Анализ данных • 13 февраля 2025 • 5 мин чтения

Визуализация данных в Python с помощью Plotly

Рассказываем об интерактивной библиотеке, которая позволяет делать «живые» графики

Ключевые особенности Plotly

В мире анализа данных визуализация давно перестала быть вспомогательным инструментом — сегодня это язык, на котором говорят исследователи, аналитики и разработчики. Среди множества библиотек для создания графиков на Python особое место занимает Plotly. Её популярность обусловлена не только гибкостью, но и уникальным набором возможностей, которые превращают статичные диаграммы в живые интерактивные истории.

Интерактивность как стандарт

Главное отличие Plotly от классических библиотек вроде Matplotlib — интерактивность. Каждый график, созданный с её помощью, по умолчанию поддерживает взаимодействие с пользователем: масштабирование областей, отображение значений при наведении курсора, переключение между слоями данных. Для трёхмерных визуализаций доступно вращение и изменение угла обзора. Такие возможности особенно ценны при работе с большими наборами данных, где важно быстро «погрузиться» в конкретный сегмент.

Простота и мощность в одном флаконе

Plotly сочетает высокоуровневый интерфейс для быстрого создания базовых графиков (через модуль Plotly Express) с тонкой настройкой элементов через объектно ориентированный API. Например, построение точечной диаграммы с цветовой кодировкой категорий занимает буквально три строки кода, при этом ничто не мешает добавить анимацию, изменить шрифты подписей или интегрировать график в веб-страницу.

Поддержка современных форматов

Библиотека не ограничивается стандартными типами диаграмм. В арсенале Plotly — географические карты с наложением тепловых карт, 3D-поверхности, диаграммы Санки для визуализации потоков, кастомные SVG-фигуры и даже интеграция с алгоритмами машинного обучения через библиотеку SciKit-Learn. Отдельного внимания заслуживает поддержка временных рядов: автоматическое распознавание форматов дат и интуитивное масштабирование оси времени.

Plotly позволяет аналитику делать великолепные отчёты и презентации, но для серьёзной работы нужны и другие инструменты: Python с Matplotlib, SciPy, Pandas, A/B-тестирование, а также навыки работы с базами данных. Всё это можно освоить на курсе «Аналитик данных»

Начало работы с библиотекой

Освоение Plotly не требует глубоких знаний в программировании — библиотека создана для того, чтобы превратить процесс визуализации данных из рутины в творчество.

Установка

Для установки последней версии Plotly достаточно выполнить в терминале команду:

pip install plotly

После установки рекомендуется обновить зависимости, чтобы избежать конфликтов с другими библиотеками.

Импорт модулей

В коде чаще всего используются два модуля:
● plotly.express (сокращённо — px) — для быстрого создания стандартных графиков;
● plotly.graph_objects (сокращённо — go) — для тонкой настройки элементов.

Типичный импорт выглядит так:

import plotly.express as px
import plotly.graph_objects as go

Для работы в Jupyter Notebook дополнительных настроек не требуется — графики отображаются автоматически.

Первый график

Допустим, есть данные о средней температуре по месяцам:

months = ['Янв', 'Фев', 'Мар', 'Апр']
temperatures = [-5, -3, 2, 10]

Создать интерактивный линейный график можно с помощью Plotly Express:

fig = px.line(x=months, y=temperatures, title='Средняя температура')
fig.show()

Результат — график с возможностью масштабирования, сохранения в формате PNG и просмотра значений при наведении курсора.

Интеграция с Jupyter Notebook

В средах вроде Jupyter Lab или Google Colab графики отображаются «из коробки». Если визуализация не запускается автоматически, достаточно добавить строки:

import plotly.io as pio
pio.renderers.default = 'notebook'

Для офлайн-использования подойдёт рендерер browser, который открывает график в новой вкладке браузера.

Сохранение результатов

Plotly поддерживает экспорт в несколько форматов.

HTML (интерактивность сохраняется):

fig.write_html("temperature.html")

График изменения температуры

Изображения (PNG, JPEG, SVG):

fig.write_image("temperature.png")

Для сохранения в растровые форматы может потребоваться установка дополнительных пакетов, например kaleido.

Структура графика: данные и оформление

Каждая визуализация в Plotly строится на двух компонентах:
● Data — информация для отображения (координаты точек, столбцов и т. д.);
● Layout — параметры оформления (заголовок, подписи осей, легенда).

Например, чтобы изменить цвет линии и добавить сетку, используется метод update_layout():

fig.update_layout(
plot_bgcolor='white',
xaxis=dict(showgrid=True, gridcolor='lightgray'),
yaxis=dict(showgrid=True, gridcolor='lightgray'),
title_font=dict(size=20)
)

Работа с Figure

Объект Figure — основа всех манипуляций. Через него добавляются новые данные (например, несколько линий на один график) и декоративные элементы:

fig = go.Figure()
fig.add_trace(go.Scatter(x=months, y=temperatures, name='2023'))
fig.add_trace(go.Scatter(x=months, y=[-3, -1, 5, 12], name='2024'))
fig.update_layout(title='Сравнение температур')

Виды графиков в Plotly

Библиотека Plotly предлагает более 40 типов визуализации — от классических гистограмм до специализированных картограмм. Такой арсенал позволяет подобрать инструмент под любую задачу, будь то анализ распределения данных, сравнение групп, отображение географических закономерностей или демонстрация временных трендов. Рассмотрим наиболее популярные варианты.

Линейные графики (Line Charts)

Идеальны для отображения изменений во времени. С их помощью удобно визуализировать курс акций, температурные колебания или динамику продаж.

import plotly.express as px
df = px.data.stocks() # Встроенный набор данных
fig = px.line(df, x='date', y=AAPL, title='Курс акций Apple)
fig.update_layout(xaxis_title='Дата', yaxis_title='Цена ($)')
fig.show()

График колебаний цены акций

Столбчатые диаграммы (Bar Charts)

Используются для сравнения величин между категориями — например, для отображения рейтинга продуктов, результатов A/B-тестов или распределения бюджетов.

data = {
'Продукт': ['Молоко', 'Хлеб', 'Сыр'],
'Продажи 2023': [120, 85, 65],
'Продажи 2024': [135, 92, 78]
}
fig = px.bar(data, x='Продукт', y=['Продажи 2023', 'Продажи 2024'], barmode='group')
fig.update_layout(yaxis_title='Количество проданных единиц')

График изменения цен

Точечные диаграммы (Scatter Plots)

Помогают выявлять корреляции между двумя переменными. Незаменимы при анализе взаимосвязей: рост расходов на рекламу и увеличение выручки, зависимость веса от роста и т. д.

Plotly «понимает» структуру DataFrame из библиотеки Pandas, что упрощает работу.

df = px.data.iris()
fig = px.scatter(
df
x='sepal_width',
y='sepal_length',
color='species',
size='petal_length',
hover_data=['petal_width'],
title='Анализ ирисов Фишера'
)
fig.show()

График распределения ирисов

Круговые и кольцевые диаграммы (Pie/Doughnut Charts)

Подходят для демонстрации пропорций — например, доли рынка компаний, структуры расходов или распределения голосов на выборах.

labels = ['Разработка', 'Маркетинг', 'Администрирование']
values = [45, 30, 25]
fig = go.Figure(go.Pie(
labels=labels,
values=values,
hole=0.5, # Создаёт кольцо
marker_colors=['#2A9D8F', '#E9C46A', '#E76F51']
))
fig.update_layout(title='Распределение бюджета')

График расходов

Тепловые карты (Heatmaps)
Показывают интенсивность значений через цветовые градиенты. Применяются для визуализации матриц корреляции, активности пользователей по времени суток или географического распределения показателей.

import numpy as np
matrix = np.random.rand(5, 5) # Случайные данные
fig = px.imshow(
matrix,
labels=dict(x="Дни недели", y="Часы работы", color="Продажи"),
x=['Пн', 'Вт', 'Ср', 'Чт', 'Пт'],
y=['9:00', '12:00', '15:00', '18:00', '21:00'],
color_continuous_scale='Viridis'
)
fig.update_layout(title='Активность продаж')

График продаж

3D-графики

Позволяют отображать данные в трёх измерениях. Полезны для инженерных расчётов, медицинской визуализации или анализа многомерных датасетов.

x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

fig = go.Figure(go.Surface(x=x, y=y, z=Z))
fig.update_layout(title='3D-поверхность: sin(√(x² + y²))')

Интерактивный 3D график

Географические карты

Plotly поддерживает несколько картографических проекций (equirectangular, orthographic, natural earth) и позволяет накладывать слои данных.

df_geo = px.data.gapminder().query("year == 2007")
fig = px.scatter_geo(
df_geo,
locations="iso_alpha",
size="pop",
color="continent",
hover_name="country",
projection="natural earth",
title='Население стран (2007)'
)

График населения стран мира

Matplotlib или Plotly: что выбрать?

Интерактивность vs статика

Plotly создан для интерактивных сценариев. Графики по умолчанию реагируют на действия пользователя — клики, прокрутку, наведение курсора. Это незаменимо при работе в Jupyter Notebook, создании дашбордов или презентаций, где важно «покрутить» данные.

Matplotlib фокусируется на статичной визуализации. Её сильная сторона — подготовка графиков для печати или публикаций в научных журналах, где требуется точный контроль над каждым элементом (толщина линий, размеры шрифтов, DPI).

Кастомизация: где больше свободы?

Matplotlib выигрывает в глубине кастомизации. Библиотека позволяет менять буквально всё: от расстояния между штрихами на оси до формы маркеров в легенде. Plotly упрощает базовую настройку (цвета, заголовки, шрифты), но для нестандартных задач (например, совмещения карты и 3D-графика) может потребоваться работа с низкоуровневым API.

Производительность

Matplotlib обрабатывает большие датасеты (миллионы точек) быстрее, особенно с использованием NumPy. Plotly требует больше ресурсов в силу интерактивности. Визуализация более 500 000 точек может «подтормаживать» в браузере.

Интеграция с другими инструментами

Plotly тесно связана с экосистемой веб-технологий. Графики легко встраиваются в Dash-приложения, React-проекты или WordPress-сайты через iframe.

Matplotlib интегрируется с LaTeX для научных публикаций и лучше совместима с GUI-фреймворками вроде Tkinter или PyQt.

Когда что выбрать?

Plotly подходит, если:

нужны интерактивные отчёты или дашборды;
данные требуют исследования «в движении» (зумирование, фильтрация);
цель — поделиться визуализацией онлайн.

Matplotlib предпочтительна, когда:

требуется подготовить графики для печати (PDF, SVG);
работа идёт с огромными массивами данных;
нужен кастомный дизайн, выходящий за рамки стандартных шаблонов.

Можно ли совмещать? Да! Например:

использовать Matplotlib для предварительного анализа (быстрый просмотр распределения данных);
создавать финальные интерактивные графики в Plotly для презентации.

Главный тренд последних лет — смещение фокуса в сторону интерактивности. Однако это не отменяет важности Matplotlib: «под капотом» многих высокоуровневых библиотек (включая Plotly) до сих пор работают её механизмы.

Идеальная стратегия — освоить оба инструмента, используя их сильные стороны. Для быстрого исследования данных и презентаций — Plotly, для тонкой настройки графиков и подготовки их к публикации — Matplotlib. Такой подход превращает визуализацию из рутины в искусство.

Статью подготовили: