首页分享 Python Plotly 库使用教程

Python Plotly 库使用教程

来源：花匠小妙招时间：2025-01-11 23:13

Python Plotly 库使用教程

引言

数据可视化是数据分析中至关重要的一部分，它能够帮助我们更直观地理解数据、发现潜在的模式和趋势。Python 提供了多种数据可视化库，其中 Plotly 是一个功能强大且灵活的库，支持交互式图表的创建。与静态图表相比，Plotly 的交互性使得数据探索和分析更加直观和便捷。本文将详细介绍 Plotly 的基本用法、常见图表类型、样式定制以及如何与 Pandas 数据框结合使用，帮助你快速掌握 Plotly 的使用技巧。
在这里插入图片描述

1. 安装 Plotly

在开始之前，确保你已经安装了 Plotly。如果没有安装，可以使用以下命令进行安装：

pip install plotly 1

2. 导入库

在使用 Plotly 之前，我们需要导入必要的库。通常情况下，我们还会使用 Pandas 来处理数据：

import plotly.express as px import plotly.graph_objects as go import pandas as pd 123

3. Plotly 的基本结构

Plotly 提供了两种主要的 API：Plotly Express 和 Plotly Graph Objects。Plotly Express 是一个高层接口，适合快速创建常见图表；而 Plotly Graph Objects 则提供了更大的灵活性，适合创建复杂的图表。

3.1 使用 Plotly Express

Plotly Express 是一个简单易用的接口，适合快速绘制图表。以下是一个使用 Plotly Express 绘制散点图的示例：

# 加载示例数据集 df = px.data.iris() # 绘制散点图 fig = px.scatter(df, x='sepal_length', y='sepal_width', color='species', title='Iris Sepal Length vs Width') fig.show() 123456

在这里插入图片描述

3.2 使用 Plotly Graph Objects

如果需要更复杂的图表，可以使用 Plotly Graph Objects。以下是一个使用 Graph Objects 绘制条形图的示例：

# 创建数据 data = [go.Bar(x=['A', 'B', 'C'], y=[10, 20, 15])] # 创建图形对象 fig = go.Figure(data=data) # 设置图表标题 fig.update_layout(title='Bar Chart Example') # 显示图表 fig.show() 1234567891011

在这里插入图片描述

4. 常见图表类型

Plotly 支持多种类型的图表，以下是一些常见图表的示例。

4.1 散点图（Scatter Plot）

散点图用于显示两个变量之间的关系。使用 Plotly Express 可以很方便地创建散点图。

fig = px.scatter(df, x='sepal_length', y='sepal_width', color='species', size='petal_length', hover_data=['petal_width']) fig.show() 12 4.2 线图（Line Chart）

线图用于显示数据随时间变化的趋势。以下是一个使用 Plotly Express 绘制线图的示例：

# 创建示例数据 df_line = pd.DataFrame({ 'Year': [2016, 2017, 2018, 2019, 2020], 'Value': [10, 15, 20, 25, 30] }) # 绘制线图 fig = px.line(df_line, x='Year', y='Value', title='Line Chart Example') fig.show() 123456789

在这里插入图片描述

4.3 条形图（Bar Chart）

条形图用于比较不同类别的数值。以下是一个使用 Plotly Express 绘制条形图的示例：

fig = px.bar(df, x='species', y='sepal_length', title='Average Sepal Length by Species', color='species', barmode='group') fig.show() 123 4.4 饼图（Pie Chart）

饼图用于显示各部分占总体的比例。以下是一个使用 Plotly Express 绘制饼图的示例：

# 创建示例数据 df_pie = pd.DataFrame({ 'Labels': ['A', 'B', 'C'], 'Values': [10, 20, 30] }) # 绘制饼图 fig = px.pie(df_pie, values='Values', names='Labels', title='Pie Chart Example') fig.show() 123456789

在这里插入图片描述

4.5 热力图（Heatmap）

热力图用于展示数据的矩阵形式，常用于相关性分析。以下是一个使用 Plotly Express 绘制热力图的示例：

# 计算相关性矩阵 correlation = df.corr() # 绘制热力图 fig = px.imshow(correlation, title='Correlation Heatmap') fig.show() 123456

5. 样式定制

Plotly 提供了多种样式和主题，可以帮助我们美化图表。我们可以通过 update_layout() 方法进行定制。

5.1 修改图表标题和轴标签

fig.update_layout(title='Customized Scatter Plot', xaxis_title='Sepal Length', yaxis_title='Sepal Width') 1 5.2 修改颜色和样式

我们还可以通过 update_traces() 方法修改图表的颜色和样式。例如，改变散点图的大小和颜色：

fig.update_traces(marker=dict(size=10, line=dict(width=2, color='DarkSlateGrey'))) 1

6. 与 Pandas 数据框结合使用

Plotly 与 Pandas 数据框的结合使用使得数据处理和可视化变得更加方便。我们可以直接使用 Pandas 数据框作为 Plotly 的数据源。

示例：使用 Pandas 和 Plotly 绘制图表

下面是一个示例，展示如何使用 Pandas 数据框和 Plotly 绘制图表：

# 创建一个示例数据框 data = { 'Category': ['A', 'B', 'C', 'A', 'B', 'C'], 'Values': [10, 20, 15, 25, 30, 35] } df = pd.DataFrame(data) # 使用 Plotly 绘制条形图 fig = px.bar(df, x='Category', y='Values', title='Bar Chart of Values by Category') fig.show() 12345678910

7. 进阶用法

7.1 Dash

Dash 是 Plotly 提供的一个用于构建交互式 Web 应用的框架。通过 Dash，我们可以将 Plotly 图表嵌入到 Web 应用中，实现数据的动态交互。

7.2 3D 图表

Plotly 还支持绘制 3D 图表，例如 3D 散点图、3D 表面图等。以下是一个 3D 散点图的示例：

fig = px.scatter_3d(df, x='sepal_length', y='sepal_width', z='petal_length', color='species', title='3D Scatter Plot') fig.show() 12

8. 结论

Plotly 是一个强大的数据可视化库，能够帮助我们轻松地创建美观的交互式图表。通过本教程，我们学习了 Plotly 的基本用法、常见图表类型、样式定制以及与 Pandas 数据框的结合使用。希望这些内容能够帮助你在数据分析中更好地利用 Plotly 进行可视化。

参考资料

Plotly 官方文档Pandas 官方文档Dash 官方文档

如有任何问题或想法，请在评论区留言！通过不断学习和实践，你将能够更好地掌握 Plotly 的使用技巧，为数据分析增添色彩。

Python Plotly 库使用教程