摘要：在数据可视化的领域中，Python的Plotly库犹如一颗璀璨的明星，它能够将枯燥的数据转化为直观、生动且交互性强的图表，让数据说话，帮助我们更好地理解数据背后的故事。今天，就让我们一起深入探索如何使用Plotly绘制折线图和柱状图，无论你是数据分析的新手，还
在数据可视化的领域中，Python的Plotly库犹如一颗璀璨的明星，它能够将枯燥的数据转化为直观、生动且交互性强的图表，让数据说话，帮助我们更好地理解数据背后的故事。今天，就让我们一起深入探索如何使用Plotly绘制折线图和柱状图，无论你是数据分析的新手，还是寻求提升可视化技能的进阶者，都能在这里收获满满！
Plotly是一款强大的开源数据可视化库，它支持多种图表类型，包括折线图、柱状图、散点图、饼图、地图等。与其他可视化库相比，Plotly最大的优势在于其出色的交互性，用户可以通过鼠标悬停、缩放、平移等操作，深入探索数据的细节。此外，Plotly生成的图表不仅可以在Jupyter Notebook中直接展示，还能轻松导出为HTML、PNG、PDF等格式，方便在网页、报告中使用。
如果你还没有安装Plotly库，可以使用pip命令进行安装：
pip install plotly
安装完成后，还可以安装Plotly Express，它是一个高级API，提供了更简洁的绘图方法，安装命令如下：
pip install plotly-express
（一）单条折线图
假设我们有一家公司过去10个月的销售额数据，想要直观地展示销售额随时间的变化趋势，就可以使用折线图。下面是具体的实现代码：
import plotly.express as px
import pandas as pd
# 构造数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct']
sales = [100, 120, 150, 130, 180, 200, 220, 250, 230, 280]
data = {'Month': months, 'Sales': sales}
df = pd.DataFrame(data)
# 绘制折线图
fig = px.line(df, x='Month', y='Sales', title='Company Monthly Sales')
fig.show
在这段代码中，我们首先导入了必要的库plotly.express和pandas。然后，构造了包含月份和销售额的数据，并将其转换为DataFrame格式。接着，使用px.line函数绘制折线图，其中x参数指定为月份列，y参数指定为销售额列，title参数设置图表的标题。最后，调用fig.show方法显示图表。
（二）多条折线图
如果我们想要同时比较多家公司的销售额，就可以绘制多条折线图。假设我们还有另一家公司的数据，代码如下：
import plotly.express as px
import pandas as pd
# 构造数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct']
sales_company1 = [100, 120, 150, 130, 180, 200, 220, 250, 230, 280]
sales_company2 = [80, 100, 130, 110, 160, 180, 200, 220, 200, 250]
data = {'Month': months, 'Company1': sales_company1, 'Company2': sales_company2}
df = pd.DataFrame(data)
# 绘制折线图
fig = px.line(df, x='Month', y=['Company1', 'Company2'], title='Monthly Sales Comparison')
fig.show
这里，我们在px.line函数的y参数中传入了一个包含两家公司销售额列名的列表，这样就可以在同一图表中绘制出两条折线，方便对比。
（三）自定义折线图样式
Plotly提供了丰富的参数，让我们可以自由地自定义折线图的样式，使其更加美观和专业。例如，我们可以修改线条颜色、标记点样式、添加网格线等。以下是一个示例：
import plotly.express as px
import pandas as pd
# 构造数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct']
sales = [100, 120, 150, 130, 180, 200, 220, 250, 230, 280]
data = {'Month': months, 'Sales': sales}
df = pd.DataFrame(data)
# 绘制折线图并自定义样式
fig = px.line(df, x='Month', y='Sales', title='Company Monthly Sales')
fig.update_traces(line=dict(color='blue', width=3, dash='dashdot'),
marker=dict(size=8, color='red', symbol='circle'))
fig.update_layout(
xaxis=dict(
showgrid=True,
gridwidth=1,
gridcolor='lightgray'
),
yaxis=dict(
showgrid=True,
gridwidth=1,
)
)
fig.show
在这段代码中，update_traces方法用于修改折线和标记点的样式，update_layout方法用于设置图表的布局，包括x轴和y轴的网格线样式。
（一）基本柱状图
柱状图是一种常用的图表类型，用于比较不同类别之间的数据大小。例如，我们想要展示不同水果的销量，代码如下：
import plotly.graph_objects as go
import pandas as pd
# 构造数据
fruits = ['Apple', 'Banana', 'Orange', 'Mango', 'Grapes']
sales = [50, 30, 40, 20, 15]
data = {'Fruit': fruits, 'Sales': sales}
df = pd.DataFrame(data)
# 绘制柱状图
fig = go.Figure(data=[go.Bar(x=df['Fruit'], y=df['Sales'])])
fig.update_layout(title_text='Fruit Sales')
fig.show
这里，我们使用plotly.graph_objects中的Bar类来创建柱状图，x参数指定水果类别，y参数指定销量。通过update_layout方法设置图表标题。
（二）分组柱状图
当我们需要对比多组数据时，可以使用分组柱状图。假设我们有不同地区不同水果的销量数据，代码如下：
import plotly.graph_objects as go
import pandas as pd
# 构造数据
fruits = ['Apple', 'Banana', 'Orange', 'Mango', 'Grapes']
sales_region1 = [50, 30, 40, 20, 15]
sales_region2 = [40, 25, 35, 15, 10]
data = {'Fruit': fruits, 'Region1': sales_region1, 'Region2': sales_region2}
df = pd.DataFrame(data)
# 绘制分组柱状图
fig = go.Figure
fig.add_trace(go.Bar(x=df['Fruit'], y=df['Region1'], name='Region1'))
fig.add_trace(go.Bar(x=df['Fruit'], y=df['Region2'], name='Region2'))
fig.update_layout(
barmode='group',
title_text='Fruit Sales by Region'
)
fig.show
在这段代码中，我们使用add_trace方法分别添加了两个地区的柱状图数据，通过设置barmode='group'来实现分组展示。
（三）堆积柱状图
堆积柱状图可以展示不同类别数据在总量中的占比情况。例如，我们想要展示不同部门在总销售额中的贡献，代码如下：
import plotly.graph_objects as go
import pandas as pd
# 构造数据
departments = ['Sales', 'Marketing', 'R&D', 'Finance']
sales_department1 = [30, 20, 15, 5]
sales_department2 = [25, 18, 12, 5]
data = {'Department': departments, 'Sales1': sales_department1, 'Sales2': sales_department2}
df = pd.DataFrame(data)
# 绘制堆积柱状图
fig = go.Figure
fig.add_trace(go.Bar(x=df['Department'], y=df['Sales1'], name='Sales1'))
fig.add_trace(go.Bar(x=df['Department'], y=df['Sales2'], name='Sales2'))
fig.update_layout(
barmode='stack',
title_text='Sales Contribution by Department'
)
fig.show
这里，同样使用add_trace方法添加数据，通过设置barmode='stack'来实现堆积效果。
通过以上的教程，相信你已经掌握了使用Plotly绘制折线图和柱状图的基本技巧。从简单的数据准备，到图表的创建和样式自定义，Plotly都提供了简洁而强大的接口，让数据可视化变得轻松有趣。
数据可视化是数据分析的重要环节，它能够帮助我们更直观地理解数据，发现数据中的规律和趋势。而Plotly作为一款优秀的可视化库，不仅能够满足我们日常的数据可视化需求，还能通过其丰富的交互功能，为我们带来更深入的数据探索体验。
如果你想要进一步提升自己的数据可视化技能，可以继续探索Plotly的更多功能，如3D图表、地图可视化、动画图表等。同时，也可以结合其他Python库，如Pandas、Numpy等，进行更复杂的数据处理和分析。
希望这篇教程能够对你有所帮助，如果你在学习过程中有任何问题或建议，欢迎在评论区留言。记得点赞、关注我，获取更多有趣的数据分析和可视化内容！让我们一起用数据说话，用图表展现数据的魅力！
来源：绿叶菜
