好用的交互式图表并不难用Plotly把数据变成可“玩”的图形想先问一个问题你们做数据分析或者给业务方汇报数据的时候有没有遇到过这种情况——在Excel里做好的图表静态的想换个维度看数据就得回去改设置重新生成汇报现场被问到“这个月华南区销量趋势怎么样”你只能尴尬地说“我回头再拉一张图”。这时候你真正需要的不是更漂亮的静态图而是一个能缩放、能悬停看数值、能筛选维度的交互式图表。Plotly就是干这个用的。Plotly是Python生态里最成熟、也最省心的交互式可视化库之一。它跟matplotlib的区别就像电视机遥控器和老式旋钮电视的区别matplotlib用来出版级静态图Plotly天生就带交互把鼠标往图上一放就能看到具体数值用滚轮就能缩放点一下图例就能显示或隐藏某个系列。这篇博文不是去复读官方文档而是把我实际项目里用Plotly从零搭交互图表的完整流程、参数选择逻辑和踩过的坑串起来目标是让你看完就能直接在自己的数据上动手而且知道每一步为什么要这么写。这篇内容适合谁如果你会一点Python手里有数据正在被静态图表折磨这篇文章会非常对胃口。就算你对Python不算熟只要会pandas的基本操作跟着走一遍也能上手。1. 为什么是Plotly交互式图表的思路和方案选型1.1 交互式和静态图的本质差别静态图表比如matplotlib画的PNG图和交互式图表的差距远不止“鼠标放上去能显示数字”这么简单。交互式的核心价值是降低了从中提取信息的门槛。我给你举个实际场景。假设你拿到一张2015年到2024年各业务线的营收曲线图静态图把所有线条堆在一起你只能看出大趋势细节会被层层覆盖。但在交互式图表里你可以直接缩放某一段区间看趋势反转的具体节点可以点掉干扰的系列只看目标那一条线甚至可以让鼠标沿着曲线滑动系统自动显示每个点的精确数值。这些操作没有改变你的数据但是改变了你获取信息的速度和深度。这就是为什么我在面对探索性数据分析EDA、客户汇报、Dashboard展示这些场景时会优先选Plotly而不是matplotlib或seaborn。探索性分析阶段我经常需要快速切换视角看数据交互能力能省下大量重复画图的时间。1.2 Plotly在Python图表库里的定位和优势Python的绘图库其实不少bokeh、pyecharts、plotly都有自己的拥趸。我选择Plotly倒也不是因为它最复杂反而是因为它“下限高、上限也高”。所谓下限高就是几行代码就能出一个不错的交互图。plotly.express是它的高层接口适合快速出图底层graph_objectsGO接口适合精细定制当你需要控制每个细节时不会被卡住。这种双接口设计对新手友好对老手也不局限。第二个优势是图表类型的广度。从基础的折线图、柱状图到复杂的三维图、地图、股价蜡烛图、桑基图甚至Dash能基于Plotly搭出完整的Web应用。你用一套语法可以覆盖从探索到上线的整个链路。第三个优势是渲染质量。Plotly的默认主题和配色在视觉上就比matplotlib高一截不需要你额外调整就能直接拿得出手。这一点在业务汇报场景里非常重要因为没人有耐心等你去调参数。1.3 什么时候可以不选Plotly我也得公平说一句Plotly不是万能的。如果你的目标是发表SCI论文那种最终出版级图片尤其需要严格学术风格、矢量输出和印刷尺寸适配matplotlib加seaborn仍然是首选它们对排版细节的控制力更强。如果你的数据量到了几千万、上亿行的规模Plotly在浏览器端渲染数千个点后会有卡顿这种场景更合适的方案是先用大数据分析引擎聚合数据或者用专门的时序数据库前端方案。但就日常的“数据分析业务展示”场景来说Plotly确实是性价比很高的选择。我自己在实际项目里是把matplotlib留给学术图把Plotly留给所有需要跟人打交道、需要动态决策的场合。2. 环境准备从安装到第一个交互图表跑通2.1 安装Plotly并处理渲染环境安装Plotly本身很简单用pip或者conda装一下就行pip install plotly如果是在Jupyter Notebook里使用可以顺手装一下Jupyter Dash相关的依赖包但不是必需的。Plotly自带的渲染机制会自动适应Notebook环境安装完成基本就能用。在本地脚本比如Pycharm里直接运行.py文件里使用Plotly时有一个新手区分不了的点你直接运行Python脚本是看不到交互图的。Plotly会默认生成一个HTML文件或者尝试用浏览器打开显示。而Jupyter Notebook里则可以直接内嵌渲染体验更好。所以我个人建议学习阶段用Jupyter Notebook或JupyterLab用起来顺手得多。另外我在实际项目里遇到过一个很常见的问题公司内网环境安装包很慢或者服务器上没有外网权限。这种情况可以用镜像源安装比如清华源等速度会快不少。装好以后建议验证一下当前版本避免跟教程的API不一致import plotly print(plotly.__version__)我目前接触到的版本是5.x系列如果你用的是更老或更新的版本某些接口细节可能会有微小差异。2.2 理解Plotly的figure对象一切的核心在写第一张图之前必须先理解一个概念——figure对象。这是Plotly所有图表的心脏它像是一个容器保存了整个图表的全部配置数据是什么、坐标轴怎么画、颜色是什么、标题写什么、交互行为怎么设置。figure对象里最核心的两个组成是data和layout。data是数据层对应着图上要画的所有轨迹trace比如一条折线或者一组柱状图就是一条tracelayout是布局层对应着所有不属于数据的部分比如背景色、边距、坐标轴、图例、标题。理解figure的概念是你从“照着官方示例抄”到“能自由控制图表”的分水岭。因为一旦你理解了图表里的每个元素都有对应的figure属性你遇到任何需求都知道去哪里翻参数。我见过不少同学卡在“我想改个文本框的颜色但不知道去哪改”这一步其实就是对figure对象不熟悉。创建figure有两条路径。一条是用plotly.express生成如import plotly.express as px fig px.line(...)另一条是用graph_objects手动构建import plotly.graph_objects as go fig go.Figure()express适合快速上手生成出来的也是figure对象graph_objects适合精细控制可以先创建一个空figure再往里加内容。两条路都是绕不开figure这个核心的。2.3 5分钟搭出第一个可交互的折线图理解了figure之后我们直接来写第一张图。我自己习惯用graph_objects的方式写因为控制力强而且写顺手了之后就很少再用express了。给你看一个最基础的例子import plotly.graph_objects as go fig go.Figure() fig.add_trace( go.Scatter( x[1, 2, 3, 4, 5], y[3, 8, 4, 12, 6], modelinesmarkers, name示例系列, ) ) fig.update_layout( title我的第一个交互式折线图, xaxis_title月份, yaxis_title销量, ) fig.show()这段代码做了三件事第一步创建一个空白figure第二步用add_trace添加一条折线迹mode参数决定这条迹长什么样这里同时画线和点第三步用update_layout配置标题、坐标轴。然后fig.show()会渲染出一个交互式图表。跑完这段代码你会发现浏览器里打开了一个HTML页面鼠标移到数据点上会显示坐标值右上角有一排工具按钮可以缩放、框选、保存图片等。这就是Plotly最基础也最常用的交互形态。这里我提醒一下add_trace是可以多次调用的。每调用一次就会在图上增加一个新的数据系列。所以你不必把数据都拼在一个trace里按逻辑分组地添加反而更清晰。3. 核心细节解析从普通图到可“玩”的专业图3.1 数据组织干净的数据是图表的地基画图虽然看起来是可视化问题但真正花时间的是数据准备。我自己的习惯是先用pandas做数据清洗和透视转换成Plotly友好的“长表”或“宽表”格式然后再绘图。用plotly.express的时候它默认会接收一个DataFrame作为数据源通过参数指定x、y、color等字段这种面向DataFrame的设计天然和pandas配合得很好这其实也是我建议新手优先用express的原因——你不需要手动拆列代码量少很多。比如你有这样一个DataFrame包含日期、产品和销售额三列import pandas as pd df pd.DataFrame({ 日期: [2024-01, 2024-01, 2024-02, 2024-02, 2024-03, 2024-03], 产品: [A, B, A, B, A, B], 销售额: [120, 180, 200, 150, 160, 220], })用express画分组柱状图只需要几行import plotly.express as px fig px.bar(df, x日期, y销售额, color产品, barmodegroup) fig.show()color参数把“产品”字段映射到不同颜色自动生成图例。这种方式特别适合探索数据因为你可以把任何分类变量塞进color里立刻看到分组效果。3.2 交互增强的关键参数把图从“能看”变“好用”Plotly的交互并不只是“鼠标悬停显示数值”这一种形态。实际使用中有几个交互参数是我每次都会考虑的这些参数的组合决定了你的图到底好不好用。第一个是hovermode。这个参数控制鼠标悬停时如何展示信息。比如hovermodex当鼠标沿着x轴滑动时同一横坐标上的所有数据系列会同时显示数值。适合对比各系列在相同x位置上的差异。hovermodey鼠标在y轴方向移动时显示适合按数值范围对比的场景。hovermodeclosest鼠标距离哪个点最近就显示哪个点适合密集散点图。对于时间序列的多系列图我几乎总是用hovermodex。因为看时序图时你最常做的是比较同一时间点下不同系列的数值而这种模式会把这个信息主动推到眼前。第二个是hovertemplate。这个参数自定义悬停显示的文本内容。默认情况下它显示坐标值和系列名但你可以让它显示更多信息比如占比、同比、环比甚至一段说明文字fig.update_traces( hovertemplate b%{x}/bbr # 加粗显示日期 产品A销售额: %{y}br 环比变化: 12%extra/extra )extra/extra这个标签用来隐藏默认额外的系列信息框可以让悬停效果更干净。很多人第一次写hovertemplate时会忘记这个标签结果弹窗里出现重复信息又丑又乱。第三个是facet和animation_frame。express里可以通过facet_row/col参数把图表拆分成多个子图来对比不同类别animation_frame则可以实现按时间帧播放动画的效果这在教授讲解案例时效果很好但注意谨慎用在正式汇报因为动画有时会显得花哨。第四个是自定义主题和布局。Plotly默认主题大部分情况下够用但如果你要跟公司品牌色匹配可以这样写fig.update_layout( plot_bgcolor#FAFAFA, paper_bgcolor#FFFFFF, fontdict(familyMicrosoft YaHei, size14, color#333333), legenddict(orientationh, yanchorbottom, y1.02, xanchorright, x1), )plot_bgcolor是绘图区的背景色paper_bgcolor是画布整个图表区域背景色。很多人会搞混这两个导致背景色改了没反应。legend参数控制图例的位置orientationh表示水平排列在图表上方时推荐这种设置。3.3 颜色选择的坑与可用性考虑交互图表的颜色我强烈建议你直接使用Plotly自带的默认色板或者用plotly.colors.qualitative里的预设颜色。自己随意选颜色很容易选到视觉上互相冲突的颜色导致对比不清。还容易踩的坑是色盲友好性。Plotly的默认色板已经考虑了这点但你自定义颜色时一旦用了红绿作为对比色就会有一部分人没法准确区分。我一般会避免“红绿搭配”改用蓝橙、蓝红或者统一色系的深浅组合。颜色连续色阶也有自己的坑。当你用等值线图或者热力图时连续色阶的选择直接影响数值解读的直观性。我常用的经验是从深到浅的单一色系适合表达强度递增Viridis这类色阶适合表达“非彩色的渐变强度”因为它色觉障碍友好且视觉均匀。纠结的时候用Viridis基本不会错。4. 实操过程从数据清洗到多子图组合与交互增强4.1 准备一份真实的业务数据理论说得再多不如跑一遍真实案例。这里我模拟一份某电商公司各产品线的月度销售数据包含日期、产品线、销售额、订单量和退货量五个字段共24个月的数据。实际项目中这种数据通常要经过大量的SQL查询、关联、去重才能拿到这里直接构造一份干净的示例import pandas as pd import numpy as np np.random.seed(42) dates pd.date_range(start2023-01-01, periods24, freqM).strftime(%Y-%m) products [智能硬件, 生活家电, 个护美妆, 数码配件] rows [] for d in dates: for p in products: base {智能硬件: 85, 生活家电: 60, 个护美妆: 45, 数码配件: 30}[p] sales base * (1 np.random.uniform(-0.2, 0.3)) np.random.normal(0, 5) sales max(0, round(sales, 1)) orders int(sales * np.random.uniform(2.5, 4.5)) returns int(orders * np.random.uniform(0.02, 0.10)) rows.append({月份: d, 产品线: p, 销售额: sales, 订单量: orders, 退货量: returns}) df pd.DataFrame(rows) print(df.head())这份数据是典型的长表结构每一行是一个产品线在某个月份的销售记录。长表结构是pandas和Plotly分析的最爱因为它天然支持按字段分组、按字段上色。4.2 用fig.make_subplots实现多图组合实际做Dashboard时一个页面放一张图通常不够你需要把多条信息组织在一起。Plotly的subplots模块支持创建包含多个子图的复杂布局。比如我想在同一个页面里展示两个视角左边看各产品线销售额随时间的趋势右边看不同产品线的累计订单量与退货量对比。可以这样写from plotly.subplots import make_subplots import plotly.graph_objects as go fig make_subplots( rows1, cols2, subplot_titles(各产品线月度销售额趋势, 产品线订单量与退货量), column_widths[0.6, 0.4], ) for product, d in df.groupby(产品线): fig.add_trace( go.Scatter(xd[月份], yd[销售额], modelinesmarkers, nameproduct), row1, col1, ) product_summary df.groupby(产品线).agg(总订单量(订单量, sum), 总退货量(退货量, sum)).reset_index() fig.add_trace( go.Bar(xproduct_summary[产品线], yproduct_summary[总订单量], name总订单量, marker_color#1f77b4), row1, col2, ) fig.add_trace( go.Bar(xproduct_summary[产品线], yproduct_summary[总退货量], name总退货量, marker_color#ff7f0e), row1, col2, ) fig.update_layout( title电商平台各产品线销售表现分析, hovermodex, height520, showlegendTrue, barmodegroup, ) fig.show()这里重点讲make_subplots的几个关键参数rows和cols决定子图网格的形状1行2列就是左右并排subplot_titles设置每个子图的小标题column_widths调节列的宽度比例。注意在add_trace时一定要通过row和col参数指定这条trace放在哪个子图里否则它会默认全部画在第一个子图上。这个错误我见过太多人踩了画完才发现所有线都挤在一起。子图的层级关系也需要注意用make_subplots创建的figure整体布局配置标题、图例等走update_layout每个子图自己的坐标轴可以通过fig.update_xaxes(row1, col1)这种方式单独设置。比如轴标题fig.update_xaxes(title_text月份, row1, col1) fig.update_yaxes(title_text销售额万元, row1, col1) fig.update_xaxes(title_text产品线, row1, col2) fig.update_yaxes(title_text订单/退货量, row1, col2)4.3 用update_traces和update_layout精细控制视觉子图画好之后接下来是对细节的打磨。多子图布局里常遇到一个让人头疼的问题图例太多的时候会互相遮挡。我的处理方法有几招如果多个子图之间存在关联性弱的情况可以给每个子图分配独立的图例用legend分组设置fig.update_layout( legend1dict(x0, y-0.2, orientationh), legend2dict(x0.6, y-0.2, orientationh), )不过在大多数情况下一个公共图例就够用了。让图例显示在图表下方的中间位置可以这样设置fig.update_layout( legenddict(orientationh, yanchorbottom, y-0.25, xanchorcenter, x0.5), )对轴上格式的精细化是我在写图表时比较看重的细节。就拿纵轴数字格式来说默认显示可能是500000这种长数字不好阅读。我想让它显示成“50万”的格式可以直接在tickformat里设置或者做自定义格式化fig.update_yaxes(tickformat~s, row1, col1)~s这个格式符含义是“用SI前缀美化数值”比如50000会显示成50k1000000显示成1M。如果你希望用中文习惯的“50万”格式目前Plotly的官方tickformat没有直接支持需要自己先处理数据再传给轴。比如把销售额的单位从“元”改成“万元”再画轴标题注明单位。这也是实际项目里非常常见的做法。对于柱状图的标数字这个在业务汇报里经常用到。直接在柱子上方显示具体数值的写法是fig.update_traces(texttemplate%{y}, textpositionoutside)textposition有三个常用值outside柱外上方、inside柱内、auto自动。如果柱子太短数字放不下可以用inside并在更新布局时强制关闭自动缩小。这个细节不需要死记用到时试一下就能找到最合适的位置。另外还有一个隐藏的视觉坑当多系列图例名称很长的时候图例框会被拉得很宽挤压绘图区的可用宽度。我一般会顺手把图例文字设短一点或者显式地指定图例框的宽度避免排版问题。4.4 用dropdown和slider做真正的动态切换如果说上面这些交互参数是基础操作那dropdown和slider就是Plotly的进阶魅力所在。它们可以让一张图承载多个维度的数据读者可以通过控件自主切换想看的内容而不需要你在后台重新渲染。先看dropdown的实际效果。假设你想在一张图上自由切换查看不同产品线的月度销售额可以给每个产品线预生成一条trace再通过按钮控制它们的显示和隐藏fig go.Figure() for product, d in df.groupby(产品线): fig.add_trace( go.Scatter(xd[月份], yd[销售额], modelinesmarkers, nameproduct) ) buttons [] for product in df[产品线].unique(): visibility [t.name product for t in fig.data] buttons.append( dict(labelproduct, methodupdate, args[{visible: visibility}]) ) fig.update_layout( updatemenus[ dict( typedropdown, buttonsbuttons, directiondown, showactiveTrue, ) ], title下拉选择产品线, hovermodex, ) fig.show()这段代码的核心是给每个trace设置一个visible属性。把所有产品线的trace都画好然后默认全部显示点击下拉菜单时通过更新visible列表来控制哪些trace可见。methodupdate表示同时更新数据和布局对于这个场景够用了。再比如用slider按月份展示销售数据的变化。这通常结合动画帧来实现express的animation_frame参数为此提供了非常简洁的接口。我们先把每个月的各产品线销售额做一个透视表排序然后直接调用px.line并指定animation_frame为月份就能生成一个带播放按钮的时序动画图。需要注意动画的坐标轴范围可能随着帧自动变化如果希望每帧的范围保持一致要在update_layout里显式固定x轴和y轴的range。否则读者在播放时会看到坐标轴跳来跳去体验很差。dropdown和slider的灵活运用可以把很多重复性的“画了删、删了画”的工作合并成一张图上的一次性交付这在做业务分析看板时能省下不少时间。4.5 把图表导出成文件HTML还是图片交互式图表做出来之后一个非常现实的交付问题是如何分享。如果你想把图作为交互式页面分享给别人直接导出HTML文件即可fig.write_html(sales_analysis.html)别人用浏览器打开就能交互不需要安装Python环境。如果你需要插入到Word或PPT中可以导出静态图片fig.write_image(sales_analysis.png, scale2)这里有个容易踩的坑write_image不是Plotly自带的它依赖Kaleido这个外部库需要单独安装pip install kaleido没装Kaleido的话调用write_image会报错。我在干净环境里第一次用这个功能时就被这个坑卡了几分钟后来才意识到是缺依赖。另外缩放参数scale设为2或3可以获得高清图适合放在汇报材料里。5. 常见问题与排查技巧实录5.1 图形不显示或一直转圈这是反馈最多的问题。分三种情况排查第一种在Jupyter Notebook里不显示。通常是因为notebook版本和plotly版本不匹配。可以先升级到最新版试试如果升级后还是不显示手动指定渲染器import plotly.io as pio pio.renderers.default notebook第二种命令行脚本里运行后没反应。这是正常的。因为Plotly在脚本模式下会把图保存成HTML文件或者尝试打开浏览器。你需要主动调用fig.show()而且确保你本地的默认浏览器是可用的。如果不想每次弹浏览器可以直接fig.write_html(output.html)后手动打开文件。第三种在云服务器或某些特定网络环境下Plotly的CDN资源加载不出来。因为渲染交互图表需要加载plotly的JavaScript库无网络或网络受限时浏览器可能只显示出空白区域。解决办法是通过config参数关闭在线数据加载fig.show(config{plotlyServerURL: })更稳妥的做法是在离线环境的浏览器端本地部署plotly.js文件或者在整体填数据后再导出图片。后一种方式在数据量比较大时也比较实用。5.2 中文显示乱码或方块中文显示问题几乎每个用Plotly的人都会遇到。主要原因是渲染文本的字体库中不包含中文字符或者浏览器、操作系统没有合适的字体。我自己在Windows系统上最常用的解决方式是在update_layout设置font时指定支持中文的字体fig.update_layout(fontdict(familyMicrosoft YaHei, SimHei, Arial, sans-serif))macOS下可以这样设置fig.update_layout(fontdict(familyPingFang SC, Hiragino Sans GB, Microsoft YaHei, sans-serif))如果是服务器上报错还要确认服务器上是否安装了中文字体没有的话直接在系统里安装字体包。5.3 悬停信息显示小数位太多销售额如果保留两位小数悬停显示会很长影响阅读体验。可以改hovertemplatehovertemplate销售额: %{y:.1f} 万元extra/extra:.1f控制小数位格式。也可以直接先对数据做round处理。通常我两者都会做因为展示层和数据层的干净是可以同时保证的。5.4 鼠标拖动坐标轴后图被拉变形Plotly默认允许用户在交互时缩放和拖动坐标轴这对探索数据很方便但有时候读者不小心缩放后就看不清全貌了或者误操作后找不到“恢复默认”按钮。如果你希望读者只能看不能改坐标轴范围可以禁用这种交互fig.update_xaxes(fixedrangeTrue) fig.update_yaxes(fixedrangeTrue)要禁用所有子图的固定轴可以用fig.update_xaxes(fixedrangeTrue) fig.update_yaxes(fixedrangeTrue)这会同时作用于所有坐标轴。如果只希望某个子图锁定可以加row和col参数。5.5 图表数据量太大导致卡顿或者浏览器崩溃Plotly的交互是每个点都在浏览器端参与渲染的几万个点还行达到几十万、上百万个点的时候浏览器扛不住了。这是我做监控大屏项目时踩过最深的坑。解决办法常用的有三个思路第一个思路是采样或聚合。把原始数据按时间段聚合比如把每半小时的数据聚合成天级别只画天数级别的点。很多趋势完全可以通过聚合后的数据呈现没必要把原始数据全部画上去。第二个思路是使用aggregator功能。plotly.express的px.scatter不支持自动聚合但地方图库如plotly.graph_objects的Scattergl支持WebGL渲染可以处理更多数据点。一般我做大数据量散点图会优先考虑Scattergl它的性能远好于普通的Scatter。另一个思路是用histogram或者density_heatmap画分布这种图需要的点就少很多。第三个思路是降采样展示。只展示一部分数据点鼠标点击具体位置时再请求对应区间的详细数据。这在Web应用架构里比较常见但Dashboard不常涉及。5.6 用fig.show()浏览器打开但显示空白页如果浏览器打开是一张空白的页面整张图都不显示大概率是脚本执行过程报错了。我遇到过的一个常见原因是某个数据列的类型不对比如本应是数值的列被读成了字符串plotly画图时坐标轴数据不连续图形就渲染不出来。排查时先把数据打印到最前面看然后逐步注释代码确定是哪一步出了问题。另外一个偏门的坑是防火墙拦截了本地生成的临时HTML文件访问以及某些安全软件阻止了JavaScript执行。如果确认代码和数据都没问题把生成的HTML文件用其他浏览器打开试一下。6. 一些实用的进阶技巧最后分享几个我在实际工作里总结的经验不一定在文档里能直接找到但在真实项目中帮了大忙。第一个是关于颜色赋值。当你的图表需要在多个页面保持品牌配色一致时可以把颜色存储为Python字典让不同的trace按字段取值。比写死具体颜色好维护得多。数据分类一变只需要改dict映射不用逐行修改代码。第二个是关于大图导出的排版问题。如果要导出长图直接fig.write_image往往会把所有子图压缩在一起。我一般会先在update_layout里设置height和width手动控制在合理范围。尤其是子图特别多的时候一定不要忘记设置总高度。第三个是关于复用性。我在项目里会封装一个公司内部的绘图函数把标题、字体、水印、Logo、图例等常用配置写在函数里每次画图时直接调用。这样能保证整个团队的图表风格一致不用每次都重写布局代码。第四个是Dash的扩展。如果有一天你需要把这些交互图表上线成真正的Web页面Plotly的Dash框架是可以直接复用的你可以把fig对象直接塞进dcc.Graph组件里前端交互天然保留。Python后端、Plotly图表、Dash框架这三个技术在地下室阶段就能打通从数据到产品页面的全部链路。第五个跟保存有关。保存HTML文件时可以用include_plotlyjsTrue把Plotly的JavaScript库直接嵌入到HTML文件里。这样文件体积会变大但分享出去以后对方不需要联网就能正常看到交互效果在安全环境内网、离线报表里非常实用。默认情况下Plotly会从CDN加载库断网后只能看到一个空壳所以内网环境一定要用内嵌模式。数据可视化这个领域说来也很有意思。表格里冷冰冰的数字一旦变成可缩放、可筛选、可悬停的图形数据要表达的信息流动性和观察者的理解效率完全不一样。我自己在处理一份数据时先用pandas统计出关键指标再用Plotly把指标画成图这个过程已经成了工作的惯性动作基本不需要思考。如果你是从零开始学Plotly我建议直接拿自己手头真实的数据做练习比照着官方示例敲几遍更有效。从最简单的折线图开始先把单图做出来然后尝试加多系列、更新布局、增加下拉控件、制作多子图一级一级地往上加功能。亲手把代码跑通、把每个参数调成自己想要的效果比任何文档都更直观。等这一套流程走完你对figure对象、trace、layout、渲染机制这些核心概念就会有一种“心里有底”的感觉遇到新的需求也自然知道往哪个方向去查了。