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CSVComma-Delimited Values逗号分隔值是存储结构化数据最流行的文本格式之一。本指南以 Plotly 官方文档 plot-data-from-csv.md 为核心脉络系统讲解如何在 Python 中利用 pandas 读取 CSV 数据并分别通过 Plotly Express 的px.line与底层graph_objects接口将其绘制成专业图表同时覆盖 Dash 交互式应用场景。读完本文你将掌握从读取外部 CSV 数据源到完成图表定制与展示的完整链路并了解其背后的源码实现细节。第一步用 pandas 导入并预览 CSV 数据无论是本地文件还是远程 URLCSV 数据读取的统一入口都是 pandas 的pd.read_csv()。Plotly 官方教程使用的示例数据是 2014 年苹果公司Apple的股票日线数据直接通过 URL 读取import pandas as pd df pd.read_csv(https://raw.githubusercontent.com/plotly/datasets/master/2014_apple_stock.csv) df.head()执行df.head()后你会看到类似下面的表格结构其中AAPL_x是日期列AAPL_y是当日收盘价美元AAPL_xAAPL_y02014-01-0279.4412014-01-0377.6422014-01-0677.15.........实战提示如果 CSV 文件在本地把 URL 换成相对路径即可例如pd.read_csv(data/apple_stock.csv)如果数据量很大还可以搭配nrows、usecols等参数先做抽样与列裁剪避免一次性载入全量数据。在动手绘图之前务必确认两件事一是列名后续x、y参数要按列名引用二是列的数据类型日期列建议用pd.to_datetime(df[AAPL_x])转为 datetime这样 Plotly 才能在时间轴上正确排序与格式化刻度。方法一使用 Plotly Express 一行绘制折线图Plotly Expressplotly.express常简写为px是 Plotly 的高层 API专为用最少代码完成探索性可视化设计。直接从 DataFrame 绘图import pandas as pd import plotly.express as px df pd.read_csv(https://raw.githubusercontent.com/plotly/datasets/master/2014_apple_stock.csv) fig px.line(df, xAAPL_x, yAAPL_y, titleApple Share Prices over time (2014)) fig.show()fig.show()会根据当前运行环境自动选择渲染方式在 Jupyter Notebook 中内联显示交互图表在脚本环境中则打开浏览器页面也可通过配置renderers切换到iframe、svg或静态图片等后端详见 renderers.md。px.line的核心参数从 plotly/express/_chart_types.py 的源码签名可以看到px.line在data_frame基础上提供了丰富的映射参数x/y指定作为横轴、纵轴的 DataFrame 列名或 pandas Series / 数组定位散点顶点位置color按某列取值对线条分组着色例如coloryear可一次画出多年趋势line_group将数据行分组成多条独立折线当color未指定分组时尤其有用line_dash/symbol按列值区分线型与标记符号markers设为True时在每个数据点处显示标记log_x/log_y坐标轴切换为对数刻度range_x/range_y显式限定坐标轴范围facet_row/facet_col按列值拆分为多行/多列子图title/subtitle图表主标题与副标题template/width/height控制主题外观与画布尺寸labels用字典重命名坐标轴与图例显示名如labels{AAPL_y: Close Price (USD)}。实现上px.line只是将全部参数转发给 plotly/express/_core.py 中的make_figure(argslocals(), constructorgo.Scatter)由统一的底层管线完成列名解析、分组聚合与子图布局后生成一个go.Scatter类型的Figure对象。多序列与宽表数据px.line天然支持宽表wide-form数据每一列是一个序列。例如仓库内置的股票数据集6 家科技公司 2018/2019 年收盘价见 plotly/data/init.pyimport plotly.express as px from plotly.data import stocks df stocks() # 列: [date, GOOG, AAPL, AMZN, FB, NFLX, MSFT] fig px.line(df, xdate, y[GOOG, AAPL, AMZN, FB, NFLX, MSFT]) fig.show()传入y一个列名列表时Plotly 会为每个公司绘制一条独立折线并自动生成图例。方法二使用graph_objects精细控制图表plotly.graph_objects常简写为go是 Plotly 的底层对象化 API适合对图表结构进行细粒度定制。官方教程的等价实现如下import pandas as pd import plotly.graph_objects as go df pd.read_csv(https://raw.githubusercontent.com/plotly/datasets/master/2014_apple_stock.csv) fig go.Figure(go.Scatter(xdf[AAPL_x], ydf[AAPL_y], nameShare Prices (in USD))) fig.update_layout(titledict(textApple Share Prices over time (2014)), plot_bgcolorrgb(230, 230,230), showlegendTrue) fig.show()这段代码与px.line版本效果等价但结构上更显式go.Figure(...)创建空 Figure传入的第一个参数即要添加的 trace轨迹go.Scatter(x..., y...)直接以 pandas Series 作为坐标数据x、y接受数组、Series 或列表name设置图例名称fig.update_layout(...)在布局层统一设置——title支持字典形式text字段plot_bgcolor修改绘图区背景色showlegendTrue显式开启图例。go.Scatter由 plotly/graph_objs/_scatter.py 中的Scatter类实现继承自统一的_BaseTraceType其属性通过校验器validator机制保证类型安全错误属性名会在赋值时立即抛出异常而非静默忽略——这是graph_objects相比纯字典写法更可靠的关键原因。更细的定制模式与样式go.Scatter支持mode参数组合线、点与文本fig go.Figure(go.Scatter(xdf[AAPL_x], ydf[AAPL_y], modelinesmarkers, linedict(colorfirebrick, width2), markerdict(size6, symbolcircle), nameClose Price))line与marker均为嵌套对象可继续指定颜色、宽度、符号、大小等属性mode可取lines、markers、linesmarkers、text等组合。如果你希望同时用px和go混排例如底层叠加自定义 annotation完全可以把px生成的Figure直接传给后续的fig.update_layout()继续加工两者产出的都是同一个go.Figure对象。方法三在 Dash 中构建基于 CSV 数据的分析应用Dash 是 Plotly 官方推出的、用 Python 构建分析型 Web 应用的开源框架。官方文档强调它是用 Plotly 图表在 Python 中构建分析应用的最佳方式。以本教程为例一个最小可运行的 Dash 应用大致如下import pandas as pd import plotly.express as px import dash from dash import dcc, html app dash.Dash(__name__) df pd.read_csv(https://raw.githubusercontent.com/plotly/datasets/master/2014_apple_stock.csv) fig px.line(df, xAAPL_x, yAAPL_y, titleApple Share Prices over time (2014)) app.layout html.Div(children[ html.H1(Apple Stock Dashboard), dcc.Graph(idprice-chart, figurefig), ]) if __name__ __main__: app.run_server(debugTrue)运行方式先安装依赖pip install dash将上述代码保存为app.py然后在终端执行python app.py浏览器访问http://127.0.0.1:8050即可看到交互式图表。Dash 的dcc.Graph组件接收Figure对象并渲染为可缩放、可悬停查看数据的交互图更进一步还可以利用 Dash 的app.callback机制让用户通过下拉菜单、日期选择器动态切换 CSV 中的不同股票或时间段把静态图表升级为真正的数据产品。进阶仓库内置数据集与长表/宽表数据形态当前仓库在 plotly/data/init.py 中提供了多组开箱即用的内置数据集实际数据文件以.csv.gz形式存放在 plotly/package_data/datasets 目录非常适合练习 CSV 绘图gapminder()各国人均 GDP、预期寿命与人口长表适合散点/气泡图stocks()6 家科技公司收盘价宽表适合多序列折线tips()餐厅小费数据含分类列适合箱线图/直方图iris()鸢尾花测量数据经典分类数据集medals_wide()/medals_long()同一数据的宽表与长表两种形态用于对比数据形态对绘图 API 的影响carshare()、election()、wind()、experiment()等。例如import plotly.express as px from plotly.data import gapminder df gapminder() df.head() fig px.scatter(df, xgdpPercap, ylifeExp, sizepop, colorcontinent, log_xTrue, titleGapminder: GDP per capita vs Life Expectancy) fig.show()宽表 vs 长表宽表wide每列是一个变量如stocks中每家公司一列长表long每一行是一个观测如gapminder中每个国家-年份一行。px系列 API 对两种形态都友好宽表直接把多个列名列表传给y长表则用color、facet_col等按列值分组。理解这两种形态是把任意 CSV 快速映射到正确图表的钥匙。源码视角data_frame是如何被处理的从 plotly/express/_core.py 的实现可以看到px系列函数接收data_frame后会先判断其是否为 pandas-like DataFrame包括 pandas、modin.pandas、cudf 等再通过 narwhals 抽象层统一转换为内部 DataFrame 结构进行列名解析同时x、y等参数既可以是列名字符串也可以是 pandas Series 或任意类数组对象——这正是传列名与直接传 Series两种写法都能工作的原因。若传入的列名在data_frame中不存在make_figure会抛出明确的报错提示见 plotly/express/_core.py帮助开发者快速定位列名拼写或数据加载问题。更多参考本文源文档plot-data-from-csv.mdPlotly Python 入门与 API 概览getting-started.mdpx.line完整参数签名与文档字符串plotly/express/_chart_types.py高层 API 底层实现make_figure、列解析plotly/express/_core.py内置数据集接口plotly/data/init.py 与数据文件目录 plotly/package_data/datasets图表渲染方式配置renderers.md更多 CSV 相关示例折线图 line-charts.md、散点图 line-and-scatter.md、时间序列 time-series.md要点回顾读取 CSV 用pd.read_csv快速成图优先选px.line(df, x..., y...)需要精细定制时改用go.Figure(go.Scatter(...))并配合update_layout构建交互应用则引入 Dash。三条路径共享同一套Figure数据模型你可以根据场景自由组合把任何一份 CSV 数据快速变成可交互的专业图表。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使用Plotly绘制雷达图(Radar Chart)完全指南使用Plotly绘制雷达图 Radar Chart 完全指南 什么是雷达图 雷达图Radar Chart也称为蜘蛛图Spider Plot或星形图数据可视化数据分析使用 Plotly 在 Python 中绘制交互式填充弦图Filled Chord Diagram完整实战指南使用 Plotly 在 Python 中绘制交互式填充弦图Filled Chord Diagram完整实战指南 本篇技术指南围绕 plotly.py 仓库中数据可视化数据分析Plotly Python OHLC 图表完全指南从 Pandas 数据到交互式金融图Plotly Python OHLC 图表完全指南从 Pandas 数据到交互式金融图 本文围绕 plotly.py 的 go.Ohlc 迹类型讲解如何在数据可视化数据分析上一篇如何通过TigerVNC实现边缘设备接入云端渲染服务完整指南下一篇彻底解决bootstrap-datepicker 90%的使用痛点社区支持FAQ大全创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考