跳到主要内容

交互式可视化

选修内容

本节为选修内容。如果你时间有限，可以先跳过，需要时再回来学。但建议至少浏览一遍，了解交互式图表的能力。

学习目标​

  • 理解静态图 vs 交互图的区别
  • 掌握 Plotly Express 快速绑图
  • 了解交互式仪表盘的概念

为什么需要交互式图表？​

对比静态图（Matplotlib/Seaborn）交互图（Plotly）
鼠标悬停不支持显示详细数据
缩放拖动不支持自由缩放和平移
数据筛选不支持可点击图例隐藏/显示
导出保存为图片图片 + HTML 网页
使用场景论文、报告数据探索、网页展示

安装与导入​

# 安装
# pip install plotly

# Plotly Express：快速绑图（推荐）
import plotly.express as px

# Plotly Graph Objects：更底层的控制
import plotly.graph_objects as go

import pandas as pd
import numpy as np

Plotly Express 快速入门​

Plotly Express 是 Plotly 的高级接口，一行代码就能创建漂亮的交互式图表。

散点图​

# 使用内置数据集
df = px.data.iris()

fig = px.scatter(df, x="sepal_width", y="sepal_length",
                 color="species",        # 按物种分颜色
                 size="petal_length",     # 用花瓣长度控制点大小
                 hover_data=["petal_width"],  # 悬停显示花瓣宽度
                 title="鸢尾花数据集 - 交互式散点图")
fig.show()

运行后，你会看到一个可以悬停、缩放、拖动的图表！

折线图​

df = px.data.gapminder()
# 筛选中国、美国、日本的数据
countries = df[df["country"].isin(["China", "United States", "Japan"])]

fig = px.line(countries, x="year", y="gdpPercap",
              color="country",
              title="中美日人均 GDP 变化",
              labels={"gdpPercap": "人均 GDP（美元）", "year": "年份", "country": "国家"})
fig.show()

柱状图​

df = px.data.tips()

fig = px.bar(df, x="day", y="total_bill", color="sex",
             barmode="group",          # "group" 分组, "stack" 堆叠
             title="各日消费（按性别分组）",
             labels={"total_bill": "消费金额", "day": "星期", "sex": "性别"})
fig.show()

直方图​

df = px.data.tips()

fig = px.histogram(df, x="total_bill", color="time",
                   nbins=20,
                   marginal="box",    # 边际图："box", "violin", "rug"
                   title="消费金额分布（带边际箱线图）")
fig.show()

箱线图​

df = px.data.tips()

fig = px.box(df, x="day", y="total_bill", color="smoker",
             notched=True,             # 带缺口的箱线图
             title="各日消费分布（按是否吸烟）")
fig.show()

饼图 / 甜甜圈图​

# 饼图
fig = px.pie(df, names="day", values="total_bill",
             title="各日消费占比",
             hole=0.3)  # hole > 0 变成甜甜圈图
fig.show()

进阶图表​

热力图​

# 计算相关系数
df = px.data.iris()
numeric_cols = df.select_dtypes(include="number")
corr = numeric_cols.corr()

fig = px.imshow(corr, text_auto=".2f",
                color_continuous_scale="RdBu_r",
                title="鸢尾花特征相关性热力图")
fig.show()

3D 散点图​

df = px.data.iris()

fig = px.scatter_3d(df, x="sepal_length", y="sepal_width", z="petal_length",
                    color="species",
                    title="鸢尾花 3D 散点图（可旋转！）")
fig.show()

你可以用鼠标拖动旋转这个 3D 图，从不同角度观察数据。

动画图表​

df = px.data.gapminder()

fig = px.scatter(df, x="gdpPercap", y="lifeExp",
                 size="pop", color="continent",
                 hover_name="country",
                 animation_frame="year",      # 按年份播放动画
                 animation_group="country",
                 log_x=True,
                 range_x=[100, 100000],
                 range_y=[25, 90],
                 title="各国发展轨迹（1952-2007）")
fig.show()

点击播放按钮，可以看到各国在不同年份的变化。这就是著名的 Hans Rosling 气泡图。

图表定制​

更新布局​

fig = px.scatter(px.data.iris(), x="sepal_width", y="sepal_length",
                 color="species")

fig.update_layout(
    title=dict(text="自定义标题", font=dict(size=20)),
    xaxis_title="萼片宽度 (cm)",
    yaxis_title="萼片长度 (cm)",
    template="plotly_white",      # 模板主题
    width=800,
    height=500,
    legend_title="品种"
)

fig.show()

常用模板​

模板名风格
"plotly"默认蓝色背景
"plotly_white"白底（推荐）
"plotly_dark"深色背景
"ggplot2"R ggplot 风格
"simple_white"极简白底

保存图表​

# 保存为交互式 HTML
fig.write_html("my_chart.html")

# 保存为静态图片（需安装 kaleido）
# pip install kaleido
fig.write_image("my_chart.png", scale=2)
fig.write_image("my_chart.svg")

Plotly vs Matplotlib vs Seaborn​

特性MatplotlibSeabornPlotly
交互性无无强
美观度一般好好
学习难度中低低
定制能力极强中强
输出格式图片/PDF图片/PDFHTML/图片
适合场景论文/精细控制快速统计图数据探索/展示

交互式仪表盘简介​

在实际工作中，你可能需要将多个交互式图表组合成一个仪表盘（Dashboard）。

常用工具：

工具特点
Plotly DashPython 代码构建，功能强大
Streamlit最简单，几行代码就能做应用
GradioAI 模型演示专用
PanelJupyter 生态集成好

一个简单的 Dash 示例（了解即可）：

# pip install dash
from dash import Dash, html, dcc
import plotly.express as px

app = Dash(__name__)

df = px.data.gapminder().query("year == 2007")
fig = px.scatter(df, x="gdpPercap", y="lifeExp", size="pop",
                 color="continent", hover_name="country", log_x=True)

app.layout = html.Div([
    html.H1("世界发展指标仪表盘"),
    dcc.Graph(figure=fig)
])

# 运行：python app.py，然后打开 http://127.0.0.1:8050
# app.run(debug=True)
后续课程

仪表盘的详细开发不在本阶段范围。后续项目阶段会有实战练习。

小结​

Plotly Express 函数图表类型
px.scatter()散点图
px.line()折线图
px.bar()柱状图
px.histogram()直方图
px.box()箱线图
px.pie()饼图
px.imshow()热力图
px.scatter_3d()3D 散点图

Plotly 的核心优势就是交互——鼠标悬停查看数据、缩放细看局部、动画展示变化。在数据探索和结果展示时非常好用。

动手练习​

练习 1：交互式探索​

# 加载 gapminder 数据集
# 1. 用 px.scatter 画出 2007 年各国 gdpPercap vs lifeExp 的关系
#    - 用 pop 控制点大小，continent 控制颜色
#    - 悬停显示 country
# 2. 用 px.line 画出中国 1952-2007 年的 lifeExp 变化

练习 2：数据分布​

# 加载 tips 数据集
# 1. 用 px.histogram 画消费金额分布，用 marginal="violin" 添加边际图
# 2. 用 px.box 按星期比较消费金额

练习 3：动画图​

# 用 gapminder 数据集制作动画散点图
# 展示 1952-2007 年各国 gdpPercap vs lifeExp 的变化
# 用 animation_frame="year"