使用Plotly创建和自定义指标图表，本文中将介绍如何使用Plotly库创建指标图表的具体操作步骤。

如果你不熟悉Plotly或数据可视化概念，不要担心！我们将把它分解成易于理解的小块内容，使其适合任何人。

【资料图】

Plotly简介

Plotly是一个强大的数据可视化工具，允许我们使用Python创建各种交互式绘图和图表。在Plotly提供的无数类型的图表中，有一种特别简单明了的类型是“指标图表”。这些图表非常适合仪表盘，你可以在其中强调关键指标或追踪一段时间内的变化。

导入

在深入研究细节之前，需要导入Plotly库。这是任何涉及外部库的Python程序中典型的第一步：

import plotly.graph_objects as go

创建指标图表

让我们考虑一个场景，我们有两个值-120和150。我们要使用参考值100创建这些值的指标。参考值是我们将实际值与之进行比较的基准或标准。

我们的目标是生成下图：

图形输出

以下是创建指标的步骤：

# 创建绘图的布局layout = go.Layout(    grid = {"rows": 1, "columns": 2, "pattern": "independent"},    width = 600,  # 宽度像素    height = 300  # 高度像素)

fig = go.Figure(layout=layout)# 第一个值fig.add_trace(go.Indicator(    mode = "number+delta+gauge",    value = 120,    delta = {"reference": 100},    gauge = {        "axis": {"visible": True, "range": [None, 150]},        "steps": [            {"range": [0, 100], "color": "lightgray"}        ],        "threshold": {            "line": {"color": "red", "width": 4},            "thickness": 0.75,            "value": 100        }    },    title = {"text": "Value 1"},    domain = {"x": [0, 0.5], "y": [0, 1]}))# 第二个值fig.add_trace(go.Indicator(    mode = "number+delta+gauge",    value = 150,    delta = {"reference": 100},    gauge = {        "axis": {"visible": True, "range": [None, 200]},        "steps": [            {"range": [0, 100], "color": "lightgray"}        ],        "threshold": {            "line": {"color": "red", "width": 4},            "thickness": 0.75,            "value": 100        }    },    title = {"text": "Value 2"},    domain = {"x": [0.5, 1], "y": [0, 1]}))fig.show()

在我们讨论的代码中，我们正在使用go.Indicator函数来创建指标。一开始可能看起来会感觉有点复杂，但一旦我们了解它使用的参数，一切就都水到渠成了。以下是我们所使用参数的概要介绍：

mode：此参数设置指标的模式。通过将其设置为“number+delta+gauge”，我们告诉Plotly显示实际值（number）、与参考值的差异（delta）以及在其范围内可视化数值的仪表（gauge）。value：这是该指标将显示的实际值。delta：此参数用于展示实际值和参考值之间的差异。当你想要突出变化或增长时，这特别有用。gauge：这是为我们的值提供背景的一个视觉表示。它类似于一个速度表，显示了我们的值在特定范围内所处的位置。在gauge参数中，我们可以进一步自定义axis（仪表的范围）、steps（仪表的分段）和threshold（仪表上标记的值）。title：这只是指标的标题。domain：此参数确定每个指标所占据的绘图区域，这有助于我们将指标并排定位放置。

通过理解和调整这些参数，你可以自定义指标图表以适应你的数据和受众需求。你可以尝试不同颜色、调整范围、重新定位指标等等。

然而，虽然美学定制是数据可视化的一个很好的方面，但重要的是要记住，任何数据可视化的主要目标都是清晰准确地表示数据。因此，总是优先考虑清晰性而不是华丽性。

我们使用Plotly创建了一个简单而强大的数据可视化。这只是冰山一角，Plotly提供了许多更多功能和类型的图表供你探索。

图形输出

标签：