Python Plotly 数据可视化：从基础到最佳实践

3. 实际应用示例

示例 1：销售仪表板

import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 创建子图
fig = make_subplots(
    rows=2, cols=2,
    subplot_titles=('月度销售额', '产品销售占比', '地区分布', '销售趋势'),
    specs=[[{'type': 'bar'}, {'type': 'pie'}], [{'type': 'choropleth'}, {'type': 'scatter'}]]
)

# 1. 柱状图：月度销售额
months = ['1 月', '2 月', '3 月', '4 月', '5 月', '6 月']
sales = [120, 135, 148, 165, 190, 210]
fig.add_trace(
    go.Bar(x=months, y=sales, name='销售额', marker_color='lightblue'),
    row=1, col=1
)

# 2. 饼图：产品占比
products = ['手机', '电脑', '平板', '配件']
percentages = [40, 30, 20, 10]
fig.add_trace(
    go.Pie(labels=products, values=percentages, hole=0.3),
    row=1, col=2
)

fig.update_layout(
    title_text='2023 年上半年销售仪表板',
    showlegend=True,
    height=800
)
fig.show()

示例 2：疫情数据地图

import plotly.express as px
import pandas as pd

# 模拟数据
data = {
    '城市': ['北京', '上海', '广州', '深圳', '成都', '武汉', '西安', '杭州'],
    '纬度': [39.9, 31.2, 23.1, 22.5, 30.6, 30.6, 34.3, 30.3],
    '经度': [116.4, 121.5, 113.3, 114.1, 104.1, 114.3, 108.9, 120.2],
    '病例数': [500, 800, 300, 400, 200, 600, 150, 350],
    '风险等级': ['高', '高', '中', '中', '低', '高', '低', '中']
}
df = pd.DataFrame(data)

# 创建气泡地图
fig = px.scatter_geo(df, lat='纬度', lon='经度', size='病例数', color='风险等级', 
                     hover_name='城市', projection='natural earth', 
                     title='全国疫情分布图', size_max=50, 
                     color_discrete_map={'高': 'red', '中': 'orange', '低': 'green'})
fig.show()

4. 编程最佳实践

实践 1：两种 API 的选择

• Plotly Express：适合简单图表，快速生成。
• Graph Objects：适合复杂定制，精细控制。

# 方法 1：Plotly Express（快速模式）
import plotly.express as px
fig = px.scatter(df, x='身高', y='体重', color='性别', size='年龄', hover_data=['姓名'])

# 方法 2：Graph Objects（专业模式）
import plotly.graph_objects as go
fig = go.Figure()
fig.add_trace(go.Scatter(
    x=df['身高'], y=df['体重'], mode='markers',
    marker=dict(size=df['年龄']/3, color=df['性别'].map({'男': 'blue', '女': 'pink'}), opacity=0.7),
    text=df['姓名'],
    hovertemplate='<b>%{text}</b><br>身高：%{x}cm<br>体重：%{y}kg'
))

实践 2：数据准备先行

import pandas as pd

def prepare_sales_data(raw_data):
    """整理销售数据"""
    df = pd.DataFrame(raw_data)
    df = df.dropna()
    df['销售额'] = df['单价'] * df['数量']
    monthly_sales = df.groupby('月份')['销售额'].sum().reset_index()
    return monthly_sales

sales_data = prepare_sales_data(raw_data)
fig = px.line(sales_data, x='月份', y='销售额')

实践 3：性能优化

当数据点很多时（超过一万条），可采取以下策略：

1. 抽样：large_df.sample(n=5000)
2. 聚合：将连续数据分箱后聚合。
3. WebGL 加速：使用 go.Scattergl。

fig = go.Figure(data=go.Scattergl(x=large_df['x'], y=large_df['y'], mode='markers'))

实践 4：可复用配置

MY_THEME = {
    'layout': {
        'font': {'family': 'Arial', 'size': 14},
        'plot_bgcolor': 'white',
        'paper_bgcolor': 'white',
        'title': {'x': 0.5, 'xanchor': 'center'},
        'margin': {'l': 50, 'r': 50, 't': 80, 'b': 50}
    },
    'colors': ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']
}

def create_chart(data, chart_type='line'):
    if chart_type == 'line':
        fig = px.line(data)
    elif chart_type == 'bar':
        fig = px.bar(data)
    fig.update_layout(**MY_THEME['layout'])
    return fig

5. 最佳使用场景

1. 数据探索与发现：在 Jupyter Notebook 中初步分析数据，交互式探索模式和异常。
2. 商业报告与演示：制作动态业务报告，客户可自行交互探索。
3. 仪表板应用：实时监控系统（搭配 Dash 框架），实时更新，多图表联动。
4. 科学研究：论文、研究报告中的复杂可视化，支持 3D、等高线等。

6. 常见陷阱与解决方案

• 过度复杂的图表：使用子图或仪表板分开显示。
• 忽略响应式设计：设置 autosize=True 和自适应 margin。
• 颜色使用不当：使用色盲友好调色板（如 px.colors.colorbrewer.Set3）。

总结

Plotly 让专业的数据可视化变得平民化：

• 简单任务：用 Plotly Express 快速搞定
• 复杂需求：用 Graph Objects 精细控制
• 交互需求：默认支持缩放、悬停、选择
• 分享需求：可以导出为 HTML、图片或嵌入网页

决策流程：

• 需要快速探索数据？→ Plotly Express
• 需要高度定制化？→ Graph Objects
• 需要实时交互仪表板？→ Plotly + Dash
• 需要嵌入网页？→ 导出为 HTML