3.4.4 交互式可视化

本节定位

很多新人第一次看到 Plotly 时会觉得：

• 图更酷
• 鼠标还能动

但真正更重要的问题是：

什么时候你真的需要交互，而不是一张静态图就够了。

所以这节最重要的不是“做出炫图”，而是学会判断：

• 什么场景值得上交互图
• 什么场景继续用静态图更清楚

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

---

先建立一张地图

Plotly 最适合按“什么时候要让用户自己探索图表”来理解：

所以这节真正想解决的是：

• 交互图到底在补静态图的哪一层能力
• 什么时候它是加分，什么时候反而会显得多余

---

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

一个更适合新人的总类比

你可以把 Plotly 理解成：

• 一张可以拿在手里自己翻看、放大和筛选的图

静态图更像：

• 已经印好的海报

交互图更像：

• 带放大镜和筛选按钮的电子地图

所以它最适合：

• 读者自己继续探索

而不是所有场景都强行加交互。

---

安装与导入

# 安装
# python -m pip install --upgrade 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。

第一次学 Plotly 时，最稳的顺序

更稳的顺序通常是：

1. 先用 px.scatter()、px.line()、px.bar() 熟悉基本交互
2. 再看热力图、3D 和动画图
3. 最后再看仪表盘和网页展示

这样会比一开始就扑到 Dash 上更不容易乱。

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

一个很适合初学者先记的判断表

你的目标	更稳的第一反应
给论文或报告出图	静态图优先
自己探索数据细节	Plotly 很合适
给别人做网页演示	Plotly 很合适
只是想“更炫”	先停一下，想清楚有没有必要

这个表特别适合新人，因为它会把“交互图很酷”重新拉回成一个使用场景判断。

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）
# python -m pip install --upgrade kaleido
fig.write_image("my_chart.png", scale=2)
fig.write_image("my_chart.svg")

---

Plotly vs Matplotlib vs Seaborn

特性	Matplotlib	Seaborn	Plotly
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/PDF	HTML/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 Dash	Python 代码构建，功能强大
Streamlit	最简单，几行代码就能做应用
Gradio	AI 模型演示专用
Panel	Jupyter 生态集成好

一个简单的 Dash 示例（了解即可）：

# python -m pip install --upgrade 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。

这节最该带走什么

• Plotly 的核心价值不是炫，而是让读者能继续探索数据
• 交互图最适合数据探索、网页展示和演示场景
• 第一次学时先掌握 px.scatter / px.line / px.bar 这几类就够用了

---

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"