说起做数据可视化 我以前总是用matplotlib画图。结果呢 每次给产品经理展示的时候 他们总说图表太死板了 能不能加点交互效果。那时候真的很头疼啊。

matplotlib确实强大 可交互性这块儿确实差点意思。后来接触到Plotly 整个世界都不一样了 原来Python也能做出这么酷炫的动态图表。

01

最开始用Plotly的时候 我就被它的交互性震撼到了。你想想 用户可以缩放 可以悬停查看数据 还能动态筛选 这种体验比静态图表好太多了吧。

Plotly本质上是个JavaScript库 但它提供了Python接口。

这意味着什么呢 我们可以用熟悉的Python语法 创建出前端级别的交互图表。而且生成的是HTML文件 可以直接在浏览器中打开 也能嵌入到web应用里。

import plotly.graph_objects as go

import plotly.express as px

import pandas as pd

# 创建一个简单的散点图

df = pd.read_csv('sales_data.csv')

fig = px.scatter(df， x='price'， y='sales'， 

                 color='category'， size='quantity'，

                 hover_data=['product_name'])

fig.show()

这几行代码就能生成一个完全交互式的散点图。

02

我在项目中发现 Plotly最大的优势就是它的声明式语法。你只需要描述你想要什么样的图表 而不用关心底层的DOM操作和事件绑定。

比如做时间序列图表的时候：

# 创建时间序列图表

fig = go.Figure()

# 添加数据线

fig.add_trace(go.Scatter(

    x=df['date']，

    y=df['value']，

    mode='lines+markers'，

    name='销售趋势'，

    hovertemplate='日期： %{x}<br>销售额： %{y}万元'

))

# 添加范围选择器

fig.update_layout(

    xaxis=dict(

        rangeselector=dict(

            buttons=list([

                dict(count=1， label="1个月"， step="month")，

                dict(count=6， label="6个月"， step="month")，

                dict(step="all")

            ])

        )，

        rangeslider=dict(visible=True)，

        type="date"

    )

)

看到没 这样就有了一个带时间轴滑块的图表。

用户可以直接拖拽选择时间范围 体验特别棒。以前用其他工具的话 这种功能得写一堆JavaScript代码呢。

03

说到实际应用 我最喜欢用Plotly做仪表板。有一次做销售数据分析项目 需要展示多维度的数据关系。

from plotly.subplots import make_subplots

# 创建子图布局

fig = make_subplots(

    rows=2， cols=2，

    subplot_titles=('销售趋势'， '地区分布'， '产品占比'， '客户分析')，

    specs=[[{"secondary_y"： True}， {"type"： "geo"}]，

           [{"type"： "pie"}， {"type"： "bar"}]]

)

# 添加各种图表

fig.add_trace(go.Scatter(x=dates， y=sales)， row=1， col=1)

fig.add_trace(go.Scattergeo(lat=lats， lon=lons)， row=1， col=2)

fig.add_trace(go.Pie(labels=products， values=amounts)， row=2， col=1)

fig.add_trace(go.Bar(x=customers， y=orders)， row=2， col=2)

# 更新布局

fig.update_layout(height=800， showlegend=False)

这样一个页面就能展示所有关键指标了。

最重要的是 每个图表都能单独交互 用户体验特别流畅。产品经理看了都说好 再也不用那种死板的Excel图表了。

偏偏有些细节需要注意。

04

性能优化这块儿 我踩过不少坑。数据量大的时候 如果不注意优化 浏览器会卡得要死。

最有效的几个技巧：

# 数据采样 - 大数据集先采样

if len(df) > 10000：

    df_sample = df.sample(n=5000)

else：

    df_sample = df

# 使用 WebGL 渲染器提升性能

fig = go.Figure()

fig.add_trace(go.Scattergl(  # 注意这里用的是 Scattergl

    x=df['x']， 

    y=df['y']，

    mode='markers'

))

# 关闭不必要的交互功能

fig.update_layout(

    dragmode=False，  # 关闭拖拽

    showlegend=False  # 关闭图例

)

还有就是输出格式的选择。

如果是要嵌入到网页里 用to_html()方法。如果是要分享给别人 直接用fig.write_html()保存成文件就行了。

05

现在我的工作流程基本是这样：用pandas处理数据 用Plotly做可视化 再配合Dash做web应用。

这套组合真的很强大 基本能满足所有数据可视化需求了。

学Plotly的话 建议从express模块开始 语法简单 功能够用。等熟练了再学graph_objects 那个更灵活但也更复杂。

最后说一句 数据可视化不只是画图 更重要的是讲故事。再炫酷的图表 如果不能传达有价值的信息 那也没意义。

Plotly给了我们工具 但怎么用好它 还得看我们对数据的理解和对用户需求的把握呢。

更多相关技术内容咨询欢迎前往并持续关注好学星城论坛了解详情。

想高效系统的学习Python编程语言，推荐大家关注一个微信公众号：Python编程学习圈。每天分享行业资讯、技术干货供大家阅读，关注即可免费领取整套Python入门到进阶的学习资料以及教程，感兴趣的小伙伴赶紧行动起来吧。