 2)：プロットには表示されずホバーに表示される
  • text=y.tolist()：プロットに表示される
  • text=np.round(y, 2).tolist()：プロットに表示される
  • text=np.round(y, 2).astype(str)：プロットに表示される

上のグラフは.astypeを使用した場合のグラフ。各プロット点にその点のyの値が四捨五入して表示されている。

go.Scatterglでtextを使用することは少ないだろうが、go.Scatterと挙動が異なるので紹介しておく。

import numpy as np
import plotly.graph_objects as go
import plotly.io as pio

# mode='markers+text'でグラフ化

num = 10000
np.random.seed(1)
x = np.random.randn(num)
y = np.random.randn(num)

plot = [
    go.Scattergl(
        x=x, y=y, mode='markers+text',
        marker=dict(color=y, colorscale='jet'),
        # text=y  # プロットには表示されずホバーに表示される
        # text=f"{y}"  # 配列全体が表示される
        # text=np.round(y, 2),  # プロットには表示されずホバーに表示される
        # text=y.tolist(),  # プロットに表示される
        # text=np.round(y, 2).tolist(),  # プロットに表示される
        text=np.round(y, 2).astype(str),  # プロットに表示される
    )
]

layout = go.Layout(title='Scattergl')
fig = go.Figure(data=plot, layout=layout)
# グラフ全体とホバーのフォントサイズ変更
fig.update_layout(font_size=20, hoverlabel_font_size=20)
fig.show()

# グラフ保存
prefix = 'go-scattergl'  # 保存ファイル名の接頭辞
save_name = f"{prefix}_scattergl_text_{num}"
pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
pio.write_html(fig, f"{save_name}.html")
pio.write_image(fig, f"{save_name}.png")

ScatterglとScatterの描画速度を比較

描画処理のみ グラフ表示のみ グラフ保存のみ グラフ表示後に保存
回数 Scattergl Scatter Scattergl Scatter Scattergl Scatter Scattergl Scatter
1 0.307774 0.32089488 1.677471 2.18238825 14.4267231 31.0453515 15.77174 31.7769413
2 0.31865 0.33095667 2.535154 3.35514833 29.1333956 66.1240122 33.72014 63.826073
3 0.327651 0.34137896 3.639962 4.520175 42.0895075 99.0547675 49.40739 93.0411114
4 0.336292 0.35187017 4.63847 5.869156 55.382133 131.53646 64.5005 124.074986
5 0.346516 0.36271729 5.578106 8.00801662 69.3545265 159.908457 79.13958 157.548764
6 0.356704 0.37197 6.517531 10.083821 84.4228483 188.999129 93.21975 188.945668
7 0.369706 0.38283708 7.533555 13.4813174 100.675488 224.305383 108.5783 219.811906
8 0.380136 0.39143146 8.49465 18.9919425 116.801716 254.365836 122.4507 252.816432
9 0.388507 0.39984108 9.499124 28.7700106 134.09169 284.401813 137.7134 286.390838
10 0.397073 0.40892542 10.48082 36.375247 147.310917 316.606768 154.3879 317.16722

最後にScatterとScatterglで処理・描画・保存の速度を比較してみる。今回は以下の4パターンでScatter、Scatterglの処理終了までの時間を計測した。

グラフ保存で保存の許可を求められた際には放置し、自然に許可されるようにした。手動で許可してしまうと反応タイミングで時間の差異が生まれてしまうという判断だ。

  • グラフを描画のみ（fig=まで）
  • グラフ保存のみ
  • グラフ表示のみ
  • グラフ表示後に保存

使用したコードは以下。それぞれ20万データの散布図を10回ループさせてみた。この検証以外にも色々な方法があると思うが、今回は簡単にこれで進める。なお、go.Scatter版は最後にも載せるが、以下のコードのglがない版だ。

また、グラフ描画のみの場合などグラフ表示処理が不要な時はその部分のコードは削除して実行した。

import numpy as np
import time
import plotly.graph_objects as go
import plotly.io as pio

# グラフの描画時間を比較
start_time = time.perf_counter()

# Scatterglでグラフの描画と表示の時間を測定
time_lst = []
for loop in range(10):
    num = 200000  # 20万データ
    np.random.seed(loop)
    x = np.random.randn(num)
    y = np.random.randn(num)

    plot = [
        go.Scattergl(
            x=x, y=y, mode='markers',
            marker=dict(color=y, colorscale='jet'),
        )
    ]

    fig = go.Figure(data=plot)
    fig.show()  # 描画処理のみ・保存のみの場合は不使用

    # グラフ保存。描画処理のみ・グラフ表示のみの場合は不使用
    prefix = './scattergl/go-scattergl'  # 保存ファイル名の接頭辞
    save_name = f"{prefix}_{loop}"
    pio.orca.config.executable = '/Applications/orca.app/Contents/MacOS/orca'
    pio.write_html(fig, f"{save_name}.html")
    pio.write_image(fig, f"{save_name}.png")

    # 作成したグラフにHTMLコードを保存
    html_code = fig.to_html(include_plotlyjs='cdn', full_html=False)
    with open(f"{save_name}.txt", mode='w') as f:
        f.write(html_code)

    execution_time = time.perf_counter() - start_time
    time_lst.append(execution_time)

print(time_lst)

4パターンでgo.Scatter、go.Scatterglの処理時間を比較した表がこの章の最初のに示したものだ。単位は秒。描画処理のみの場合は実行時間にそこまでの差は生まれなかったが、グラフ表示と保存処理が加わるとその違いは顕著に現れた。

今回は20万データの10ループだが、グラフ表示後に保存する処理では2倍程度の差が生まれた。なのでやはり大量のデータを扱う際にはgo.Scatterglを使用するのがよさそうだ。

Scatterglなら大量データでも簡単にグラフ化できる

今回はPythonのPlotlyで大量のデータを軽く簡単に扱えるgo.Scatterglを紹介した。WebGL方式で大量のデータでもほとんど引っ掛かりなく動作することができる。

Pytthonはデータ解析やグラフ化が得意なので多くのデータを扱うだろうが、その視覚化に適しているだろう。

ただし、少ないデータの場合は通常のgo.Scatterを使う方が他の人が見ても理解しやすい。go.Scatterは以下の記事で解説している。

【Plotlyで散布図】go.Scatterのグラフの描き方まとめ

これからPloltyで動くグラフを作りたい、もっとグラフをキレイに見せたい、後から簡単に見返せるグラフを作りたい。 そんな人はまずはPlotlyの基礎、goの散布図グラフgo.Scatterから始めてみよう。本記事ではgo.Scatterの使い方をざっくりと解説する。 本記事の内容は以下。 go.Scatterでグラフを作成 点・線・文字をプロット点に設定 バブルチャートを作成 カラースケールの設 …

続きを見る

一方でgo.Scatterglを使う場合は以下と考えている。参考にしていただきたい。

go.Scatterglを使うタイミングの目安

  • 10,000データを超えるグラフ
  • グラフの動きがモッサリしてきた
  • 見栄えより動作が重要

これまで大量のデータを扱う際にデータの重さで悩んでいた人は是非go.Scatterglを使ってほしい。

関連記事

【Plotly&ボタン】updatemenusとbuttonsでボタン機能を追加

Plotlyはプロットしたデータを動かすことができるのが大きな魅力の1つだが、本記事では使えると非常に強力で便利なボタン機能（updatemenus）を解説する。 ボタン機能があると2種類のデータを1つのグラフに入れて切り替えて表示することができる。今まで2ファイルで保存していたのが1ファイルで済むようになったということだ。 さらにPlotlyではhtmlで保存もできるから、必要な機能をボタンで作 …

続きを見る
【Plotly&ボタン】updatemenusのargs2で2回目のボタン押下機能を追加

今回はPlotlyのボタン機能に2回目のボタン押下の処理を追加する方法を解説する。この機能を使うことで、1つのボタンに2種類の機能を付与してボタンの数を減らすことができるだろう。 また、オン・オフの切り替えを1つのボタンで担うことができるので、機能面でもわかりやすくなるだろう。 本記事の内容は以下のupdatemenusでボタンを追加する方法の応用版だ。まだ読んでいない人はまずは基礎固めから始めて …

続きを見る
【Plotly&sliders】スライダーを追加しデータを切り変える

本記事ではPlotlyでデータの流れを簡単に理解できる機能のスライダーについてその仕組みやグラフの例を解説・紹介する。 スライダー機能を使えるようになると時系列のグラフやsin(2x), sin(3x)といった一部だけ変わるグラフをわかりやすく表現することができる。 Plotlyのボタン機能（updatemenus）でも実現はできるが、この手のグラフはスライダー機能が断然わかりやすい。本記事では簡 …

続きを見る

Copyright © 2024 Pro天パ All Rights Reserved.

]]> https://programming.megatenpa.com/plotly/go-scattergl/feed/ 0