『Plotly实战指南』--折线图绘制进阶篇

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。

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。

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。

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。

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。