我要评论引言
plotly是一款用来做数据分析和可视化的在线平台，功能真的是非常强大，它主要有以下特点：
- 图形多样化：在线绘制多种图形，比如柱状图、饼图、直方图、饼图、气泡图、桑基图、股票图、旭日图、联合分布图、地图等
- 在线可编辑：plotly中有在线编辑的平台，可以将生成的图形保存到该平台，并进行分享
- 开源免费：plotly的所有资源都是开源免费的，用户可直接使用，还可以直接和r、python、matlab等软件或者语言无缝对接
- 图形动态化：plotly生成的图形全部是动态化；plotly的绘图最好在jupyter notebook中进行，能够很好地显示动态效果
- 颜色绚丽：在使用plotly绘制图形的时候，我们可以进行图形颜色的设置，plotly提供了丰富的颜色面板供选择
- 代码量少：plotly绘图，尤其是plotly的高级封装plotly_express，代码量非常少；一行代码就能实现多种功能且精美的图形
- 内置丰富数据集：在plotly中内置7个不同类型的数据集，方便读者直接使用内置数据进行学习、使用
- 文档健全：plotly官方提供了丰富的文档资料和案例可免费学习，能够快速的上手
- 附录：在官网中展示了plotly能够绘制的部分图形：https://plotly.com/python/
本文将以plotly为主介绍python中制作交互式图表的典型用法和高级技巧。
核心概念
1. 图表部件编程（updatemenus/sliders）
通过 updatemenus 和 sliders 实现动态交互功能，例如切换数据视图或调整参数。
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 updatemenus
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：按钮组允许用户切换显示不同的折线。
2. webgl加速的大数据渲染
plotly 支持 webgl 渲染，适合处理大规模数据集。
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：即使数据量达到 10 万点，图表依然流畅。
3. dash回调链设计模式
dash 是 plotly 的框架，用于构建交互式仪表盘。通过回调链实现复杂交互逻辑。
from dash import dash, dcc, html, input, output
app = dash(__name__)
app.layout = html.div([
dcc.input(id="input", value="hello plotly!", type="text"),
html.div(id="output")
])
@app.callback(output("output", "children"), [input("input", "value")])
def update_output(value):
return f"you entered: {value}"
if __name__ == "__main__":
app.run_server(debug=true)
效果：输入框内容实时更新到输出区域。
4. 图表主题与模板系统
plotly 提供丰富的主题和模板，可快速定制图表风格。
import plotly.express as px
df = px.data.gapminder().query("continent=='oceania'")
fig = px.line(df, x="year", y="lifeexp", color="country", template="plotly_dark")
fig.show()
效果：深色主题的折线图，适合夜间模式。
实战案例
1. 实时疫情数据仪表盘开发
结合 dash 和 plotly 构建实时疫情数据仪表盘。
from dash import dash, dcc, html, input, output
import plotly.express as px
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]
fig = px.line(filtered_df, x="date", y=["cases", "deaths"], title="covid-19 cases over time")
return fig
if __name__ == "__main__":
app.run_server(debug=true)
效果：滑块控制时间轴，动态展示疫情数据变化。
2. 3d体素可视化与机器学习特征空间展示
使用 plotly 绘制 3d 体素图，展示机器学习特征空间。
import plotly.graph_objects as go
import numpy as np
# 创建 3d 体素数据
x, y, z = np.indices((8, 8, 8))
cube1 = (x < 3) & (y < 3) & (z < 3)
cube2 = (x >= 5) & (y >= 5) & (z >= 5)
voxelarray = cube1 | cube2
colors = np.empty(voxelarray.shape, dtype=object)
colors[cube1] = 'blue'
colors[cube2] = 'red'
# 绘制 3d 体素图
fig = go.figure(data=go.volume(
x=x.flatten(),
y=y.flatten(),
z=z.flatten(),
value=voxelarray.flatten(),
colorscale=["blue", "red"],
opacity=0.2,
surface_count=17
))
fig.show()
效果：3d 空间中两个立方体的体素可视化。
扩展思考
1. plotly与three.js的深度集成
plotly 的底层基于 webgl，可以与 three.js 深度集成，用于更复杂的 3d 可视化场景。
// 示例：three.js 与 plotly 结合的伪代码 // 在 three.js 场景中嵌入 plotly 图表
2. 图表交互行为的a/b测试设计
通过 a/b 测试优化图表交互行为，提升用户体验。
# 示例：记录用户点击行为
from dash import dash, dcc, html
import dash_bootstrap_components as dbc
app = dash(__name__, external_stylesheets=[dbc.themes.bootstrap])
app.layout = html.div([
dcc.graph(id="graph", figure=px.bar(x=[1, 2, 3], y=[3, 2, 1])),
html.button("option a", id="button-a"),
html.button("option b", id="button-b"),
html.div(id="output")
])
@app.callback(output("output", "children"), [input("button-a", "n_clicks"), input("button-b", "n_clicks")])
def update_output(clicks_a, clicks_b):
return f"option a clicks: {clicks_a or 0}, option b clicks: {clicks_b or 0}"
if __name__ == "__main__":
app.run_server(debug=true)
效果：记录用户对不同选项的偏好。
通过掌握这些核心概念和实战案例，您将能够创建出功能强大、交互性强的数据可视化作品。
以上就是python使用plotly制作交互式图表的操作指南的详细内容，更多关于python plotly交互式图表的资料请关注代码网其它相关文章！
发表评论