前言
在我平时的工作中，常常用到可视化来分析数据，但是matplotlib生成的是静态图片，分析使用起来多有不变，因此渐渐的plotly成为了我工作中数据分析的主力库。特此开一篇博客，系统总结对plotly的理解，也借机学习一些高级的功能。
Express和GraphObject
在plotly中，有两种导入的方式，一个是express(import plotly.express as px) 和 graphobject(import plotly.graphobjext as go), 这两种模式的区别是 express 是一种高级API的实现，提供了比较好的封装，如果我们有一个比较好的dateframe或者字典类型的数据，那么使用px是比较轻松的。而go则是一种底层的api，因此常常要配置一些比较复杂的属性，但是同时自由度也是最高的。
Express 中都有什么工具
所谓的“工具”，我在此将他们封装的各种"线型"，下面罗列一下他们提供的线型：
import plotly.express as px print(dir(px)) ====================== ['Constant', 'IdentityMap', 'NO_COLOR', 'Range', '__all__', '__builtins__', '__cached__', '__doc__', '__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__', '_chart_types', '_core', '_doc', '_imshow', '_special_inputs', 'area', 'bar', 'bar_polar', 'box', 'choropleth', 'choropleth_map', 'choropleth_mapbox', 'colors', 'data', 'defaults', 'density_contour', 'density_heatmap', 'density_map', 'density_mapbox', 'ecdf', 'funnel', 'funnel_area', 'get_trendline_results', 'histogram', 'icicle', 'imshow', 'imshow_utils', 'line', 'line_3d', 'line_geo', 'line_map', 'line_mapbox', 'line_polar', 'line_ternary', 'np', 'optional_imports', 'parallel_categories', 'parallel_coordinates', 'pie', 'scatter', 'scatter_3d', 'scatter_geo', 'scatter_map', 'scatter_mapbox', 'scatter_matrix', 'scatter_polar', 'scatter_ternary', 'set_mapbox_access_token', 'strip', 'sunburst', 'timeline', 'treemap', 'trendline_functions', 'violin']下面以px.bar为例，罗列一下可以配置的的属性：
import plotly.express as px import plotly.graph_objects as go help(px.bar) ============================================ Help on function bar in module plotly.express._chart_types: bar(data_frame=None, x=None, y=None, color=None, pattern_shape=None, facet_row=None, facet_col=None, facet_col_wrap=0, facet_row_spacing=None, facet_col_spacing=None, hover_name=None, hover_data=None, custom_data=None, text=None, base=None, error_x=None, error_x_minus=None, error_y=None, error_y_minus=None, animation_frame=None, animation_group=None, category_orders=None, labels=None, color_discrete_sequence=None, color_discrete_map=None, color_continuous_scale=None, pattern_shape_sequence=None, pattern_shape_map=None, range_color=None, color_continuous_midpoint=None, opacity=None, orientation=None, barmode='relative', log_x=False, log_y=False, range_x=None, range_y=None, text_auto=False, title=None, subtitle=None, template=None, width=None, height=None) -> plotly.graph_objs._figure.Figure In a bar plot, each row of `data_frame` is represented as a rectangular mark. Parameters ---------- data_frame: DataFrame or array-like or dict This argument needs to be passed for column names (and not keyword names) to be used. Array-like and dict are transformed internally to a pandas DataFrame. Optional: if missing, a DataFrame gets constructed under the hood using the other arguments. x: str or int or Series or array-like Either a name of a column in `data_frame`, or a pandas Series or array_like object. Values from this column or array_like are used to position marks along the x axis in cartesian coordinates. Either `x` or `y` can optionally be a list of column references or array_likes, in which case the data will be treated as if it were 'wide' rather than ...这里提供两种查询一个方法的属性的方法：
import plotly.express as px # 获取完整的文档字符串 full_doc = px.bar.__doc__ # 提取并打印前几行作为摘要 print("--- 简要描述摘要 ---") for line in full_doc.split('\n')[:5]: print(line.strip())import plotly.express as px import inspect # 使用 inspect.signature 提取函数签名 signature = inspect.signature(px.bar) print("\n--- 函数签名摘要 ---") print(signature) ============================= --- 函数签名摘要 --- (data_frame=None, x=None, y=None, color=None, pattern_shape=None, facet_row=None, facet_col=None, facet_col_wrap=0, facet_row_spacing=None, facet_col_spacing=None, hover_name=None, hover_data=None, custom_data=None, text=None, base=None, error_x=None, error_x_minus=None, error_y=None, error_y_minus=None, animation_frame=None, animation_group=None, category_orders=None, labels=None, color_discrete_sequence=None, color_discrete_map=None, color_continuous_scale=None, pattern_shape_sequence=None, pattern_shape_map=None, range_color=None, color_continuous_midpoint=None, opacity=None, orientation=None, barmode='relative', log_x=False, log_y=False, range_x=None, range_y=None, text_auto=False, title=None, subtitle=None, template=None, width=None, height=None) -> plotly.graph_objs._figure.Figureplotly的线型的属性是有很多的，以上为顶级属性，就有几十种，加之plotly中的属性是运行相互嵌套的，所以一层一层嵌套下去，属性可以说是有无数种，可以完成极其复杂的绘图任务。
Express如何绘制多条曲线
在实际工作场景中，多条曲线进行对比是必不可少的。
import plotly.express as px import pandas as pd # 1. 准备长格式数据 data = { 'Month': [1, 2, 3, 4, 5, 1, 2, 3, 4, 5], 'Product': ['A', 'A', 'A', 'A', 'A', 'B', 'B', 'B', 'B', 'B'], 'Sales': [100, 120, 110, 140, 150, 80, 95, 105, 115, 130] } df = pd.DataFrame(data) # 2. 调用 px.line，并使用 'Product' 列进行着色/分组 fig = px.line( df, x='Month', # X 轴：月份 y='Sales', # Y 轴：销售额 color='Product', # ✨ 核心：告诉 Plotly 按 'Product' 列分组绘制多条曲线 title='产品A和B的月销售趋势' ) fig.show()运行这段代码后，会得到一个包含两条曲线的线图：
一条蓝色曲线，对应于 Product 列中值为 ‘A’ 的所有行。
一条红色曲线（或另一种颜色），对应于 Product 列中值为 ‘B’ 的所有行。
总结： 在 Plotly Express 中绘制多条曲线，关键在于使用 px.line 函数，并将您想要区分的分组列赋值给 color 参数。
GraphObject的方式怎么写
使用go方式进行绘图代码的编写，首先我们要捋清楚一个完整的go的结构是怎么样的。
下面提供两种写法：
写法一：标准写法
importplotly.graph_objectsasgo# --- 0. 准备数据 ---months=['Jan','Feb','Mar','Apr','May']sales_A=[100,150,130,170,180]sales_B=[120,130,160,150,190]# --- 步骤 1：准备轨迹 (Traces) ---# Trace 1：产品 A - 红色实线 + 方块标记trace_A=go.Scatter(x=months,y=sales_A,mode='lines+markers',name='Product A',# ✨ 核心定制：使用 line 和 marker 属性line=dict(color='red',width=2),marker=dict(symbol='square',size=8))# Trace 2：产品 B - 蓝色虚线 + 圆形标记trace_B=go.Scatter(x=months,y=sales_B,mode='lines+markers',name='Product B',# ✨ 核心定制：使用 line 和 marker 属性line=dict(color='blue',width=4,dash='dot'),# 设置虚线和宽度marker=dict(symbol='circle',size=10))# --- 步骤 2：定义图表 (Figure) ---fig=go.Figure(data=[trace_A,trace_B],# 传入所有轨迹# 可以在此处定义初始布局layout=go.Layout(title='GO模式下的产品销售趋势对比',xaxis_title='月份',yaxis_title='销售额',hovermode="x unified"# 统一悬停提示))# --- 步骤 3：定制与展示 ---# 进一步调整布局，例如图例位置fig.update_layout(legend=dict(orientation="h",# 水平放置图例yanchor="bottom",y=1.02,xanchor="right",x=1))fig.show()写法二: 更灵活
importplotly.graph_objectsasgo# 1. 创建空 Figurefig=go.Figure()# 2. 逐个添加 Trace 对象fig.add_trace(go.Scatter(...))fig.add_trace(go.Bar(...))# 3. 更新 Layout 对象fig.update_layout(title='新标题',xaxis_title='X轴')写法一是一个标准的go结果的写法，通过分治思想，将每一部分定义完，然后传入到Figure中。也就是Figure里面可以传trace对象与layout对象。
其中trace对象使用go.Scatter创建，layout对象是一个go.layout。另外在定义完Figure后，可以在外部使用fig.update_layout进一步更新。
写法二是一个更加灵活的写法，是定义完FIgure之后，通过add_trace来进行添加trace。
