『Plotly实战指南』--折线图绘制进阶篇

databook2025-03-18 14:46

上一篇介绍了Plotly绘制折线图的基础知识和数据预处理的技巧，

本文将重点探讨如何利用Plotly实现多线折线图的布局设计以及动态折线图的实现，

让我们一起掌握进阶的折线图绘制技巧。

1. 多折线图布局

在实际的数据分析场景中，常常需要同时展示多组数据，例如对比不同产品的销售趋势、不同地区的温度变化等。

这种多变量对比或时间序列对比的场景非常适合使用多线折线图。

然而，如何合理安排多组数据在同一图表中的展示，避免折线重叠或混乱，是布局规划的关键。

1.1. 布局的要点

假设我们有一组数据，记录了不同城市的月平均气温。

我们需要在同一张图表中展示这些城市的气温变化趋势，以便进行对比分析。

针对这个示例，布局图形的要点是：

  1. 利用子图 （Subplots）或分层布局 ：如果数据组较多，可以使用子图将它们分层展示，避免图表过于拥挤。Plotly的make_subplots函数可以帮助我们轻松创建子图布局。
  2. 合理安排图例位置：确保图例清晰易读，避免遮挡折线。
  3. 调整坐标轴范围：根据数据的最大值和最小值，合理设置坐标轴范围，使折线图更加美观。
python 复制代码 
import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 示例数据
city1 = [20, 22, 25, 28, 30, 32, 35, 34, 30, 26, 22, 20]
city2 = [15, 18, 20, 22, 25, 28, 30, 29, 25, 22, 18, 15]
city3 = [10, 12, 15, 18, 20, 22, 25, 24, 20, 18, 15, 12]
months = [
    "1月",
    "2月",
    "3月",
    "4月",
    "5月",
    "6月",
    "7月",
    "8月",
    "9月",
    "10月",
    "11月",
    "12月",
]

# 创建子图布局
fig = make_subplots(rows=1, cols=3, subplot_titles=("南京", "北京", "西安"))

# 添加折线图
fig.add_trace(go.Scatter(x=months, y=city1, name="南京"), row=1, col=1)
fig.add_trace(go.Scatter(x=months, y=city2, name="北京"), row=1, col=2)
fig.add_trace(go.Scatter(x=months, y=city3, name="西安"), row=1, col=3)

# 更新布局
fig.update_layout(height=400, width=900, title_text="每月平均气温比较")
fig.show()

通过子图布局，我们可以清晰地展示不同城市的气温变化趋势，避免了折线之间的相互干扰。

1.2. 颜色与样式的选择

在多折线图中，除了使用子图布局的方式，也可以将所有的折线绘制在一个图中，这时，颜色和样式的设计对于提升图表的可读性就至关重要。

对于颜色的选择与搭配：

  1. 根据数据特点选择颜色：例如，对于温度数据，可以使用冷暖色调来区分不同的城市。
  2. 使用Plotly的颜色库或自定义颜色 ：Plotly提供了丰富的颜色库，也可以通过十六进制代码自定义颜色。

对于折线演示的设计：

  1. 线型的使用技巧：实线、虚线、点线等不同线型可以用于区分不同的数据组。
  2. 线宽与标记点的设置：适当增加线宽或添加标记点可以突出关键数据。
python 复制代码 
import plotly.graph_objects as go

# 示例数据
city1 = [20, 22, 25, 28, 30, 32, 35, 34, 30, 26, 22, 20]
city2 = [15, 18, 20, 22, 25, 28, 30, 29, 25, 22, 18, 15]
city3 = [10, 12, 15, 18, 20, 22, 25, 24, 20, 18, 15, 12]
months = [
    "1月",
    "2月",
    "3月",
    "4月",
    "5月",
    "6月",
    "7月",
    "8月",
    "9月",
    "10月",
    "11月",
    "12月",
]

# 创建折线图
fig = go.Figure()

# 添加折线
fig.add_trace(
    go.Scatter(
        x=months,
        y=city1,
        mode="lines+markers",
        name="南京",
        line=dict(color="red", dash="solid", width=2),
        marker=dict(size=8, color="red"),
    )
)
fig.add_trace(
    go.Scatter(
        x=months,
        y=city2,
        mode="lines+markers",
        name="北京",
        line=dict(color="blue", dash="dash", width=2),
        marker=dict(size=8, color="blue"),
    )
)
fig.add_trace(
    go.Scatter(
        x=months,
        y=city3,
        mode="lines+markers",
        name="西安",
        line=dict(color="green", dash="dot", width=2),
        marker=dict(size=8, color="green"),
    )
)

# 更新布局
fig.update_layout(
    title="每月平均气温比较",
    xaxis_title="月份",
    yaxis_title="温度 (°C)",
)
fig.show()

通过不同的颜色和线型，我们可以清晰地区分不同城市的气温变化趋势，提升图表的可读性。

2. 动态折线图

在数据分析中，动画效果可以帮助我们更直观地展示数据随时间的变化趋势，例如展示股票价格的波动或温度的季节性变化。

动画效果不仅能够吸引用户的注意力，还能帮助用户更好地理解数据的变化过程。

动画可以清晰地展示数据的动态变化趋势，而不是仅仅展示静态的结果。

2.1. 动态折线图实现

Plotly提供了强大的动画功能，可以轻松实现动态效果。

可以通过设置帧率、过渡效果等参数来控制动画的播放效果。

python 复制代码 
import plotly.graph_objects as go

# 示例数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 5, 8, 11, 14]
frames = [
    go.Frame(
        data=[
            go.Scatter(
                x=x[: i + 1], y=y1[: i + 1], mode="lines+markers", name="Line 1"
            ),
            go.Scatter(
                x=x[: i + 1], y=y2[: i + 1], mode="lines+markers", name="Line 2"
            ),
        ],
        name=f"frame{i}",
    )
    for i in range(len(x))
]

# 创建动画
fig = go.Figure(
    data=[
        go.Scatter(x=x[:1], y=y1[:1], mode="lines+markers", name="Line 1"),
        go.Scatter(x=x[:1], y=y2[:1], mode="lines+markers", name="Line 2"),
    ],
    frames=frames,
)

# 更新布局
fig.update_layout(
    title="动态折线图",
    xaxis_title="X",
    yaxis_title="Y",
    updatemenus=[
        dict(
            type="buttons",
            buttons=[
                dict(
                    label="播放",
                    method="animate",
                    args=[
                        None,
                        {
                            "frame": {"duration": 500, "redraw": True},
                            "fromcurrent": True,
                            "transition": {"duration": 0},
                        },
                    ],
                ),
                dict(
                    label="暂停",
                    method="animate",
                    args=[
                        [None],
                        {
                            "frame": {"duration": 0, "redraw": False},
                            "mode": "immediate",
                            "transition": {"duration": 0},
                        },
                    ],
                ),
            ],
        )
    ],
)

fig.show()

通过动画效果，我们可以清晰地看到两条折线随时间的变化趋势，帮助用户更好地理解数据的动态特征。

2.2. 交互式动态图

交互式图表可以让用户根据自己的需求选择展示的数据，增强了用户与数据之间的互动性。

例如，用户可以通过滑块调整时间范围，或者通过下拉菜单选择不同的变量进行对比，从而更加灵活地探索数据。

Plotly提供了丰富的交互工具，可以实现动态更新图表数据的功能。

通过结合这些工具，可以为用户创建高度定制化的交互体验。

python 复制代码 
import plotly.graph_objects as go
import numpy as np

# 示例数据
x = np.linspace(0, 10, 100)
half = 50
y1 = np.sin(x[:half])
y2 = np.cos(x[half:])

fig = go.Figure()
# 创建交互式图表
for i in range(half):
    fig.add_trace(go.Scatter(x=x[:i], y=y1, mode="lines", name="sin(x)", visible=False))

for i in range(half, 100):
    fig.add_trace(
        go.Scatter(x=x[half:i], y=y2, mode="lines", name="cos(x)", visible=False)
    )

# 添加滑块
steps = []
for i in range(half):
    step = dict(
        method="update",
        args=[{"visible": [False] * len(x)}, {"title": f"x = {x[i]:.2f}"}],
        label=f"{x[i]:.2f}",
    )
    step["args"][0]["visible"][i] = True
    step["args"][0]["visible"][i + half] = True
    steps.append(step)

sliders = [
    dict(active=0, currentvalue={"prefix": "Time: "}, pad={"t": 50}, steps=steps)
]

fig.update_layout(sliders=sliders)
fig.show()

在这个示例中，用户可以通过滑块动态调整时间点，观察sin(x)和cos(x)在不同时间点的值。

这种交互式设计让用户能够更直观地探索数据的变化。

3. 图表优化技巧

在绘制复杂的动态折线图时，优化图表的性能 和用户体验至关重要。

性能优化方面：

  1. 减少数据点数量：对于大规模数据集，可以通过采样或聚合减少数据点数量，避免图表卡顿。
  2. 使用WebGL渲染 ：对于复杂的动态图表，Plotly支持使用WebGL进行渲染，提升性能。

美观优化方面：

  1. 添加标题和注释：清晰的标题和注释可以帮助用户更好地理解图表的内容。
  2. 美化图例：确保图例清晰易读，避免遮挡图表主体。
  3. 调整颜色和样式：根据数据特点选择合适的颜色和样式，提升图表的整体美观度。

交互优化方面：

  1. 添加提示框：当鼠标悬停在数据点上时，显示提示框，展示详细信息。
  2. 高亮显示：当用户选择某条折线时，可以通过高亮显示突出重点。
  3. 动态调整坐标轴范围：根据用户的选择动态调整坐标轴范围，确保图表始终清晰易读。

4. 总结

本文探讨了如何利用Plotly实现多线折线图的布局设计和动态折线图的实现。

无论是多组数据的展示，还是动态效果的实现，Plotly都提供了强大的功能支持。

相关推荐
databook13 小时前
Manim实现闪光轨迹特效
后端·python·动效
Juchecar14 小时前
解惑：NumPy 中 ndarray.ndim 到底是什么？
python
用户83562907805114 小时前
Python 删除 Excel 工作表中的空白行列
后端·python
Json_14 小时前
使用python-fastApi框架开发一个学校宿舍管理系统-前后端分离项目
后端·python·fastapi
RestCloud14 小时前
数据传输中的三大难题，ETL 平台是如何解决的？
数据分析·api
数据智能老司机21 小时前
精通 Python 设计模式——分布式系统模式
python·设计模式·架构
数据智能老司机1 天前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机1 天前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机1 天前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i1 天前
drf初步梳理
python·django
热门推荐
01GitHub 镜像站点02UV 工具安装与国内镜像源配置指南0346个Nano-banana 精选提示词，持续更新中04Claude Code 平替：OpenAI发布 Codex CLI ，GPT-5 国内直接使用05UV安装并设置国内源06保姆级教程：手把手教你用Dify实现完美多轮对话（附Chatflow和提示词）07A股预测还能更准？开源大模型Kronos带你跑通预测+回测全流程08Spec-Kit 使用指南09智能库存管理的需求预测模型：从业务痛点到落地代码的完整实践10解决 WSL Ubuntu 中 /etc/resolv.conf 自动重置问题