第二十一章:Python-Plotly库实现数据动态可视化

Plotly是一个强大的Python可视化库，支持创建高质量的静态、动态和交互式图表。它特别擅长于绘制三维图形，能够直观地展示复杂的数据关系。本文将介绍如何使用Plotly库实现函数的二维和三维可视化，并提供一些优美的三维函数示例。资源绑定附上完整资源供读者参考学习！

一、库的介绍

Plotly提供了两种主要的API：

• Plotly Express：简化的API，适合快速创建常见图表。

• Plotly Graph Objects：功能更强大和灵活，适用于复杂的自定义图表。

安装Plotly库：

bash

pip install plotly

二、常见函数示例

1. 二维函数示例

示例1：正弦函数

Python示例代码

import plotly.graph_objects as go
import numpy as npx = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)fig = go.Figure(data=go.Scatter(x=x, y=y, mode='lines'))
fig.update_layout(title='正弦函数', xaxis_title='x', yaxis_title='y')
fig.show()

效果展示

示例2：抛物线函数

Python示例代码

import plotly.graph_objects as go
import numpy as npy = np.linspace(-10, 10, 100)
x= y**2fig = go.Figure(data=go.Scatter(x=x, y=y, mode='lines'))
fig.update_traces(line=dict(color='red'))
fig.update_layout(title='抛物线函数', xaxis_title='x', yaxis_title='y')
fig.show()

效果展示

2. 三维函数示例

示例1：三维曲面

Python示例代码

import plotly.graph_objects as go
import numpy as npx = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))fig = go.Figure(data=go.Surface(z=z, x=x, y=y))fig.update_layout(title='三维曲面', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

示例2：三维曲线

Python示例代码

import plotly.graph_objects as go
import numpy as np
theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)
x = z * np.sin(theta)
y = z * np.cos(theta)fig = go.Figure(data=go.Scatter3d(x=x, y=y, z=z, mode='lines'))
fig.update_traces(line=dict(color='orange', width=2))
fig.update_layout(title='三维曲线', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

三、优美的三维函数示例

示例1：球面函数

Python示例代码

import plotly.graph_objects as go
import numpy as npu = np.linspace(0, 2 * np.pi, 100)
v = np.linspace(0, np.pi, 100)
x = np.outer(np.cos(u), np.sin(v))
y = np.outer(np.sin(u), np.sin(v))
z = np.outer(np.ones(np.size(u)), np.cos(v))fig = go.Figure(data=go.Surface(z=z, x=x, y=y, colorscale='Reds'))
fig.update_layout(title='球面', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

示例2：莫比乌斯带

Python示例代码

import plotly.graph_objects as go
import numpy as npu = np.linspace(0, 2 * np.pi, 100)
v = np.linspace(-0.5, 0.5, 100)
u, v = np.meshgrid(u, v)
x = (1 + v * np.cos(u / 2)) * np.cos(u)
y = (1 + v * np.cos(u / 2)) * np.sin(u)
z = v * np.sin(u / 2)fig = go.Figure(data=go.Surface(z=z, x=x, y=y, colorscale='rainbow'))
fig.update_layout(title='莫比乌斯带', scene=dict(xaxis_title='x', yaxis_title='y', zaxis_title='z'))
fig.show()

效果展示

四、动态和交互式图表示例

示例1：交互式按钮

Python示例代码

import plotly.graph_objects as gofig = go.Figure()# 添加多条折线
fig.add_trace(go.Scatter(y=[2, 1, 3], name="Line 1"))
fig.add_trace(go.Scatter(y=[3, 2, 1], name="Line 2"))# 配置交互按钮
fig.update_layout(updatemenus=[dict(type="buttons",direction="right",buttons=[dict(label="Show All", method="update", args=[{"visible": [True, True]}]),dict(label="Show Line 1", method="update", args=[{"visible": [True, False]}]),dict(label="Show Line 2", method="update", args=[{"visible": [False, True]}]),],)]
)fig.show()

效果展示

示例2：WebGL加速的大数据渲染

Python示例代码

import plotly.express as px
import numpy as np# 模拟大数据
np.random.seed(42)
x = np.random.rand(100_000)
y = np.random.rand(100_000)# 使用WebGL加速的散点图
fig = px.scatter(x=x, y=y, render_mode='webgl', title="WebGL Accelerated Scatter Plot")
fig.show()

效果展示

示例3：实时疫情数据仪表盘

Python示例代码

from dash import Dash, dcc, html, Input, Output
import plotly.graph_objects as go
import pandas as pd# 模拟疫情数据
data = {"date": pd.date_range(start="2020-01-01", periods=100),"cases": [i ** 2 for i in range(100)],"deaths": [i * 5 for i in range(100)]
}
df = pd.DataFrame(data)app = Dash(__name__)app.layout = html.Div([dcc.Graph(id="graph"),dcc.Slider(id="year-slider",min=0,max=len(df) - 1,value=0,marks={i: str(df["date"][i].date()) for i in range(0, len(df), 10)},step=None)
])@app.callback(Output("graph", "figure"), [Input("year-slider", "value")])
def update_graph(selected_index):filtered_df = df.iloc[:selected_index + 1]# 使用go.Scatter同时显示折线和数据点fig = go.Figure()for col in ["cases", "deaths"]:fig.add_trace(go.Scatter(x=filtered_df["date"],y=filtered_df[col],mode='lines+markers',marker=dict(size=8, color='red'),name=col))fig.update_layout(title="Covid-19 Cases Over Time", xaxis_title="date", yaxis_title="value")return figif __name__ == "__main__":app.run(debug=True)

效果展示

五、Plotly与Matplotlib的比较

Plotly和Matplotlib都是Python中广泛使用的可视化库，但它们在某些方面有所不同：

特性	Plotly	Matplotlib
交互性	生成交互式图表，支持缩放、悬停等	生成静态图表
易用性	API较为复杂，但提供了丰富的功能	API简单直观，适合初学者
适用场景	适合创建动态和交互式图表，如Web应用	适合创建静态图表，如科学论文
学习曲线	较陡峭，需要时间熟悉API	较平缓，易于上手

通过这些比较，可以看出Plotly和Matplotlib各有优缺点，选择哪个库取决于你的具体需求。

六、函数参数用法总结

以下是Plotly中常用函数的参数用法总结：

函数	参数	描述
Scatter	x, y	绘制二维散点图或折线图
Scatter3d	x, y, z	绘制三维散点图或曲线
Surface	x, y, z	绘制三维曲面图
Bar3d	x, y, z, dx, dy, dz	绘制三维条形图
updatemenus	buttons, direction, type	配置交互按钮
render_mode	webgl	使用WebGL加速渲染

通过这些函数，你可以轻松实现各种数学函数的可视化，为数据分析和建模提供强大的工具。希望本文能帮助你快速上手Plotly库！资源绑定附上完整资源供读者参考学习！