探索 Plotly：一个强大的交互式数据可视化库

标签：Plotly title df Sales sales 可视化 fig 交互式

探索 Plotly：一个强大的交互式数据可视化库

数据可视化是数据分析过程中不可或缺的一部分，它能帮助我们更直观地理解数据，发现数据中的趋势和规律。在众多可视化库中，Plotly 是一个非常强大的工具，它以其交互式、易用性和广泛的功能而备受欢迎。本文将为您介绍 Plotly 的核心功能及其在数据可视化中的应用。

---

什么是 Plotly？

Plotly 是一个基于 Python 的开源库，专注于交互式数据可视化。它的特点包括：

• 支持多种图表类型：如折线图、柱状图、散点图、饼图、热力图、地图等。
• 交互性强：生成的图表可以通过鼠标拖动、缩放、悬停等操作动态探索数据。
• 可导出为 HTML：可以将交互式图表嵌入网页。
• 易于集成：与 Pandas、NumPy 等数据处理工具无缝兼容。

---

安装与入门

首先，需要确保系统中安装了 Plotly：

pip install plotly

接下来，我们通过一个简单的例子来体验 Plotly 的基本用法。

---

创建一个简单的折线图

以下代码展示了如何用 Plotly 创建一个交互式折线图：

import plotly.graph_objects as go

# 数据
x = [1, 2, 3, 4, 5]
y = [10, 20, 15, 25, 30]

# 创建图形对象
fig = go.Figure(
    data=go.Scatter(x=x, y=y, mode='lines+markers', name='Example Line')
)

# 添加标题
fig.update_layout(
    title="Simple Line Chart with Plotly",
    xaxis_title="X Axis",
    yaxis_title="Y Axis"
)

# 显示图表
fig.show()

执行这段代码后，你会看到一个可以缩放和悬停查看数据点的折线图。

---

用 Pandas 数据快速绘图

当我们处理结构化数据时，通常会用 Pandas DataFrame 作为数据源。Plotly 与 Pandas 的结合可以让绘图更加便捷。例如：

import pandas as pd
import plotly.express as px

# 创建示例 DataFrame
data = {
    "Year": [2018, 2019, 2020, 2021],
    "Sales": [200, 300, 400, 500],
    "Profit": [50, 80, 100, 120]
}
df = pd.DataFrame(data)

# 使用 Plotly Express 绘制柱状图
fig = px.bar(
    df,
    x="Year",
    y="Sales",
    color="Profit",
    title="Sales and Profit by Year"
)

fig.show()

Plotly Express 是 Plotly 提供的一个高层 API，支持快速创建图表，非常适合用来生成简单的分析图。

---

高级应用：多子图布局

对于更复杂的场景，我们可能需要在同一张画布上展示多个图表。Plotly 提供了方便的子图功能：

from plotly.subplots import make_subplots

# 创建一个包含两个子图的布局
fig = make_subplots(rows=1, cols=2, subplot_titles=("Line Chart", "Bar Chart"))

# 添加第一个子图
fig.add_trace(
    go.Scatter(x=[1, 2, 3], y=[10, 20, 30], mode="lines", name="Line"),
    row=1, col=1
)

# 添加第二个子图
fig.add_trace(
    go.Bar(x=["A", "B", "C"], y=[5, 15, 10], name="Bar"),
    row=1, col=2
)

# 更新布局
fig.update_layout(title="Subplots Example")

fig.show()

这段代码创建了一个包含折线图和柱状图的复合图表。

---

使用 Plotly 实现地图可视化

Plotly 还支持地理可视化，例如显示地理分布的散点图或热力图。以下是一个示例：

import plotly.express as px

# 使用自带数据集
df = px.data.gapminder()

# 绘制气泡地图
fig = px.scatter_geo(
    df.query("year == 2007"),
    locations="iso_alpha",
    size="pop",
    color="continent",
    hover_name="country",
    projection="natural earth",
    title="World Population in 2007"
)

fig.show()

这种地图非常适合展示具有地理属性的数据。

---

优势与总结

Plotly 的核心优势在于：

1. 交互性：使数据分析更加生动。
2. 兼容性：可与 Pandas、NumPy 等数据处理库无缝协作。
3. 跨平台性：支持在 Jupyter Notebook、网页和桌面应用中运行。

Plotly 实战：从数据分析到交互式仪表盘

理论结合实际，才能真正掌握工具的强大之处。在本节中，我们将以一个真实的数据分析任务为例，完整展示如何利用 Plotly 创建交互式图表，并最终构建一个动态仪表盘。

---

实战场景

假设我们拥有一个电商销售数据集，数据包括：

• 订单日期：订单发生的时间
• 销售额：订单的总金额
• 类别：商品的种类
• 地区：销售发生的地区

我们将完成以下任务：

1. 分析每月销售趋势。
2. 比较不同类别的销售贡献。
3. 展示地区销售分布。
4. 构建交互式仪表盘。

---

数据准备

首先，我们创建一个虚拟的数据集：

import pandas as pd
import numpy as np

# 生成示例数据
np.random.seed(42)
dates = pd.date_range(start="2023-01-01", end="2023-12-31", freq="D")
data = {
    "Order Date": np.random.choice(dates, 500),
    "Sales": np.random.randint(100, 1000, size=500),
    "Category": np.random.choice(["Electronics", "Clothing", "Home Appliances"], 500),
    "Region": np.random.choice(["North", "South", "East", "West"], 500)
}
df = pd.DataFrame(data)

# 确认数据结构
print(df.head())

我们将使用这个数据集完成后续可视化任务。

---

分析每月销售趋势

首先，计算每月的销售总额，并绘制折线图：

import plotly.express as px

# 数据预处理
df['Order Date'] = pd.to_datetime(df['Order Date'])
df['Month'] = df['Order Date'].dt.to_period('M')
monthly_sales = df.groupby('Month')['Sales'].sum().reset_index()

# 绘制折线图
fig = px.line(
    monthly_sales,
    x='Month',
    y='Sales',
    title='Monthly Sales Trend',
    labels={'Month': 'Month', 'Sales': 'Total Sales'}
)

fig.update_traces(mode='lines+markers')  # 添加点标记
fig.show()

图表展示了每月销售总额的变化趋势，便于发现旺季和淡季。

---

比较不同类别的销售贡献

利用饼图展示不同商品类别的销售占比：

# 计算各类别销售额
category_sales = df.groupby('Category')['Sales'].sum().reset_index()

# 绘制饼图
fig = px.pie(
    category_sales,
    names='Category',
    values='Sales',
    title='Sales Contribution by Category',
    hole=0.3  # 创建环形图
)

fig.show()

饼图清晰地反映了各商品类别对总销售的贡献比例。

---

展示地区销售分布

用条形图展示不同地区的销售额：

# 计算各地区销售额
region_sales = df.groupby('Region')['Sales'].sum().reset_index()

# 绘制柱状图
fig = px.bar(
    region_sales,
    x='Region',
    y='Sales',
    color='Region',
    title='Sales by Region',
    text='Sales'
)

fig.update_layout(xaxis_title="Region", yaxis_title="Total Sales")
fig.show()

条形图显示了各地区的销售水平，为制定区域策略提供参考。

---

构建交互式仪表盘

将上述图表整合到一个交互式仪表盘中：

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

# 创建子图布局
fig = make_subplots(
    rows=2, cols=2,
    specs=[[{"type": "xy"}, {"type": "domain"}], [{"type": "xy"}, None]],
    subplot_titles=("Monthly Sales Trend", "Sales by Category", "Sales by Region")
)

# 子图1：折线图 - 月销售趋势
fig.add_trace(
    go.Scatter(x=monthly_sales['Month'].astype(str), y=monthly_sales['Sales'], mode='lines+markers', name="Monthly Sales"),
    row=1, col=1
)

# 子图2：饼图 - 类别销售占比
fig.add_trace(
    go.Pie(labels=category_sales['Category'], values=category_sales['Sales'], hole=0.3, name="Category Sales"),
    row=1, col=2
)

# 子图3：柱状图 - 区域销售分布
fig.add_trace(
    go.Bar(x=region_sales['Region'], y=region_sales['Sales'], name="Region Sales"),
    row=2, col=1
)

# 更新布局
fig.update_layout(
    title="Interactive Sales Dashboard",
    showlegend=False,
    height=800
)

fig.show()

---

总结

通过以上步骤，我们利用 Plotly 完成了从单图表绘制到仪表盘构建的全过程。在实战中，Plotly 的交互性和灵活性使得它非常适合处理复杂的数据可视化需求，尤其是需要动态探索数据时。

下一步，您可以尝试：

1. 将数据动态更新，构建实时仪表盘。
2. 添加下拉菜单或滑块，实现数据过滤和交互功能。
3. 将图表导出为 HTML 嵌入到您的报告或网页中。

Plotly 是数据分析师和工程师不可或缺的工具，赶快动手试试吧！

标签：Plotly,title,df,Sales,sales,可视化,fig,交互式
From： https://blog.csdn.net/liaoqingjian/article/details/144566263