Plotly 是一个强大的 Python 交互式可视化库，可以创建丰富的、可交互的图表。Plotly Express (px) 是其高级接口，简化了许多常见图表类型的创建过程。

1. Plotly 主要特点 #

1. 交互性：所有图表都是交互式的，支持缩放、平移、悬停查看数据等
2. 多样化图表：支持超过40种图表类型
3. 美观默认样式：自动应用专业设计的配色和布局
4. 多平台支持：可在 Jupyter Notebook、Dash 应用和静态HTML中工作
5. 3D支持：轻松创建3D可视化

2. Plotly Express 基本使用 #

2.1 基本图表创建 #

如何使用 Plotly Express 创建最基础的交互式散点图。首先导入库，加载内置数据集，然后绘制并显示图表。适用于数据探索和可视化入门。

# 导入 Plotly Express 库
import plotly.express as px

# 使用内置鸢尾花数据集
df = px.data.iris()

# 创建散点图，x轴为萼片宽度，y轴为萼片长度，按种类着色
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species")
# 显示图表
fig.show()

2.2 常用图表类型 #

Plotly Express 支持的多种常用图表类型，包括折线图、柱状图、直方图、箱线图、散点矩阵图和3D散点图。每种图表都适用于不同的数据分析场景。

# 折线图，适合时间序列或趋势分析
gx_line = px.line(df, x="date", y="value", color="category")

# 柱状图，适合分类数据对比
gx_bar = px.bar(df, x="category", y="value", color="sub_category")

# 直方图，适合分布分析
gx_hist = px.histogram(df, x="value", nbins=30)

# 箱线图，适合统计分布和异常值分析
gx_box = px.box(df, x="group", y="value")

# 散点矩阵图，适合多变量相关性分析
gx_matrix = px.scatter_matrix(df, dimensions=["col1", "col2", "col3"], color="category")

# 3D散点图，适合三维空间数据可视化
gx_3d = px.scatter_3d(df, x="x", y="y", z="z", color="category")

3. 图表定制化 #

3.1 布局调整 #

图表布局调整可以自定义标题、坐标轴、字体、悬停模式等，提升图表的专业性和美观度。

# 更新图表布局，设置主标题、坐标轴标题、字体和悬停模式
fig.update_layout(
    # 设置图表主标题
    title="自定义标题",
    # 设置X轴标题
    xaxis_title="X轴标题",
    # 设置Y轴标题
    yaxis_title="Y轴标题",
    # 设置全局字体样式
    font=dict(family="Arial", size=12, color="darkblue"),
    # 设置悬停提示模式
    hovermode="x unified"
)

3.2 样式调整 #

通过 update_traces 可以调整图表的标记点样式，如大小、边框等，增强视觉效果。

# 更新图表标记点样式
fig.update_traces(
    # 设置标记点大小和边框
    marker=dict(size=12, line=dict(width=2, color="DarkSlateGrey")),
    # 只应用于散点图
    selector=dict(mode="markers")
)

3.3 子图创建 #

通过 make_subplots 可以将多个图表组合在一个画布上，适合多视图对比分析。

# 导入子图和基础图形对象
from plotly.subplots import make_subplots
import plotly.graph_objects as go

# 创建1行2列的子图布局
fig = make_subplots(rows=1, cols=2)

# 添加折线图到第1列
fig.add_trace(go.Scatter(x=[1,2,3], y=[4,5,6]), row=1, col=1)
# 添加柱状图到第2列
fig.add_trace(go.Bar(x=[1,2,3], y=[6,5,4]), row=1, col=2)

# 显示子图
fig.show()

4. 高级功能 #

4.1 动画图表 #

动画图表可以展示数据随时间或其他变量的动态变化，适合演示趋势和演化过程。

# 创建带动画的散点图，animation_frame 控制动画帧
px.scatter(df, x="gdp", y="life_exp", animation_frame="year", 
           size="pop", color="continent", hover_name="country")

4.2 地图可视化 #

地图可视化适合展示地理分布数据，支持动态变化。

# 创建动态地理热力图，locations 指定国家，color 指定数值
px.choropleth(df, locations="iso_alpha", color="value", 
              hover_name="country", animation_frame="year")

4.3 与 Pandas 集成 #

Plotly 可直接与 Pandas 数据框集成，支持多列同时绘图。

# 导入 pandas 库
import pandas as pd
# 读取本地 CSV 文件
df = pd.read_csv("data.csv")
# 绘制多列折线图
px.line(df, x="date", y=df.columns[1:])

5. 输出与分享 #

5.1 保存图表 #

Plotly 图表可以导出为 HTML 或图片，便于分享和嵌入网页。

# 保存为HTML文件
fig.write_html("chart.html")

# 保存为图片（需安装 orca 或 kaleido）
fig.write_image("chart.png")

5.2 在Dash中使用 #

Plotly 图表可无缝集成到 Dash Web 应用中，实现交互式数据展示。

# 导入 Dash 相关库
from dash import Dash, dcc, html

# 创建 Dash 应用
app = Dash(__name__)
# 设置页面布局，嵌入 Plotly 图表
app.layout = html.Div([dcc.Graph(figure=fig)])
# 启动服务器
app.run_server(debug=True)

6. 学习资源 #

1. 官方文档：https://plotly.com/python/
2. 图表示例库：https://plotly.com/python-api-reference/
3. GitHub仓库：https://github.com/plotly/plotly.py

Plotly 特别适合需要交互式可视化的场景，相比 Matplotlib 和 Seaborn，它在动态展示和网页集成方面有显著优势。