Python-Plotly库实现数据动态可视化的示例代码_Python

plotly是一个强大的python可视化库，支持创建高质量的静态、动态和交互式图表。它特别擅长于绘制三维图形，能够直观地展示复杂的数据关系。本文将介绍如何使用plotly库实现函数的二维和三维可视化，并提供一些优美的三维函数示例。资源绑定附上完整资源供读者参考学习！

一、库的介绍

plotly提供了两种主要的api：

plotly express：简化的api，适合快速创建常见图表。
plotly graph objects：功能更强大和灵活，适用于复杂的自定义图表。

安装plotly库：

pip install plotly

二、常见函数示例

1. 二维函数示例

示例1：正弦函数

import plotly.graph_objects as go
import numpy as np

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

fig = go.figure(data=go.scatter(x=x, y=y, mode='lines'))
fig.update_layout(title='正弦函数', xaxis_title='x', yaxis_title='y')
fig.show()

效果展示

示例2：抛物线函数

import plotly.graph_objects as go
import numpy as np

y = np.linspace(-10, 10, 100)
x= y**2

fig = go.figure(data=go.scatter(x=x, y=y, mode='lines'))
fig.update_traces(line=dict(color='red'))
fig.update_layout(title='抛物线函数', xaxis_title='x', yaxis_title='y')
fig.show()

效果展示

2. 三维函数示例

示例1：三维曲面

import plotly.graph_objects as go
import numpy as np

x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

fig = go.figure(data=go.surface(z=z, x=x, y=y))

fig.update_layout(title='三维曲面', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

示例2：三维曲线

import plotly.graph_objects as go
import numpy as np
theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)
x = z * np.sin(theta)
y = z * np.cos(theta)

fig = go.figure(data=go.scatter3d(x=x, y=y, z=z, mode='lines'))
fig.update_traces(line=dict(color='orange', width=2))
fig.update_layout(title='三维曲线', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

三、优美的三维函数示例

示例1：球面函数

import plotly.graph_objects as go
import numpy as np

u = np.linspace(0, 2 * np.pi, 100)
v = np.linspace(0, np.pi, 100)
x = np.outer(np.cos(u), np.sin(v))
y = np.outer(np.sin(u), np.sin(v))
z = np.outer(np.ones(np.size(u)), np.cos(v))

fig = go.figure(data=go.surface(z=z, x=x, y=y, colorscale='reds'))
fig.update_layout(title='球面', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

示例2：莫比乌斯带

import plotly.graph_objects as go
import numpy as np

u = np.linspace(0, 2 * np.pi, 100)
v = np.linspace(-0.5, 0.5, 100)
u, v = np.meshgrid(u, v)
x = (1 + v * np.cos(u / 2)) * np.cos(u)
y = (1 + v * np.cos(u / 2)) * np.sin(u)
z = v * np.sin(u / 2)

fig = go.figure(data=go.surface(z=z, x=x, y=y, colorscale='rainbow'))
fig.update_layout(title='莫比乌斯带', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

四、动态和交互式图表示例

示例1：交互式按钮

import plotly.graph_objects as go

fig = go.figure()

# 添加多条折线
fig.add_trace(go.scatter(y=[2, 1, 3], name="line 1"))
fig.add_trace(go.scatter(y=[3, 2, 1], name="line 2"))

# 配置交互按钮
fig.update_layout(
    updatemenus=[
        dict(
            type="buttons",
            direction="right",
            buttons=[
                dict(label="show all", method="update", args=[{"visible": [true, true]}]),
                dict(label="show line 1", method="update", args=[{"visible": [true, false]}]),
                dict(label="show line 2", method="update", args=[{"visible": [false, true]}]),
            ],
        )
    ]
)

fig.show()

效果展示

示例2：webgl加速的大数据渲染

import plotly.express as px
import numpy as np

# 模拟大数据
np.random.seed(42)
x = np.random.rand(100_000)
y = np.random.rand(100_000)

# 使用webgl加速的散点图
fig = px.scatter(x=x, y=y, render_mode='webgl', title="webgl accelerated scatter plot")
fig.show()

效果展示

示例3：实时疫情数据仪表盘

from dash import dash, dcc, html, input, output
import plotly.graph_objects as go
import pandas as pd

# 模拟疫情数据
data = {
    "date": pd.date_range(start="2020-01-01", periods=100),
    "cases": [i ** 2 for i in range(100)],
    "deaths": [i * 5 for i in range(100)]
}
df = pd.dataframe(data)

app = dash(__name__)

app.layout = html.div([
    dcc.graph(id="graph"),
    dcc.slider(
        id="year-slider",
        min=0,
        max=len(df) - 1,
        value=0,
        marks={i: str(df["date"][i].date()) for i in range(0, len(df), 10)},
        step=none
    )
])


@app.callback(output("graph", "figure"), [input("year-slider", "value")])
def update_graph(selected_index):
    filtered_df = df.iloc[:selected_index + 1]

    # 使用go.scatter同时显示折线和数据点
    fig = go.figure()
    for col in ["cases", "deaths"]:
        fig.add_trace(go.scatter(
            x=filtered_df["date"],
            y=filtered_df[col],
            mode='lines+markers',
            marker=dict(size=8, color='red'),
            name=col
        ))

    fig.update_layout(title="covid-19 cases over time", xaxis_title="date", yaxis_title="value")
    return fig


if __name__ == "__main__":
    app.run(debug=true)

效果展示

五、plotly与matplotlib的比较

plotly和matplotlib都是python中广泛使用的可视化库，但它们在某些方面有所不同：

特性	plotly	matplotlib
交互性	生成交互式图表，支持缩放、悬停等	生成静态图表
易用性	api较为复杂，但提供了丰富的功能	api简单直观，适合初学者
适用场景	适合创建动态和交互式图表，如web应用	适合创建静态图表，如科学论文
学习曲线	较陡峭，需要时间熟悉api	较平缓，易于上手

通过这些比较，可以看出plotly和matplotlib各有优缺点，选择哪个库取决于你的具体需求。

六、函数参数用法总结

以下是plotly中常用函数的参数用法总结：

函数	参数	描述
`scatter`	`x, y`	绘制二维散点图或折线图
`scatter3d`	`x, y, z`	绘制三维散点图或曲线
`surface`	`x, y, z`	绘制三维曲面图
`bar3d`	`x, y, z, dx, dy, dz`	绘制三维条形图
`updatemenus`	`buttons, direction, type`	配置交互按钮
`render_mode`	`webgl`	使用webgl加速渲染