--世界上只有一种真正的英雄主义,就是看清生活的真相之后依然热爱生活，学习编程成就更好的自己--
Python语言简洁生动，特别适合文科生学习入门IT世界，用几十行代码就能够做一个完整的爬虫脚本，开发效率杠杠的！短时间内即可解决工作和学习中碰到的各种棘手问题。(本人外语专业毕业，机缘巧合爱上编程，自学道路曲曲折折，痛并快乐！)在这里总结一下自学Python遇到的难点和重点，分享码过的代码和要点总结，希望能够给初学者一点启示和鼓励，同时愿意结交更多大神交流有助提升自己的水平。
今天分享如何使用Plotly绘制一个比较复杂的图表--柱状和折线双坐标复合图表，即是：柱状图和折线图共同展示， 柱状图对应一个坐标轴，折线图对应另一个坐标轴。另外，可把相关制图过程做成一个自定义制图函数，方便后续直接调用出图，可以大大节省时间，提高工作效率。下面还以Plotly内置的世界人口数据集合为案例展开讲解：
1.调包并抽取一个国家数据，方便后续制图和演示：
首先拿德国数据为例，生成一个新的人口数量字段其单位为百万，方便跟寿命数据共同生成柱状图，同时生成一个新的人均GDP字段其单位为千元后续生成折线图。
２.编写一个作图自定义函数，有两个参数，X参数为数据集合，Y参数为图表名字：
作图自定义函数编写如下：
#['#0d0887', '#46039f', '#7201a8', '#9c179e', '#bd3786', '#d8576b', '#ed7953', '#fb9f3a', '#fdca26', '#f0f921']
def Get_Two_Bar_One_Line(X,Y):
fig = go.Figure()
# Create figure with secondary y-axis
fig = make_subplots(specs=[[{"secondary_y": True}]])
# Add traces
fig_bar_one = go.Bar(name="人口数量", x=X["Year"], y=X["pop-Million"],marker_color='#44cef6')
fig_bar_two = go.Bar(name="平均寿命", x=X["Year"], y=X["life"], marker_color='#bcbd22')
fig_line_one = go.Scatter(name="人均GDP",x=X["Year"], y=X["gdpPercap-Thousand"],line=dict(color='red', width=3, dash='dash'))
#define the positions
fig.add_trace(fig_bar_one,secondary_y=False)
fig.add_trace(fig_bar_two,secondary_y=False)
fig.add_trace(fig_line_one,secondary_y=True)
# Add figure title
fig.update_layout(title_text=Y)
# Set x-axis title
fig.update_xaxes(title_text="1952年到2007年期间国家整体情况变化")
# Set y-axes titles
fig.update_yaxes(title_text="<b>primary</b>--人口数量百万和平均寿命", secondary_y=False)
fig.update_yaxes(title_text="<b>secondary</b>--人均GDG水平--千元", secondary_y=True)
return fig.show()
该作图函数可做调整，比如：图形颜色，折线形式和标题内容等等，大家根据实际情况进行个性化处理。
３.利用该作图函数生成相应图表：
生成图表左侧Y轴刻度展示了人口寿命和数量，右侧Y轴刻度展示了人均GDP水平情况，同时还可以进行数据交互，直观和生动展示了相关情况。
4.调取南非国家数据集合来试试：
通过已有的制图函数生成图表如下：
5.调取泰国国家数据集合来试试：
对已有的制图函数柱状图颜色参数(平均寿命)调整：
生成图表如下：
6.调取日本国家数据集合来试试：
通过已有的制图函数生成图表如下：
7.最后调取越南国家数据集合来试试：
通过已有的制图函数生成图表如下：
代码汇总如下：
#import plotly to get the datasets
from plotly.subplots import make_subplots
import plotly.graph_objs as go
import plotly.offline as py
import plotly_express as px
#Get a dataset of a dedicated country
df = px.data.gapminder().query("country == ['Germany']") #'Japan','Germany','Italy','Canada','Spain','Thailand','Argentina'
df["life"] = df["lifeExp"].astype(int)
df["pop-Million"] = (df["pop"]/1000000).astype(int) #Get pop 100W /人口数量以百万单位来显示
df["gdpPercap-Thousand"] = (df["gdpPercap"]/1000).astype(float) #Get gdpPercap as Tousand /人均GDP以千元单位显示
df["Year"] = df["year"].astype(str) #Convert year as int into string
display(df)
display(df.dtypes)
#['#0d0887', '#46039f', '#7201a8', '#9c179e', '#bd3786', '#d8576b', '#ed7953', '#fb9f3a', '#fdca26', '#f0f921']
def Get_Two_Bar_One_Line(X,Y):
fig = go.Figure()
# Create figure with secondary y-axis
fig = make_subplots(specs=[[{"secondary_y": True}]])
# Add traces
fig_bar_one = go.Bar(name="人口数量", x=X["Year"], y=X["pop-Million"],marker_color='#44cef6')
fig_bar_two = go.Bar(name="平均寿命", x=X["Year"], y=X["life"], marker_color='#bcbd22')
fig_line_one = go.Scatter(name="人均GDP",x=X["Year"], y=X["gdpPercap-Thousand"],line=dict(color='red', width=3, dash='dash'))
#define the positions
fig.add_trace(fig_bar_one,secondary_y=False)
fig.add_trace(fig_bar_two,secondary_y=False)
fig.add_trace(fig_line_one,secondary_y=True)
# Add figure title
fig.update_layout(title_text=Y)
# Set x-axis title
fig.update_xaxes(title_text="1952年到2007年期间国家整体情况变化")
# Set y-axes titles
fig.update_yaxes(title_text="<b>primary</b>--人口数量百万和平均寿命", secondary_y=False)
fig.update_yaxes(title_text="<b>secondary</b>--人均GDG水平--千元", secondary_y=True)
return fig.show()
Get_Two_Bar_One_Line(df,"德国")
#Get a dataset of a dedicated country
df = px.data.gapminder().query("country == ['South Africa']") #'Japan','Germany','Italy','Canada','Spain','Thailand','Argentina'
df["life"] = df["lifeExp"].astype(int)
df["pop-Million"] = (df["pop"]/1000000).astype(int) #Get pop 100W /人口数量以百万单位来显示
df["gdpPercap-Thousand"] = (df["gdpPercap"]/1000).astype(float) #Get gdpPercap as Tousand /人均GDP以千元单位显示
df["Year"] = df["year"].astype(str) #Convert year as int into string
display(df)
Get_Two_Bar_One_Line(df,"南非")
#Get a dataset of a dedicated country
df = px.data.gapminder().query("country == ['Thailand']") #'Japan','Germany','Italy','Canada','Spain','Thailand','Argentina'
df["life"] = df["lifeExp"].astype(int)
df["pop-Million"] = (df["pop"]/1000000).astype(int) #Get pop 100W /人口数量以百万单位来显示
df["gdpPercap-Thousand"] = (df["gdpPercap"]/1000).astype(float) #Get gdpPercap as Tousand /人均GDP以千元单位显示
df["Year"] = df["year"].astype(str) #Convert year as int into string
display(df)
#['#0d0887','#46039f', '#7201a8', '#9c179e', '#bd3786', '#d8576b', '#ed7953', '#fb9f3a', '#fdca26', '#f0f921']
def Get_Two_Bar_One_Line(X,Y):
fig = go.Figure()
# Create figure with secondary y-axis
fig = make_subplots(specs=[[{"secondary_y": True}]])
# Add traces
fig_bar_one = go.Bar(name="人口数量", x=X["Year"], y=X["pop-Million"],marker_color='#44cef6')
fig_bar_two = go.Bar(name="平均寿命", x=X["Year"], y=X["life"], marker_color='#9c179e')
fig_line_one = go.Scatter(name="人均GDP",x=X["Year"], y=X["gdpPercap-Thousand"],line=dict(color='red', width=3, dash='dash'))
#define the positions
fig.add_trace(fig_bar_one,secondary_y=False)
fig.add_trace(fig_bar_two,secondary_y=False)
fig.add_trace(fig_line_one,secondary_y=True)
# Add figure title
fig.update_layout(title_text=Y)
# Set x-axis title
fig.update_xaxes(title_text="1952年到2007年期间国家整体情况变化")
# Set y-axes titles
fig.update_yaxes(title_text="<b>primary</b>--人口数量百万和平均寿命", secondary_y=False)
fig.update_yaxes(title_text="<b>secondary</b>--人均GDG水平--千元", secondary_y=True)
return fig.show()
Get_Two_Bar_One_Line(df,"泰国")
#Get a dataset of a dedicated country
df = px.data.gapminder().query("country == ['Japan']") #'Japan','Germany','Italy','Canada','Spain','Thailand','Argentina'
df["life"] = df["lifeExp"].astype(int)
df["pop-Million"] = (df["pop"]/1000000).astype(int) #Get pop 100W /人口数量以百万单位来显示
df["gdpPercap-Thousand"] = (df["gdpPercap"]/1000).astype(float) #Get gdpPercap as Tousand /人均GDP以千元单位显示
df["Year"] = df["year"].astype(str) #Convert year as int into string
display(df)
Get_Two_Bar_One_Line(df,"日本")
#Get a dataset of a dedicated country
df = px.data.gapminder().query("country == ['Vietnam']") #'Japan','Germany','Italy','Canada','Spain','Thailand','Argentina'
df["life"] = df["lifeExp"].astype(int)
df["pop-Million"] = (df["pop"]/1000000).astype(int) #Get pop 100W /人口数量以百万单位来显示
df["gdpPercap-Thousand"] = (df["gdpPercap"]/1000).astype(float) #Get gdpPercap as Tousand /人均GDP以千元单位显示
df["Year"] = df["year"].astype(str) #Convert year as int into string
display(df)
Get_Two_Bar_One_Line(df,"越南")
通过上面的内容看到，如何做好作图自定义函数是关键！！！方便后续调用并直接生成相关复杂图表，减少重复代码出现，现实中事先固定好几个模式的作图自定义函数，然后利用处理好的数据集直接生成优雅和统一的可视化报告，效率真的哇塞啊！！！！
END
我为人人，人人为我！！欢迎大家关注，点赞和转发！！！
~~人生不是赛场，梦想不容退场~~不断努力学习蜕变出一个更好的自己，不断分享学习路上的收获和感悟帮助他人成就自己！！！
,
