数据可视化数据分析【免费下载链接】plotly.pyThe interactive graphing library for Python :sparkles:项目地址https://gitcode.com/gh_mirrors/pl/plotly.py点击查看免费下载本篇技术指南聚焦 Plotly 的 figure factory 模块在子图subplot场景下的使用方法。由于图工厂函数如create_quiver、create_streamline、create_table返回的是完整独立的 Figure 对象无法像普通 trace 一样直接放入make_subplots网格因此需要一套特殊的坐标轴重组技巧。读完本文你将掌握「先创建图工厂图 → 重映射 x/y 坐标轴 → 合并 data 与 layout」的完整工作流能够自由组合矢场图、流线图与数据表格构建横排、竖排乃至任意网格布局的多面板图。为什么图工厂图需要特殊的子图处理Plotly 的 Python API 中包含一个 figure factory 模块它提供了一批包装函数用于创建尚未内置于 plotly.js 中的特殊图表类型。图工厂函数返回的是一个完整的 Figure 对象plotly.graph_objs.Figure因此像子图subplot这类依赖网格布局的功能需要以略微不同的方式实现。从当前仓库的 plotly/figure_factory/init.py 可以看到plotly.figure_factory模块导出了以下工厂函数工厂函数图表类型依赖create_dendrogram树状图numpycreate_quiver矢量场quiver图numpycreate_streamline流线图numpycreate_table表格numpy可选 pandascreate_trisurf三角剖分曲面numpycreate_hexbin_map六边形分箱地图numpy pandascreate_ternary_contour三元等高线numpy scikit-image其中create_quiver、create_streamline和create_table是子图组合中最常用的三个工厂函数。关键区别在于普通 trace如go.Scatter、go.Bar只是data列表中的一个元素可以自由指定xaxis/yaxis归属而图工厂函数内部已经生成了完整的Figure(data, layout)坐标轴名称、布局域domain都已确定想要放入子图就必须手动重组。核心思路手动重映射坐标轴后合并 Figure图工厂子图的基本流程分为三步分别创建每个图工厂图fig1、fig2……改写坐标轴引用把每个 trace 的xaxis/yaxis指向新坐标轴名如x1/y1、x2/y2并在layout中初始化这些坐标轴、设置各自的domain归一化画布上的位置区间和anchor锚定关系合并用go.Figure()新建空图通过add_traces加入各图的data再通过layout.update依次合并各图的layout。示例一垂直布局的 Quiver 与 Streamline首先创建两个要放进子图的图工厂图import plotly.figure_factory as ff import plotly.graph_objects as go import numpy as np ## Create first figure x1, y1 np.meshgrid(np.arange(0, 2, .2), np.arange(0, 2, .2)) u1 np.cos(x1) * y1 v1 np.sin(x1) * y1 fig1 ff.create_quiver(x1, y1, u1, v1, nameQuiver) ## Create second figure x np.linspace(-3, 3, 100) y np.linspace(-3, 3, 100) Y, X np.meshgrid(x, y) u -1 - X**2 Y v 1 X - Y**2 fig2 ff.create_streamline(x, y, u, v, arrow_scale.1, nameStreamline)接着编辑两张图的 x/y 轴属性来构成子图。核心操作是把每个 trace 的xaxis/yaxis改成显式的坐标轴名然后为该坐标轴设置anchor与domainfor i in range(len(fig1.data)): fig1.data[i].xaxis x1 fig1.data[i].yaxis y1 fig1.layout.xaxis1.update({anchor: y1}) fig1.layout.yaxis1.update({anchor: x1, domain: [.55, 1]}) for i in range(len(fig2.data)): fig2.data[i].xaxis x2 fig2.data[i].yaxis y2 # initialize xaxis2 and yaxis2 fig2[layout][xaxis2] {} fig2[layout][yaxis2] {} fig2.layout.xaxis2.update({anchor: y2}) fig2.layout.yaxis2.update({anchor: x2, domain: [0, .45]})最后合并 data 与 layout得到完整图形fig go.Figure() fig.add_traces([fig1.data[0], fig2.data[0]]) fig.layout.update(fig1.layout) fig.layout.update(fig2.layout) fig.show()要点解读domain: [0.55, 1]与domain: [0, 0.45]把两张图分别放在画布的上半区与下半区实现垂直堆叠anchor用于指定坐标轴彼此锚定xaxis1锚定y1、yaxis1锚定x1两个坐标轴互为锚定对象图表才会被正确放置由于图工厂的layout中原本只包含默认的xaxis/yaxis直接访问fig2.layout.xaxis2之前必须先用fig2[layout][xaxis2] {}显式初始化否则会因属性不存在而报错。实战扩展一水平布局的表格 折线图图工厂的create_table非常适合与普通 trace 混排。下面把一张冰球联赛统计表放在左侧把折线图放在右侧import plotly.graph_objects as go import plotly.figure_factory as ff table_data [[Team, Wins, Losses, Ties], [MontréalbrCanadiens, 18, 4, 0], [Dallas Stars, 18, 5, 0], [NY Rangers, 16, 5, 0], [BostonbrBruins, 13, 8, 0], [ChicagobrBlackhawks, 13, 8, 0], [LA Kings, 13, 8, 0], [OttawabrSenators, 12, 5, 0]] fig ff.create_table(table_data, height_constant60) teams [Montréal Canadiens, Dallas Stars, NY Rangers, Boston Bruins, Chicago Blackhawks, LA Kings, Ottawa Senators] GFPG [3.54, 3.48, 3.0, 3.27, 2.83, 2.45, 3.18] GAPG [2.17, 2.57, 2.0, 2.91, 2.57, 2.14, 2.77] trace1 go.Scatter(xteams, yGFPG, markerdict(color#0099ff), nameGoals ForbrPer Game, xaxisx2, yaxisy2) trace2 go.Scatter(xteams, yGAPG, markerdict(color#404040), nameGoals AgainstbrPer Game, xaxisx2, yaxisy2) fig.add_traces([trace1, trace2]) # initialize xaxis2 and yaxis2 fig[layout][xaxis2] {} fig[layout][yaxis2] {} # Edit layout for subplots fig.layout.xaxis.update({domain: [0, .5]}) fig.layout.xaxis2.update({domain: [0.6, 1.]}) # The graphs yaxis MUST BE anchored to the graphs xaxis fig.layout.yaxis2.update({anchor: x2}) fig.layout.yaxis2.update({title: Goals}) # Update the margins to add a title and see graph x-labels. fig.layout.margin.update({t: 50, b: 100}) fig.layout.update({title: 2016 Hockey Stats}) fig.show()注意这里 table 是直接由ff.create_table(table_data, height_constant60)生成的 Figure其 trace 默认使用x1/y1所以无需新建空 Figure随后用fig.add_traces([trace1, trace2])把两个折线 trace 追加进去并把它们指向新初始化的x2/y2。表格占用xaxis的domain: [0, .5]左半折线图占用xaxis2的domain: [0.6, 1.]右半。实战扩展二垂直布局的表格 柱状图若想把表格放在上方、图表放在下方则改为操纵yaxis的domainimport plotly.graph_objects as go import plotly.figure_factory as ff # Add table data table_data [[Team, Wins, Losses, Ties], [MontréalbrCanadiens, 18, 4, 0], [Dallas Stars, 18, 5, 0], [NY Rangers, 16, 5, 0], [BostonbrBruins, 13, 8, 0], [ChicagobrBlackhawks, 13, 8, 0], [OttawabrSenators, 12, 5, 0]] # Initialize a figure with ff.create_table(table_data) fig ff.create_table(table_data, height_constant60) # Add graph data teams [Montréal Canadiens, Dallas Stars, NY Rangers, Boston Bruins, Chicago Blackhawks, Ottawa Senators] GFPG [3.54, 3.48, 3.0, 3.27, 2.83, 3.18] GAPG [2.17, 2.57, 2.0, 2.91, 2.57, 2.77] # Make traces for graph trace1 go.Bar(xteams, yGFPG, xaxisx2, yaxisy2, markerdict(color#0099ff), nameGoals ForbrPer Game) trace2 go.Bar(xteams, yGAPG, xaxisx2, yaxisy2, markerdict(color#404040), nameGoals AgainstbrPer Game) # Add trace data to figure fig.add_traces([trace1, trace2]) # initialize xaxis2 and yaxis2 fig[layout][xaxis2] {} fig[layout][yaxis2] {} # Edit layout for subplots fig.layout.yaxis.update({domain: [0, .45]}) fig.layout.yaxis2.update({domain: [.6, 1]}) # The graphs yaxis2 MUST BE anchored to the graphs xaxis2 and vice versa fig.layout.yaxis2.update({anchor: x2}) fig.layout.xaxis2.update({anchor: y2}) fig.layout.yaxis2.update({title: Goals}) # Update the margins to add a title and see graph x-labels. fig.layout.margin.update({t: 75, l: 50}) fig.layout.update({title: 2016 Hockey Stats}) # Update the height because adding a graph vertically will interact with # the plot height calculated for the table fig.layout.update({height: 800}) # Plot! fig.show()与水平版相比垂直版的关键差异通过yaxis.update({domain: [0, .45]})与yaxis2.update({domain: [.6, 1]})划分上下区域图表坐标轴需要双向锚定yaxis2锚定x2xaxis2锚定y2因为create_table会根据行数自动计算画布高度见下文源码竖向叠加图表后会挤压空间因此需要手动fig.layout.update({height: 800})撑高画布边距margin需要预留顶部t: 75与左侧l: 50空间以免标题与 y 轴标签被截断。方案对比为什么不直接用 make_subplotsplotly.subplots.make_subplots是 Plotly 创建子图网格的标准入口详见 plotly/subplots.py 中的make_subplots(rows, cols, shared_xaxes, shared_yaxes, start_cell, horizontal_spacing, vertical_spacing, subplot_titles, column_widths, row_heights, specs, insets, ...)它预先生成xaxis1/yaxis1、xaxis2/yaxis2等一套完整的坐标轴与 domain。对于普通 tracego.Scatter、go.Bar等直接add_trace(trace, row, col)即可自动归属坐标轴。但图工厂返回的是完整 Figure 而非单个 trace且其内部 layout 自带一套坐标轴直接塞进make_subplots网格会与网格预置的坐标轴冲突。因此官方示例采用「手动重映射坐标轴」这一更底层的方案这同时也是理解 Plotly 坐标轴模型domainanchorxaxis/yaxis引用的最佳切入点。如果希望使用更现代的写法也可以在make_subplots建好的网格中手动为 trace 指定坐标轴引用例如先用make_subplots(rows1, cols2)得到预置的xaxis1/yaxis1、xaxis2/yaxis2再分别把表格 heatmap trace 与普通 scatter trace 的xaxis/yaxis指向对应轴名后add_trace。两种思路本质相同——坐标轴名称与 domain 的对应关系最终决定了每个 trace 落在哪个面板。图工厂函数参数深度解析create_table的参数create_table定义于 plotly/figure_factory/_table.py签名如下create_table(table_text, colorscaleNone, font_colorsNone, indexFalse, index_title, annotation_offset0.45, height_constant30, hoverinfonone, **kwargs)参数类型默认值说明table_textpandas.DataFrame或list[list]必填表格数据传入 DataFrame 时自动取columns作为表头colorscalestr或list[list][[0, #00083e], [0.5, #ededee], [1, #ffffff]]表格配色0 对应表头色0.5 与 1 对应两条交替行色设成相同值可取消斑马纹font_colorslist[#ffffff, #000000, #000000]字体颜色长度须为 1、3 或len(table_text)为 3 时依次对应表头、奇数行、偶数行indexboolFalse是否生成表头色的索引列index_titlestr索引列标题annotation_offsetfloat0.45单元格文本相对格心的偏移量height_constantint30行高系数画布高度 行数 × height_constant 50hoverinfostrnonehover 信息内容**kwargs--透传给底层 heatmap trace 的属性源码实现的几个关键点表格内部由一个heatmap trace承载底色z为行索引矩阵表头行取 0、奇数行取 0.5、偶数行取 1配合 colorscale 形成斑马纹所有单元格文字通过annotations逐格绘制见_Table.make_table_annotations表头与索引列文字自动加粗b.../bfont_colors的合法性由validate_table校验长度只能是 1、3 或行数否则抛出PlotlyError布局中yaxis设置了autorangereversed保证表头位于顶部。create_quiver的参数create_quiver定义于 plotly/figure_factory/_quiver.pycreate_quiver(x, y, u, v, scale0.1, arrow_scale0.3, anglemath.pi / 9, scaleratioNone, **kwargs)参数默认值说明x,y必填箭头起点坐标list 或 ndarrayu,v必填箭头的 x/y 方向分量scale0.1箭头整体缩放系数[0, 1]越小越不容易重叠arrow_scale0.3箭杆长度乘以该系数得到箭翼长度anglepi/9箭翼张开角弧度scaleratioNoney 轴与 x 轴比例scale_y/scale_x传入后布局会设置yaxis.scaleratio并锚定scaleanchorx用于保持箭头几何比例**kwargs-透传给go.Scatter如name、linequiver 图内部由两个 scatter 组合箭杆barbs与箭翼arrowheads通过None分隔成多段线段最终modelines。文档示例中的fig1 ff.create_quiver(x1, y1, u1, v1, nameQuiver)即使用默认scale0.1、arrow_scale0.3。create_streamline的参数create_streamline定义于 plotly/figure_factory/_streamline.pycreate_streamline(x, y, u, v, density1, anglemath.pi / 9, arrow_scale0.09, **kwargs)参数默认值说明x,y必填一维且等间距的坐标数组u,v必填二维速度场分量ndarraydensity1流线密度内部乘以 30 得到积分种子网格与 matplotlib 等工具量纲对齐anglepi/9箭头张开角弧度arrow_scale0.09箭翼长度缩放系数**kwargs-透传给go.Scatter如name实现层面validate_streamline会校验x、y是否等间距相邻步长差超过 0.0001 即抛PlotlyError并要求 numpy 可用流线轨迹采用RK4 四阶龙格-库塔积分rk4_integrate算法源自 Bokeh 的 streamline 实现沿速度场正反向追踪再用网格空白标记避免轨迹重叠。文档示例中fig2 ff.create_streamline(x, y, u, v, arrow_scale.1, nameStreamline)将默认箭头比例略调大以增强可视化效果。测试与验证仓库在 tests/test_optional/test_figure_factory/test_figure_factory.py 中提供了工厂函数的行为验证例如create_streamline对非等间距x/y输入抛出ValueError/PlotlyError的校验用例create_quiver在传入scale1, scaleratio0.5时生成固定比例箭头的用例。这些测试印证了参数校验逻辑与「返回完整plotly.graph_objs.Figure」的契约也说明在组合子图前工厂函数产出的 data/layout 结构是稳定可预期的。小结与进一步阅读图工厂子图的本质是一套「坐标轴重映射」流程把工厂函数产出的 trace 显式绑定到新坐标轴通过domain划分画布区域、anchor建立轴间锚定最后合并 layout。掌握了这套机制无论表格 图表、quiver streamline还是任意工厂图与普通 trace 的组合都能按需排布。进一步参考图工厂模块总览与各工厂函数清单doc/python/figure-factories.md表格工厂专项文档doc/python/figure-factory-table.mdQuiver 图专项文档doc/python/quiver-plots.mdStreamline 图专项文档doc/python/streamline-plots.md多坐标轴与子图布局专题doc/python/multiple-axes.md 与 doc/python/mixed-subplots.mdmake_subplots完整参数说明见 plotly/subplots.py坐标轴、domain、anchor 等图表属性的 API 参考见 doc/apidoc/plotly.graph_objects.rst赞分享数据可视化数据分析【免费下载链接】plotly.pyThe interactive graphing library for Python :sparkles:项目地址https://gitcode.com/gh_mirrors/pl/plotly.py点击查看免费下载相关推荐MiniChat-3B vs 主流对话模型为什么这个3B参数模型值得关注MiniChat 3B vs 主流对话模型为什么这个3B参数模型值得关注 在大语言模型层出不穷的今天MiniChat 3B以其仅30亿参数的轻量级身材在数据可视化数据分析Plotly Python 混合子图Mixed Subplots实战用 make_subplots 在同一画布组合 scattergeo、bar 与 surface 等异构图表Plotly Python 混合子图Mixed Subplots实战用 make_subplots 在同一画布组合 scattergeo、bar 与 su数据可视化数据分析Plotly.py Figure Factory 高阶图表工厂指南7 大复杂图表一键生成Plotly.py Figure Factory 高阶图表工厂指南7 大复杂图表一键生成 plotly.figure_factory 是 Plotly Pyt数据可视化数据分析上一篇Apache Pulsar消息压缩算法深度测评LZ4/Snappy/Zstd性能终极对决下一篇突破GAN训练瓶颈StyleGAN中的Wasserstein距离与梯度惩罚技术解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考