导读

在入道数据岗位之初，曾系列写过多个数据科学工具包的入门教程，包括Numpy、Pandas、Matplotlib、Seaborn、Sklearn等，这些也构成了自己当初的核心工具栈。在这5个工具包中，用于数据绘图的有2.5个（Pandas可以算0.5个），占比之高定与当时一度"沉迷"于简单而有效的可视化有关，可谓乐此不疲。时隔一年有余，在不断接触了Plotly这个可视化新贵之后，近期终于正式学习了一下这个包的使用、特性及优劣，并稍作整理、以资后鉴，遂成此文！

plotly绘图简洁高效可交互，值得一试！

01 为什么学习plotly

plotly，这个包名不可谓不直观，一看便知其一定是一个用来画图的工具；但同时，它仍然有失直观，因为plotly实际上是一个多语言绘图库，而当提及plotly时更可能的指代是JavaScript中的plotly。实际上，plotly本就是一个基于JavaScript的绘图库，然后引入到了Python中来，所以为了更具体的指代Python中的plotly，一般可称之为plotly.py。

plotly支持多语言平台

所以但是，为啥plotly不效仿Python中众多第三方库的做法，直接命名为pyplotly呢？毕竟这样的先例不在少数，例如pyecharts，pymysql，pytorch等。

进一步地，为什么在掌握了matplotlib和seaborn这两个近乎可以完成所有绘图需求之后，还要另外花费学习成本来上手plotly呢？或者说，plotly有哪些核心优势或者不可替代的地方？简言之：可交互性！是的，plotly的绘图是支持交互的，而这是matplotlib和seaborn所不具备的（更严谨地说，只是默认情况下不可交互）。

当然，可交互的绘图库也不止它一个，比如之前也尝试过pyecharts！但于我而言只是pyecharts的绘图结果需另开网页而略显繁琐，同时plotly的绘图语法与matplotlib和seaborn更为接近，学习门槛更加丝滑。基于上述丰富的内心活动之后，我选择了plotly，并最终决定系统学习和试手一下。

02 plotly能干什么

plotly作为一个可视化库，当然是能用来画图了，而且是多种丰富样式的图。所幸，这里不妨直接引用plotly官网的介绍：

The plotly Python library is an interactive, open-source plotting library that supports over 40 unique chart types covering a wide range of statistical, financial, geographic, scientific, and 3-dimensional use-cases.

几个关键字是：开源、可交互、支持40余种图表类型，涵盖统计、金融、地理、科学和3D图表。

看下官网直接给出的图表demo吧：

统计和科学图表系列

金融和地理图表系列

AI科学系列

更多的图表类型可以查看官网，简而言之，plotly功能还是齐全且强大的。

03 plotly如何绘图

既然本文定位为入门介绍系列，那么肯定是要介绍一下如何使用和上手的。

首先，python中安装plotly库的流程非常简单，且依赖很少（通过pip show plotly发现，其只有2个依赖包），无论是pip还是conda都可通过常规的install方式快速完成安装。

其次，给出plotly中各组成模块的整体介绍，以期从宏观上了解plotly的宏观架构和各模块定位。打开plotly源码文件夹，可以看到主要包含了以下几个subfolder，这也基本对应了plotly中的几个子模块：

除上述subfolder，plotly另有若干独立.py文件

具体而言，应用plotly进行可视化时一般会涉及以下子模块：

• express: plotly中用于可视化的高级API

• graph_objects: 底层绘图接口，包含了所有图表对象和布局（graph_objs与其是同名包）

• io: 底层接口，用于展示和读写图表

• colors: 用于配置图表颜色相关

• data: 提供了一些内置的数据集加载功能，例如iris、tips数据集

实际上，为了极简入门plotly并快速上手使用，或许只需重点了解plotly.express和plotly.graph_objects两个子模块即可！在具体使用之前，先介绍下二者的区别和定位：

• plotly.graph_objects是底层API，是一种面向对象的绘图风格，定义了plotly中的所有图表对象（graph_objects翻译过来，不就是图表对象的意思吗，真·简单粗暴！），并提供了相近的布局设置功能（layout），类似于matplotlib的角色；

• plotly.express是高层API，是一种函数式的绘图风格，绘图的过程就是指定函数各个参数的过程，提供了更为简洁和方便的绘图功能。如果说前者类似于matplotlib，那么plotly.express就妥妥的相当于seaborn的角色！

好家伙，plotly自己还要定义两套绘图风格，真的是要替代matplotlib+seaborn的江湖地位吗？但对于使用者来说，或许是喜闻乐见的——需要快速简洁，就用plotly.express；需要个性化定制，则用plotly.graph_objects。

下面，基于plotly给出两段简单的代码实例

1）使用底层API——graph_objects

graph_objects之所以叫底层API，是因为暴露了更多的绘图细节和参数，但这利弊各半。一般来说，基于graph_objects子模块绘图主要分三步：

• 选定一个图表对象（graph_object），并配置要绘图的数据，例如x和y数据；图表的属性，例如标题、线型等

• 设定一些布局（layout），并配置布局参数，例如图片尺寸、标题等

• 创建一个Figure对象，并接收前两步得到的图表对象和布局对象，而后show出来

举个例子：

import plotly.graph_objects as go  # 标准引用格式，一般简写为：go
import plotly.express as px  # 标准引用格式，一般简写为：px
tips = px.data.tips()  # plotly内置数据集：tips# 使用graph_objects绘图流程需要三步
line = go.Scatter(x=tips['total_bill'], y=tips['tip'], mode='markers')  # ① 创建图表对象
layout = go.Layout(autosize=False, width=900, height=600, title='tips')  # ② 创建布局对象
go.Figure(data=line ,layout=layout).show()  # 创建Figure，接收图表和布局，并加以显示

2）使用高级API——express

express之所以叫高级API，是因为具有更为顶层的抽象，或者说使用更少的代码即可得到更为丰富的绘图结果，更重要的express的绘图接口似乎天然就是为了适配pd.DataFrame而存在的，因为其各类绘图函数中的第一个参数都是data_frame！在设置这一参数之后，x和y的数据只需提供相应的列名即可，例如对于上述同样的绘图需求只需要调用一个函数：

import plotly.graph_objects as go  # 标准引用格式，一般简写为：go
import plotly.express as px  # 标准引用格式，一般简写为：px
tips = px.data.tips()  # plotly内置数据集：tips# 使用express绘图只需要调用一个函数
px.scatter(tips, x='total_bill', y='tip', width=900, height=600, title='tips').show()

当然，上述两种方法得到的绘图结果是一样的，而且这幅图提供了常用的交互功能，例如区域选中（包括矩形区域和自定义区域）、缩放、移动和存储等常用交互按钮，简单演示如下：

再演示一张个人比较喜欢的小提琴图，用于展示类别间的分布关系：

是不是有seaborn那个味道了。。？

另外值得补充的两点：

1）plotly提供了将一个matplotlib绘图转化为plotly绘图的接口，一定程度上使得混合使用两个可视化库更为顺滑，但具体使用体验有待尝试；

2）plotly早期版本还区分online和offline，其中offline就是上述的常规绘图方式，而online方式大概是需要连接plotly的web服务器，不过个人觉得可能并没什么鸟用，所以在V4.0版本移除了。具体参考plotly官网给出的Note：

相关阅读：

• 写在1024：一名数据分析师的修炼之路

• 数据科学系列：sklearn库主要模块简介

• 数据科学系列：seaborn入门详细教程

• 数据科学系列：pandas入门详细教程

• 数据科学系列：matplotlib入门详细教程

• 数据科学系列：numpy入门详细教程