非常牛批的可视化库Plotly

昨天晚上十一点多，我在公司楼下找共享单车，手机一震，产品经理给我发了个微信语音，大概意思就是： “东哥，那个销售看板啊，要是能鼠标一划就看到每个点的明细，还能放大、拖动、筛选地区，就更好了，你看方不方便…？”

我人都已经在地库了，你跟我谈交互可视化，对吧。 我当时脑子里第一个反应就是：要不用一下那个…那个啥…Plotly。

其实我以前画图一直是 matplotlib + seaborn，那种写完 plt.plot() 然后调半天坐标轴、标题、中文字体的老路子你们懂的，图是能出，但一旦领导说“这个能不能交互操作一下？” 你心里就“咯噔”一下：完了，又得上前端、又得弄 echarts 之类的了，数据还得再给一份。

后来我是真的被折腾烦了，才开始认真用 Plotly，结果发现：这玩意儿你要说“非常牛批”吧，有点夸张，但在我日常写 Python 的场景里，确实是：能少挨两次需求回炉的库。 你们要是看过我之前那个写数据库、MQ、还有 TCP 抓包排查 Bug 那几篇，大概就是同一个人骂骂咧咧的语气。

Plotly 到底图啥？就一句话

简单粗暴说一句：

Plotly = “写 Python 代码 → 直接得到一个能拖、能缩放、能悬浮显示详情、能导出 HTML 的交互图表”

跟 matplotlib 最大的区别就是，matplotlib 默认是“死图”，你保存个 PNG 发给别人就结束了； Plotly 默认是“活图”，本质上是帮你把数据变成一坨前端能认识的 JSON，再用它内置的 JS 库渲染成交互图。

对我们这种后端/数据方向的来说，就是： 我依然写 Python，但是效果看起来像“有人帮我写完了前端可视化”。

上个最小可用例子，感受一下味道：

import plotly.express as px
import pandas as pd
# 构造一点假数据，别纠结业务含义
df = pd.DataFrame({
"day": pd.date_range("2025-01-01", periods=7, freq="D"),
"pv": [120, 180, 160, 230, 260, 300, 280]
})
fig = px.line(
    df,
    x="day",
    y="pv",
    markers=True,
    title="一周页面访问量趋势"
)
# 直接在 notebook 或者浏览器里弹出交互图
fig.show()
# 如果想甩给产品一个 HTML 文件：
fig.write_html("pv_trend.html", include_plotlyjs="cdn")

你不用写一行 JS，出来的图就是：

• 鼠标悬浮就有 tooltip
• 可以框选一段时间放大
• 图右上角自带导出 PNG、缩放重置、框选等一堆小按钮

这个时候你再回头看 matplotlib，那感觉就像是回到功能机时代。

我平时在几个场景里用 Plotly

我就不整什么“优点一二三”了，直接说我真正在用的几个场景，你对号入座就行。

1）数据分析 / 探索阶段：快速看数据

比如你在写一个推荐算法，或者简单做点 A/B 分析，其实最常干的一件事就是： “把某个指标按时间 / 按人群 / 按渠道先画出来看看”。

这时候我基本只用 plotly.express，它是 Plotly 的“快餐版 API”。

比如你有一份转化率数据，想看不同渠道的趋势：

import plotly.express as px
import pandas as pd
df = pd.DataFrame({
"date": pd.date_range("2025-01-01", periods=10, freq="D").repeat(3),
"channel": ["广告投放", "自然流量", "老用户召回"] * 10,
"ctr": [0.03, 0.05, 0.04, 0.035, 0.06, 0.045, 0.032, 0.055, 0.043] * 3 + [0.05]  # 随便凑
})[:30]
fig = px.line(
    df,
    x="date",
    y="ctr",
    color="channel",
    markers=True,
    title="不同渠道点击率趋势（示意）",
    labels={"date": "日期", "ctr": "点击率", "channel": "渠道"}
)
fig.show()

这个图你一出来，鼠标在某个点一划：

• 这一天每个渠道是多少
• 哪条线是哪个渠道

一眼就很清楚。 而且你可以在图例上点某个渠道，把其他线隐藏，这对于“会议上随手回答一个人突然问的问题”特别有用。

2）业务报表 / 看板：给领导看的那种

像销售看板、运营看板这种，一般会有：

• 左边一个“总体趋势”
• 右边一堆“按地区 / 产品 / 客户维度拆开的柱状图”

这类我就会上 graph_objects + 子图，把多个图塞到一张大画布里，看起来就像一个 mini BI。

直接上一个稍微完整点的例子，你可以拷贝过去直接改字段名用。

import plotly.graph_objects as go
from plotly.subplots import make_subplots
import pandas as pd
# 假装这是某个月的销售数据
df = pd.DataFrame({
"day": pd.date_range("2025-01-01", periods=10, freq="D"),
"amount": [10, 12, 9, 15, 18, 20, 22, 19, 25, 30],
"order_cnt": [100, 110, 90, 130, 140, 150, 155, 148, 170, 190],
"region": ["华东", "华南", "华北", "华东", "华南", "华北", "华东", "华南", "华北", "华东"]
})
# 1 行 2 列的布局：左边折线，右边柱状
fig = make_subplots(
    rows=1, cols=2,
    subplot_titles=("销售额 & 订单数趋势", "按地区汇总销售额"),
    specs=[[{"secondary_y": True}, {"secondary_y": False}]]
)
# 左侧：销售额折线（主轴）
fig.add_trace(
    go.Scatter(
        x=df["day"],
        y=df["amount"],
        name="销售额(万)",
        mode="lines+markers"
    ),
    row=1, col=1, secondary_y=False
)
# 左侧：订单数折线（副轴）
fig.add_trace(
    go.Scatter(
        x=df["day"],
        y=df["order_cnt"],
        name="订单数",
        mode="lines+markers"
    ),
    row=1, col=1, secondary_y=True
)
# 右侧：按地区汇总的柱状
region_sum = df.groupby("region", as_index=False)["amount"].sum()
fig.add_trace(
    go.Bar(
        x=region_sum["region"],
        y=region_sum["amount"],
        name="各地区销售额(万)"
    ),
    row=1, col=2
)
# 整体样式顺手改一下
fig.update_layout(
    title_text="某月销售看板（示意）",
    legend=dict(orientation="h", x=0.3, y=-0.1)
)
fig.update_xaxes(title_text="日期", row=1, col=1)
fig.update_yaxes(title_text="销售额(万)", row=1, col=1, secondary_y=False)
fig.update_yaxes(title_text="订单数", row=1, col=1, secondary_y=True)
fig.update_xaxes(title_text="地区", row=1, col=2)
fig.update_yaxes(title_text="销售额(万)", row=1, col=2)
fig.show()

这玩意儿跑完以后，你基本上就有了一个能在周会里直接 share screen 的小看板：

• 鼠标移到任意点上，两个指标一起显示
• 柱状图那边想看哪个地区多，肉眼可见
• 想导出截图，右上角点一下

关键是：这一切都是 Python 里完成的，不用你再切去写前端页面。

3）给非技术同学一个“可玩”的页面

这个是我后来才发现的一个小爽点。

以前我给运营同学看数据，要么发 Excel，要么发截图。 她们要是说“能不能看一下只看华东地区、最近 7 天的？” 我就得重新跑一遍 SQL，再重新画个图，再截图，再发一次。

现在我一般是：直接 fig.write_html("xxx.html")，然后把这个 HTML 扔到内部文件服务器或者直接微信发过去（小文件的话）。

HTML 里面自带所有交互：

• 对方可以在页面上缩放、拖动
• 底下有一个滑条可以只看一段时间（时间序列图会带 range slider）
• 鼠标选一大片区域直接放大

对方玩一圈，发现“啊，确实就这样”，就不会拉着你改来改去。 你也少改几次图，少几次“帮忙导出一份”的支线任务。

一些容易忽略但很实用的小细节

我自己踩的一些小点，随手说几条，想到哪说到哪。

1. 中文和字体问题有时候在本地浏览器看中文没问题，放到另一个机器上就变成小方块，那多半是字体没装全。 简单粗暴一点的做法是：在 update_layout 里指定一个常见字体，比如 "Microsoft YaHei"，大多数 Windows 机器都有。

   fig.update_layout(
       font=dict(
           family="Microsoft YaHei",
           size=12
       )
   )
   

2. 数值显示格式默认 tooltip 可能会给你很多小数位，看着很难受，可以用 hovertemplate 自己控制格式，比如保留两位：

   import plotly.express as px
   fig = px.line(df, x="day", y="pv")
   fig.update_traces(hovertemplate="日期=%{x}<br>PV=%{y:.2f}")
   fig.show()

3. 性能这块Plotly 说到底是前端在渲染，所以数据量太大的时候（比如十几万点）浏览器会有点吃不消。 这种情况下，要么先在后端做降采样，要么用它家带的 scattergl（基于 WebGL 的）。 但坦白讲，很多业务场景根本用不到那么多点，你会先被 PM 吐槽“看不清”，而不是被性能打死。

和 Dash 捆一块儿，会更香一点

很多人一听 Plotly，就会顺带问一句：那 Dash 呢？

一句话：

Plotly 是画一个一个图；Dash 是用 Python 拼一个完整的“可视化页面 / 小应用”。

比如：

• 左边几个下拉框选条件
• 中间两三个图联动
• 右边一堆关键指标卡片

Dash 可以完全用 Python 来写页面结构和交互逻辑，Plotly 那些 fig 对象直接拿进去用。

这个展开讲就长了，今天就不铺开了，你可以先把 Plotly 用熟，等有一天你发现自己开始频繁地给人发 HTML 图的时候，大概率就该上 Dash 了。

顺手再给一个最“朴素”的例子：柱状图 + 颜色映射

有时候你就想做一个“看异常值”的小图，比如把某天销售额特别低/特别高的颜色标出来，这种 Plotly 写起来也挺顺手。

import plotly.express as px
import pandas as pd
df = pd.DataFrame({
"day": pd.date_range("2025-02-01", periods=15, freq="D"),
"amount": [10, 11, 9, 8, 20, 22, 18, 17, 16, 30, 28, 26, 25, 24, 23]
})
# 简单规则：小于 10 认为异常，给个标签
df["flag"] = df["amount"].apply(lambda x: "异常偏低"if x < 10else"正常")
fig = px.bar(
    df,
    x="day",
    y="amount",
    color="flag",
    title="15 天销售额（标出异常偏低）",
    labels={"day": "日期", "amount": "销售额(万)", "flag": "状态"}
)
fig.show()

你开个周会，把这个图往 PPT 一贴，别人问“那几天为啥这么低？” 你只需要淡定地说一句：“那几天系统在升级（或者运营没投放），我已经标出来了，后面会补。” 图说话的感觉，会比你念一堆数字强太多。

行，差不多就扯到这。

Plotly 这东西，你光看别人吹没什么感觉，真要有感觉，还得自己随便找个小数据集，照着上面这些例子敲几行，把图弹出来晃两下。

等哪天晚上又有人喊你“能不能搞个交互图看看趋势”，你脑子里就会条件反射先想起： “要不我写个 Plotly 算了，快点。”

我这边先去把刚才那个销售看板的需求再收个尾，不然产品又要来催了，你要是哪块用 Plotly 卡住了，回头再聊。