AD Modul 10. Visualisasi Interaktif DGN Plotly

1
MODUL PERKULIAHAN
W542100001 –
Analisis Data
Visualisasi Interaktif dengan
Plotly
Abstrak Sub-CPMK
Visualisasi data dalam Sub-CPMK 4.4.

beragam bentuk grafik Mampu menyajikan data secara visual
interaktif. dan interaktif, untuk dianalisa lebih
lanjut, menggunakan Pustaka Plotly.
Pada modul sebelum ini, sudah dijelaskan bagaimana library Pandas dapat
digunakan untuk membuat plot dasar dan plot time series. Meskipun pustaka Pandas ,
Matplotlib , dan Seaborn adalah pustaka plot data yang sangat baik, mereka hanya
dapat memplot grafik statis. Plot statis seperti gambar non-interaktif sederhana. Dalam
kebanyakan kasus, plot statis cukup untuk menyampaikan informasi. Namun, dalam
beberapa kasus mungkin perlu menambahkan interaktivitas pengguna ke plot.
Pada artikel ini, kita akan melihat bagaimana library Plotly Python dapat
digunakan untuk memplot plot interaktif. Kami akan memplot data geografis
menggunakan plotly dan akan menjelaskan bagaimana pengguna dapat berinteraksi
dengan plot tersebut.
10.1 Menginstall Pustaka

Untuk menginstal pustaka Plotly menggunakan utilitas "pip", Anda perlu
menjalankan perintah berikut:
$ pip install plotly
Selain Plotly, kita juga akan menggunakan Cufflinks , yang berfungsi sebagai
penghubung antara perpustakaan Pandas dan Plotly, dan membantu kita memplot
grafik interaktif secara langsung menggunakan kerangka data Pandas.
Untuk menginstal Manset menggunakan pip, jalankan skrip berikut:
$ pip install cufflinks
10.2 Mengimpor Pustaka

Plotly pada dasarnya adalah perpustakaan online yang menampung visualisasi
data Anda, namun juga menyediakan paket data offline yang dapat digunakan untuk
menggambar plot interaktif secara offline.
Sebelum kita dapat menjalankan Plotly di notebook Jupyter, yang saya gunakan
untuk menjalankan skrip saya, saya perlu mengimpor pustaka Plotly dan Cufflinks
bersama dengan Numpy dan Pandas seperti biasa.
Skrip berikut mengimpor pustaka Numpy dan Pandas:
import pandas as pd
import numpy as np
%matplotlib inline
2021 Analisis Data

2 Eko Ihsanto, Dr, Ir, M.Eng
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
Selanjutnya, kita perlu mengimpor versi offline dari modul Plotly yang akan kita
gunakan dalam artikel ini. Skrip berikut melakukan itu:
from plotly.offline import download_plotlyjs,
init_notebook_mode, plot, iplot
Sebelum kita dapat mengeksekusi skrip kita, kita perlu menghubungkan
JavaScript ke notebook kita. Karena plot Plotly bersifat interaktif, mereka
menggunakan JavaScript di belakang layar. Script yang akan kita jalankan akan
dieksekusi di notebook Jupyter. Untuk menghubungkan notebook Jupyter dengan
JavaScript, kita perlu menjalankan skrip berikut:
init_notebook_mode(connected=True)
Terakhir, kita perlu mengimpor library Cufflink dan memastikan bahwa kita akan
menggunakannya secara offline. Untuk melakukannya, jalankan skrip berikut:
import cufflinks as cf
cf.go_offline()
Sekarang kami memiliki semua yang kami butuhkan untuk menggambar grafik
Plotly interaktif di dalam notebook Jupyter kami.
10.3 Plot Dasar

Di bagian ini, kita akan menggunakan pustaka Plotly untuk menggambar plot
interaktif dasar. Pada bagian selanjutnya, kita akan melihat bagaimana Plotly dapat
digunakan untuk memplot data geografis.
Dataset
Dataset yang akan kita gunakan untuk bagian ini adalah dataset "Tips" yang
diunduh secara default dengan perpustakaan Seaborn. Dataset berisi informasi
tentang jumlah yang dihabiskan oleh sekelompok orang saat makan siang dan makan
malam. Dataset berisi jenis kelamin, harga, tip, usia, ukuran, hari, waktu dan apakah
orang yang makan siang atau makan malam adalah perokok atau bukan.
Skrip berikut mengimpor dataset dan menampilkan lima baris pertama dataset:
import seaborn as sns
dataset = sns.load_dataset('tips')
dataset.head()
Output dari skrip terlihat seperti berikut ini:
2021 Analisis Data

Dari output, Anda dapat melihat bahwa dataset kami berisi tiga kolom numerik:
total_bill, tip, size dan empat kolom kategoris: sex, smoker, day, dan
time.
Sebelum menggunakan Plotly untuk menggambar plot interaktif, mari kita
ingatkan kembali bagaimana kita menggunakan Pandas untuk membuat grafik statis.
Mari kita panggil metode plot() pada kerangka data kita untuk melihat bagaimana
Panda memplot plot statis. Kami akan memplot nilai untuk kolom 'total_bill',
'tip', dan 'sex'. Perhatikan skrip berikut:
dataset2 = dataset[["total_bill", "tip", "size"]]
dataset2.plot()
Anda dapat melihat bahwa untuk memplot grafik, kami cukup memanggil
plotmetode pada kerangka data kami.
Keluaran:
Dari output, Anda dapat melihat plot garis statis untuk kolom 'total_bill' dan 'tips'.
Sekarang mari kita lihat bagaimana kita dapat menggambar plot interaktif
menggunakan Plotly. Di bagian tempat kami mengimpor perpustakaan, kami
mengimpor fungsi plot() dari modul plotly.offline. Untuk memplot plot interaktif
2021 Analisis Data

menggunakan kerangka data Pandas, kita hanya perlu memanggil metode iplot(),
bukan metode plot. Perhatikan contoh berikut:
dataset2.iplot()
Setelah Anda menjalankan skrip di atas, Anda akan melihat plot garis interaktif
untuk total_bill, tipdan sexkolom seperti yang ditunjukkan di bawah ini:
Jika Anda mengarahkan kursor ke plot, Anda akan melihat nilai berubah. Anda
dapat memperbesar dan memperkecil plot menggunakan opsi yang tersedia di sudut
kanan atas plot. Anda juga dapat menambah dan menghapus kolom dari plot.
Terakhir, Anda juga dapat menyimpan grafik sebagai gambar statis.
Di bagian selanjutnya, kita akan memplot beberapa plot interaktif yang paling
umum digunakan menggunakan Plotly.
2021 Analisis Data

Bar Plot
Untuk memplot plot bar interaktif menggunakan Plotly, Anda dapat
menggunakan iplot()fungsi. Anda harus melewati "bar" sebagai nilai untuk
kindparameter iplot()fungsi. Selanjutnya, Anda harus meneruskan daftar kolom
kategoris yang ingin Anda plotkan grafiknya ke xatribut. Akhirnya, kolom numerik
dilewatkan sebagai nilai ke yatribut. Skrip berikut memplot plot batang untuk timedan
sexkolom pada sumbu x dan sumbu total_bill.
dataset.iplot(kind='bar', x=['time', 'sex'],y='total_bill')

Keluaran:
Anda dapat melihat dari output bahwa empat batang telah diplot untuk total
tagihan. Bilah menunjukkan semua kemungkinan kombinasi nilai dalam kolom sexdan
time.
Selain menentukan kolom untuk plot batang, Anda cukup memanggil fungsi
agregat pada kerangka data Pandas dan kemudian memanggil iplot()fungsi tersebut
dan meneruskan "bar" sebagai nilai untuk kindatribut. Ini akan memplot bilah untuk
setiap kolom numerik sesuai dengan fungsi agregat. Misalnya, jika Anda ingin
memplot plot batang yang berisi nilai rata-rata untuk total_bill, tipdan sizekolom, Anda
dapat menggunakan skrip berikut:
dataset.mean().iplot(kind='bar')
2021 Analisis Data

Keluaran:
Di output, Anda dapat melihat plot batang dengan nilai rata-rata untuk total_bill,
tipdan sizekolom.
Selain plot batang vertikal, Anda juga dapat memplot plot batang horizontal.
Yang harus Anda lakukan adalah meneruskan "barh" sebagai atribut ke
kindparameter, seperti yang ditunjukkan pada skrip berikut:
dataset.mean().iplot(kind='barh')
Keluaran:
2021 Analisis Data

Pada output, Anda dapat melihat plot batang horizontal untuk nilai rata-rata dari
total_bill, tip dan size kolom.
Scatter Plot
Untuk memplot plot sebar interaktif, Anda harus memberikan "sebar" sebagai
nilai untuk kindparameter iplot()fungsi. Selanjutnya, Anda harus memberikan nama
kolom untuk sumbu x dan y. Skrip berikut memplot plot sebar untuk total_billkolom
pada sumbu x dan tipkolom pada sumbu y.
dataset.iplot(kind='scatter', x='total_bill', y='tip',
mode='markers')
Keluaran:
Arahkan mouse Anda ke plot interaktif untuk melihat perubahan nilai untuk
total_billdan tipkolom.
Box Plot
Dalam salah satu artikel saya sebelumnya, saya menjelaskan apa itu plot kotak
dan bagaimana kita dapat menggambarnya menggunakan perpustakaan Seaborn.
Plot kotak memplot informasi kuartil untuk kolom numerik. Jarak antara kumis bawah
dan bagian bawah kotak menampilkan kuartil pertama. Jarak antara bagian bawah
kotak ke tengah kotak menampilkan kuartil kedua. Demikian pula, jarak dari tengah
2021 Analisis Data

kotak ke ujung atas kotak mengkuantifikasi kuartil ketiga sedangkan jarak dari atas
kotak ke kumis atas menampilkan kuartil terakhir.
Menggunakan Plotly, Anda dapat menggambar plot kotak interaktif. Yang harus
Anda lakukan adalah meneruskan nilai boxas ke kindparameter iplot()fungsi seperti
yang ditunjukkan di bawah ini:
dataset2.iplot(kind='box')
Pada output, Anda akan melihat plot kotak untuk semua kolom numerik dalam
data yaitu total_bill, tipdan size.
Keluaran:
Hist Plot
Pustaka Plotly juga dapat digunakan untuk memplot plot histogram interaktif
untuk setiap kolom dalam dataset. Untuk melakukannya, Anda harus memberikan
"hist" sebagai nilai ke kindparameter iplot()fungsi. Anda juga dapat menentukan
jumlah tempat sampah menggunakan binsatribut. Skrip berikut memplot histogram
untuk total_billkolom:
dataset['total_bill'].iplot(kind='hist',bins=25)
Keluaran:
2021 Analisis Data

Scatter Matrix Plot
Plot matriks pencar pada dasarnya adalah kumpulan semua plot pencar untuk
kolom numerik dalam dataset Anda.
dataset2.scatter_matrix()
Spread Plot
Plot sebaran menunjukkan sebaran antara dua atau lebih kolom numerik pada
titik tertentu. Misalnya, untuk melihat spread antara total_bildan tip, Anda dapat
menggunakan fungsi spread sebagai berikut:
2021 Analisis Data

dataset[['total_bill','tip']].iplot(kind='spread')
Keluaran:
Dari output, Anda dapat melihat bahwa semakin total_billmeningkat, spread

antara total_billdan tipjuga meningkat.
Plot 3D
Terakhir, selain plot 2D, Anda juga dapat membuat plot interaktif 3-D
menggunakan pustaka Plotly. Misalnya untuk melihat plot 3D untuk total_bill, tipdan
sizekolom, jalankan skrip berikut.
dataset2 = dataset[["total_bill", "tip", "size"]]
data = dataset2.iplot(kind='surface', colorscale='rdylbu')
Di output Anda dapat melihat plot 3D, Anda dapat memindahkan, memutarnya,
dan memperbesar dan memperkecil plot.
Keluaran:
2021 Analisis Data

Di bagian ini, kami melihat beberapa plot interaktif yang paling umum digunakan
yang ditawarkan Plotly. Pada bagian selanjutnya, kita akan melihat bagaimana Plotly
library dapat digunakan untuk memplot data geografis.
10.4 Plot Geografis

Untuk menggambar plot geografis dengan Plotly, kita akan menggunakan
Choropleth Maps. Choropleth Maps adalah jenis khusus plot Plotly yang digunakan
untuk memplot data geografis. Dokumentasi rinci tentang cara menggunakan peta
choropleth tersedia di sini .
Di bagian ini kita akan melihat, dengan bantuan contoh, cara menggambar peta
geografis untuk Amerika Serikat dan juga untuk seluruh dunia. Tapi sebelum kita
benar-benar menulis kode untuk memplot plot geografis, pertama-tama kita impor
library yang diinginkan.
import plotly.plotly as py
import plotly.graph_objs as go
from plotly.offline import download_plotlyjs,
init_notebook_mode, plot, iplot
init_notebook_mode(connected=True)
import pandas as pd
Peta Geografis untuk Amerika Serikat

Ada empat langkah menggambar peta geografis menggunakan Plotly.
Langkah 1: Buat Kamus Data
Langkah pertama adalah membuat kamus data yang sebenarnya berisi data
yang ingin ditampilkan pada peta. Untuk melakukan ini, jalankan skrip berikut, yang
akan saya jelaskan baris demi baris setelah itu.
map_data = dict(type='choropleth',
locations=['MI', 'CO', 'FL', 'IN'],
locationmode='USA-states',
colorscale='Portland',
text=['Michigan', 'Colorado', 'Florida', 'Indiana'],
z=[1.0,2.0,3.0,4.0],
colorbar=dict(title="USA States")
)
2021 Analisis Data

Anda perlu menentukan nilai untuk beberapa kunci dalam kamus data. Mereka
adalah sebagai berikut:
type: Karena kita menggunakan peta choropleth, tipenya akan selalu choropleth.
locations: Di sini kita perlu melewati singkatan untuk status yang ingin kita
tampilkan di peta kita. Empat negara bagian akan ditampilkan di peta kami: 'Michigan
(MI)', 'Colorado (CO)', 'Florida (FL), 'Indiana (IN)'
locationmodeakan USA-statekarena kita hanya menampilkan peta untuk Amerika
Serikat.
colorscale: Kunci ini digunakan untuk menentukan warna plot. Periksa
dokumentasi untuk opsi warna lainnya.
text: Berisi daftar string yang akan ditampilkan saat mouse melayang di atas
lokasi status.
The zkey berisi daftar nilai-nilai numerik yang akan ditampilkan bila melayang
mouse lokasi negara.
colorbaradalah kamus. Untuk titlekunci, Anda dapat menentukan teks yang akan
ditampilkan pada bilah warna.
Langkah 2: Buat Tata Letak
Setelah Anda membuat kamus data, langkah selanjutnya adalah membuat
kamus tata letak. Kamus tata letak untuk AS sederhana seperti yang ditunjukkan pada
skrip berikut.
map_layout = dict(geo = {'scope':'usa'})
Kamus mengambil kamus lain bernama geo. Kami melewati nilai "usa" untuk
scopekunci karena peta kami hanya terbatas pada AS.
Langkah 3: Buat Objek Grafik
Jika Anda melihat bagian di mana kami mengimpor perpustakaan, kami
mengimpor plotly.graph_objskelas. Langkah ketiga adalah membuat objek dari grafik
ini. Untuk melakukannya kita perlu memanggil Figurefungsi dari objek. Objek
mengambil dua parameter: datadan layout. Kami akan meneruskan kamus data kami
ke parameter pertama dan kamus tata letak ke parameter kedua, seperti yang
ditunjukkan di bawah ini:
map_actual = go.Figure(data=[map_data], layout=map_layout)
Langkah 4: Panggil Metode iplot()
Langkah terakhir adalah memanggil iplot()fungsi dan meneruskannya ke objek
grafik yang kita buat pada langkah ketiga seperti yang ditunjukkan di bawah ini:
iplot(map_actual)
Pada output, Anda akan melihat plot geografis untuk empat negara bagian AS.
Anda dapat melihat bahwa negara bagian lainnya belum diwarnai karena kami tidak
2021 Analisis Data

menentukan informasi apa pun mengenai negara bagian tersebut. Jika Anda
mengarahkan mouse ke status berwarna, Anda akan melihat nilai textdan zkunci yang
sesuai yang kami tentukan saat kami membuat kamus data kami.
Peta Geografis untuk Amerika Serikat Menggunakan CSV

Sekarang kita memiliki ide dasar tentang bagaimana kita dapat membuat plot
geografis menggunakan peta Plotly dan choropleth. Sekarang mari kita buat peta yang
lebih kompleks. Kita akan melihat bagaimana kita dapat menggunakan data dari file
CSV untuk membuat plot geografis. Kami akan membuat peta geografis yang akan
menampilkan PDB Per Kapita untuk semua negara bagian di Amerika Serikat.
Dataset
Kumpulan data untuk bagian ini dapat diunduh dari Tautan Kaggle ini , yang
tersedia dalam format CSV. Saya telah mengubah nama file untuk tujuan keterbacaan.
Skrip berikut mengimpor dataset dan mencetak lima baris pertamanya ke konsol.
df = pd.read_csv(r'E:/state_gdp.csv')
df.head()
Outputnya terlihat seperti ini:
2021 Analisis Data

Dataset berisi nama-nama negara bagian di AS di Areakolom. Dataset juga
berisi PDB Per Kapita selama lima tahun dari 2013 hingga 2017. Kami akan memplot
data untuk tahun 2017.
Satu masalah dengan dataset adalah bahwa ia berisi nama lengkap negara
bagian, sedangkan peta choropleth menerima singkatan untuk nama negara bagian.
Hal pertama yang perlu kita lakukan adalah menambahkan kolom ke dataset kita yang
berisi singkatan untuk nama negara bagian.
Salah satu cara untuk melakukannya adalah dengan membuat kamus untuk
nama negara bagian dan singkatannya dan kemudian membuat kolom yang berisi nilai
singkatan dari kamus tersebut. Skrip berikut membuat kamus di mana kuncinya adalah
nama status lengkap dan nilainya adalah singkatan status yang sesuai:
us_state_abbrev = {
'Alabama': 'AL',
'Alaska': 'AK',
'Arizona': 'AZ',
'Arkansas': 'AR',
'California': 'CA',
'Colorado': 'CO',
'Connecticut': 'CT',
'Delaware': 'DE',
'Florida': 'FL',
'Georgia': 'GA',
'Hawaii': 'HI',
'Idaho': 'ID',
'Illinois': 'IL',
'Indiana': 'IN',
'Iowa': 'IA',
'Kansas': 'KS',
'Kentucky': 'KY',
'Louisiana': 'LA',
'Maine': 'ME',
'Maryland': 'MD',
'Massachusetts': 'MA',
'Michigan': 'MI',
'Minnesota': 'MN',
'Mississippi': 'MS',
'Missouri': 'MO',
'Montana': 'MT',
'Nebraska': 'NE',
2021 Analisis Data

'Nevada': 'NV',
'New Hampshire': 'NH',
'New Jersey': 'NJ',
'New Mexico': 'NM',
'New York': 'NY',
'North Carolina': 'NC',
'North Dakota': 'ND',
'Ohio': 'OH',
'Oklahoma': 'OK',
'Oregon': 'OR',
'Pennsylvania': 'PA',
'Rhode Island': 'RI',
'South Carolina': 'SC',
'South Dakota': 'SD',
'Tennessee': 'TN',
'Texas': 'TX',
'Utah': 'UT',
'Vermont': 'VT',
'Virginia': 'VA',
'Washington': 'WA',
'West Virginia': 'WV',
'Wisconsin': 'WI',
'Wyoming': 'WY',
}
Langkah selanjutnya adalah menambahkan kolom di dataset yang berisi
singkatan. Kita dapat melakukannya dengan memetakan nilai di Areakolom ke kunci di
us_state_abbrevkamus. Nilai yang sesuai kemudian dapat ditambahkan ke kolom
singkatan yang baru dibuat seperti yang ditunjukkan di bawah ini:
df['abbrev'] = df['Area'].map(us_state_abbrev)
Sekarang jika Anda kembali mencetak bagian atas dataframe menggunakan
head()fungsi tersebut, Anda akan melihat kolom yang baru dibuat abbrev, seperti yang
ditunjukkan di bawah ini:
df.head()
Outputnya terlihat seperti ini:
2021 Analisis Data

Anda dapat melihat singkatan negara di abbrevkolom. Penting untuk disebutkan
bahwa Areakolom tersebut juga memiliki nilai untuk seluruh negara. Namun, negara
akan memiliki singkatan NaN yang sesuai di abbrevkolom, dan karena itu akan
diabaikan saat Anda memplot grafik.
Sekarang kami telah memproses data sebelumnya, langkah selanjutnya adalah
lurus ke depan. Pertama, kita akan membuat kamus data yang berisi nilai dari dataset
kita, seperti yang ditunjukkan di bawah ini:
map_data = dict(type='choropleth',
locations=df['abbrev'],
locationmode='USA-states',
colorscale='Reds',
text=df['Area'],
marker=dict(line=dict(color='rgb(255,0,0)', width=2)),
z=df['2017'],
colorbar=dict(title="GDP Per Capita - 2017")
)
Anda dapat melihat bahwa pada skrip di atas, untuk locationskunci kami
melewati abbrevkolom dataset kami. Ini berarti bahwa plot geografis untuk semua
negara bagian di Amerika Serikat akan dicetak di layar.
Demikian pula, untuk textkunci kami melewati kolom "Area" yang berisi nama
lengkap negara bagian. Akhirnya, untuk zkuncinya, kami melewati PDB Per kapita
untuk tahun 2017.
Penting juga untuk menyebutkan bahwa kita memiliki kunci baru di sini yaitu
marker. Ini digunakan untuk membuat perbatasan antara negara bagian yang
berbeda. Nilai RGB 255,0,0berarti bahwa perbatasan akan berwarna merah. Lebar 2
menentukan lebar perbatasan adalah 2 piksel.
Langkah selanjutnya adalah membuat layout untuk peta kita. Skrip berikut
melakukan itu:
map_layout = dict(title='USA States GDP Per Capita - 2017',
geo=dict(scope='usa',
showlakes=True,
2021 Analisis Data

lakecolor='rgb(85,173,240)')
)
Perhatikan bahwa dalam script di atas kita melewati Trueuntuk showlakeskunci,

yang berarti bahwa danau akan ditampilkan pada peta dan warna mereka akan biru
muda seperti yang ditentukan oleh nilai RGB dari rgb(85,173,240).
Terakhir, Anda perlu membuat objek grafik dan meneruskannya ke kamus data
dan tata letak, seperti yang kita lakukan di bagian terakhir. Perhatikan skrip berikut:
Sebagai langkah terakhir, kita perlu memanggil iplot()metode dan
meneruskannya ke objek grafik yang baru kita buat:
iplot(map_actual)
Setelah Anda menjalankan skrip di atas, Anda akan melihat peta Amerika Serikat
dengan PDB per kapita. Negara bagian yang berwarna lebih terang memiliki PDB
yang lebih rendah daripada yang berwarna lebih gelap.
Peta Geografis untuk Dunia

Di bagian sebelumnya, kita melihat peta grafis untuk Amerika Serikat. Di bagian
ini, kita akan melihat cara membuat peta geografis untuk dunia. Prosesnya tetap
kurang lebih serupa. Sebagai langkah awal, kita akan membuat kamus data, diikuti
kamus layout dan objek grafik. Akhirnya, kita akan menggunakan iplot()fungsi untuk
memplot grafik.
Dataset
Dataset yang akan kita gunakan berisi populasi dunia berdasarkan negara untuk
tahun 1960-2016. Kami akan merencanakan peta geografis dunia yang menampilkan
populasi untuk setiap negara untuk tahun 2016.
Dataset dapat diunduh dari tautan Kaggle ini . Dataset akan diunduh dalam
format CSV.
2021 Analisis Data

Skrip berikut mengimpor dataset dan menampilkan lima baris pertamanya
menggunakan head()metode ini.
df = pd.read_csv(r'E:/world_pop.csv')
df.head()
Gambar berikut berisi tangkapan layar dari output:
Mari kita buat kamus data yang akan menyimpan informasi tentang data yang
ingin kita plot dari dataset populasi yang baru saja kita muat.
map_data = dict(
type='choropleth',
locations=df['Country Code'],
z=df['2016'],
text=df['Country'],
colorbar={'title': 'World Population 2016'},
)
Dari skrip di atas, Anda dapat melihat bahwa satu-satunya perubahan yang kami
buat adalah pada locationskuncinya; sekarang kami melewati "Kode Negara" alih-alih
singkatan untuk negara bagian. Ini adalah persyaratan wajib untuk merencanakan plot
geografis dunia. Untuk textkunci, kami meneruskan nilai dari kolom "Negara" yang
berisi nama lengkap negara. Demikian pula, untuk zkunci, kami melewatkan nilai dari
kolom "2016" karena ini adalah kolom yang berisi nilai populasi untuk tahun 2016.
Langkah selanjutnya adalah membuat kamus tata letak. Perhatikan skrip berikut:
map_layout = dict(
title='World Population 2016',
geo=dict(showframe=False)
)
Dalam tata letak, satu-satunya parameter yang kami ubah adalah
showFramekunci untuk geokamus. Jika kunci ini disetel ke False, plot yang dihasilkan
tidak mengandung batas.
2021 Analisis Data

Selanjutnya, kita perlu membuat objek grafik Plotly dan meneruskannya baik
data maupun kamus tata letak yang kita buat, seperti yang ditunjukkan di bawah ini:
Sebagai langkah terakhir, kita perlu memanggil iplot()fungsi dan meneruskannya
ke objek grafik yang baru saja kita buat.
Outputnya akan terlihat seperti ini:
Pada output, Anda dapat melihat peta seluruh dunia beserta kepadatan
penduduknya. Anda dapat melihat bahwa peta India dan China lebih gelap
dibandingkan dengan negara-negara lain karena mereka jauh lebih banyak
penduduknya dibandingkan dengan negara-negara Eropa yang berpenduduk lebih
sedikit. Jika Anda mengarahkan mouse ke negara mana pun, Anda akan melihat
nama negara beserta total populasinya.
Mencari panduan yang lebih mendalam tentang Plotly dan pustaka visualisasi
Python lainnya? Lihat Visualisasi Data dengan Python untuk sumber daya yang hebat
di 9 perpustakaan paling populer di luar sana, termasuk fitur, kekuatan, dan nuansa
uniknya.
2021 Analisis Data

10.5 Kesimpulan
Plotly adalah pustaka Python yang sangat berguna untuk visualisasi data
interaktif. Pada artikel ini, kita melihat bagaimana kita dapat menggunakan Plotly
untuk memplot grafik dasar seperti plot sebar, plot garis, histogram, dan plot 3-D
dasar. Kami juga melihat bagaimana Plotly dapat digunakan untuk memplot plot
geografis menggunakan peta choropleth. Sebagai contoh, kami memplot plot
geografis untuk Amerika Serikat dan juga untuk seluruh dunia.
Saya menyarankan agar Anda menjelajahi perpustakaan choropleth dan
mencoba berlatih membuat beberapa plot geografis lagi, karena ada banyak fitur
untuk dijelajahi. Dokumentasi rinci untuk peta choropleth tersedia di tautan ini:
https://plot.ly/python/choropleth-maps/ .
10.6 Daftar Pustaka

https://stackabuse.com/using-plotly-library-for-interactive-
data-visualization-in-python/
https://plotly.com/python/
https://plotly.com/python/choropleth-maps/
2021 Analisis Data


AD Modul 10. Visualisasi Interaktif DGN Plotly

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

AD Modul 10. Visualisasi Interaktif DGN Plotly

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Visualisasi data dalam Sub-CPMK 4.4.

10.1 Menginstall Pustaka

10.2 Mengimpor Pustaka

2021 Analisis Data

10.3 Plot Dasar

Output dari skrip terlihat seperti berikut ini:

2021 Analisis Data

2021 Analisis Data

umum digunakan menggunakan Plotly.

2021 Analisis Data

dataset.iplot(kind='bar', x=['time', 'sex'],y='total_bill')

2021 Analisis Data

2021 Analisis Data

2021 Analisis Data

2021 Analisis Data

2021 Analisis Data

Dari output, Anda dapat melihat bahwa semakin total_billmeningkat, spread

2021 Analisis Data

10.4 Plot Geografis

Peta Geografis untuk Amerika Serikat

2021 Analisis Data

2021 Analisis Data

Peta Geografis untuk Amerika Serikat Menggunakan CSV

2021 Analisis Data

2021 Analisis Data

2021 Analisis Data

2021 Analisis Data

Perhatikan bahwa dalam script di atas kita melewati Trueuntuk showlakeskunci,

Peta Geografis untuk Dunia

2021 Analisis Data

2021 Analisis Data

2021 Analisis Data

10.6 Daftar Pustaka

2021 Analisis Data

Anda mungkin juga menyukai