企业官网建设流程全解析

matplotlib

官网，开源（GitHub，23K Star，8.4K Fork）可视化绘图库，

Seaborn

官网，开源（GitHub，14K Star，2.1K Fork）统计数据可视化库，

bokeh

官网，中文官网，开源（GitHub，20.4K Star，4.3K Fork）交互式数据可视化库。

PyEcharts

官网，开源（GitHub，15.8K Star，2.8K Fork）库，

Plotly

官网，交互式图表开源（GitHub，18.7K Star，2.8K Fork）库，适合快速生成浏览器里的交互式图表，用于数据分析和可视化。

既有Plotly Express这种高层API，也有graph_objects这种细粒度对象接口，能覆盖从简单柱状图到指标卡、地图和复杂dashboard组件的需求。官方文档。

特点

• 图形多样化：在线绘制多种图形，如柱状图、饼图、直方图、饼图、气泡图、桑基图、股票图、旭日图、联合分布图、地图等
• 在线可编辑：提供在线编辑的平台，可将生成的图形保存到该平台，并进行分享
• 开源免费：所有资源都是开源免费的，用户可直接使用，还可直接和R、Python、MATLAB等无缝对接
• 图形动态化：生成图形全部是动态化；Plotly的绘图最好在Jupyter notebook中进行，能够很好地显示动态效果
• 交互强：缩放、悬停、图例筛选等交互默认可用
• 颜色绚丽：在使用Plotly绘制图形时，可进行图形颜色的设置，提供丰富颜色面板供选择
• 代码量少：尤其是Plotly的高级封装Plotly_Express，代码量非常少；一行代码就能实现多种功能且精美的图形
• 格式开放：Figure可转成JSON，方便存储、审查和前端复用
• 内置丰富数据集：内置7个不同类型的数据集，方便直接使用内置数据进行学习、使用
• 文档健全：官方提供丰富的文档资料和案例可免费学习，能够快速的上手

适合交互式报表、嵌入网页、HTML分享、Dash应用、业务指标页、需要悬停和图例筛选的图表。

不适合对图像文件像素级排版要求极高的论文图，或完全不能引入前端JS运行时的环境。

实战

基于pip安装：

pipinstallplotly pipinstallplotly_express

示例：

importplotly.expressaspximportpandasaspdimportplotly.graph_objectsasgo# 内置GDP数据集gapminder=px.data.gapminder()# 小费tips=px.data.tips()# 鸢尾花iris=px.data.iris()wind=px.data.wind()election=px.data.election()carshare=px.data.carshare()stock=px.data.stock()df=pd.DataFrame({"month":["Jan","Feb","Mar"],"sales":[120,160,90]})fig=px.bar(df,x="month",y="sales",title="sales")print("traces:",len(fig.data))print("type:",fig.data[0].type)fig.show()

感觉执行或渲染速度有点慢，自动打开浏览器新标签页，网址为http://127.0.0.1:14574，交互图如下：

更多示例：

# 散点图gap=px.data.gapminder().query("year == 2025")fig=px.scatter(gap,x="gdpPercap",y="lifeExp",color="continent",size="pop"# 点的大小,size_max=60# 点的最大值)fig.show()# 3D散点图df=px.data.iris()fig=px.scatter_3d(df,# 指定数据x='sepal_length',# 指定xyzy='sepal_width',z='petal_width',color='species')# 指定颜色fig.show()# 散点图fig=go.Figure(go.Scatter(x=[1,2,3],y=[4,6,5],mode="lines+markers"))fig.update_layout(template="plotly_white",hovermode="x unified")print("mode:",fig.data[0].mode)print("template set:",fig.layout.templateisnotNone)print("hovermode:",fig.layout.hovermode)# 示例2fig=go.Figure(go.Indicator(mode="number+delta",value=420,delta={"reference":380}))spec=fig.to_dict()print("trace type:",spec["data"][0]["type"])print("delta ref:",spec["data"][0]["delta"]["reference"])print("json ready:",bool(fig.to_json()))

注意事项：

• 固定输入字段、数据量范围和缺失值策略
• 明确图表是静态导出、Notebook交互、桌面GUI、Web嵌入
• 在目标运行环境里做一次渲染或导出验证

Altair

项目主页，基于Vega-Lite声明式绘图开源（GitHub，10.4K Star，863 Fork）工具，用数据字段、mark类型和编码规则描述图表。适用于数据分析、报表原型、Notebook探索、前后端共享图表规格、需要可交互图表等场景。图表规格可以导出为JSON，前端也容易复用。

特点

• 声明式：关注字段和映射关系，而不是手动画布细节
• 交互方便：selection、condition等能力能快速做筛选和高亮
• 规格可导出：图表本质是Vega-Lite spec，适合保存、审查和前端复用

不足：处理超大数据集（几十万行以上）会有点吃力，做特别复杂的自定义图形也不如Matplotlib灵活。

不适合超大数据直接塞进前端spec、需要像素级手工排版的出版图，或高度定制的3D/动画图表。

实战

基于pip安装：pip install altair

入门示例：

importaltairasaltimportpandasaspd data=pd.DataFrame({'x':['A','B','C','D'],'y':[1,2,1,2]})alt.Chart(data).mark_bar().encode(x='x',y='y',)

注意不能直接使用终端执行，需借助于Jupyter Notebook，效果如下：

右上角选项

更多示例：

importpandasaspdimportaltairasalt data=pd.DataFrame({"month":["Jan","Feb","Mar"],"sales":[120,160,90]})chart=alt.Chart(data).mark_bar().encode(x="month",y="sales")spec=chart.to_dict()print("mark:",spec["mark"]["type"])print("fields:",[spec["encoding"][k]["field"]forkin["x","y"]])data=pd.DataFrame({"team":["A","A","B","B"],"x":[1,2,1,2],"y":[3,5,2,7]})chart=alt.Chart(data).mark_line(point=True).encode(x="x",y="y",color="team")spec=chart.to_dict()print("color field:",spec["encoding"]["color"]["field"])print("rows:",len(spec["datasets"][next(iter(spec["datasets"]))]))source=pd.DataFrame({"category":["A","B","C","D"],"value":[28,55,43,91]})selector=alt.selection_point(fields=["category"])chart=alt.Chart(source).mark_bar().encode(x="category",y="value",color=alt.condition(selector,alt.value("#4c78a8"),alt.value("#d3d3d3")),).add_params(selector)spec=chart.to_dict()print("params:",spec["params"][0]["name"])print("condition test:","condition"inspec["encoding"]["color"])print("dataset rows:",len(spec["datasets"][next(iter(spec["datasets"]))]))

注意事项：

1. 控制数据量，必要时先聚合再画
2. 固定字段名和类型，避免图表变化
3. 导出spec后在目标前端或报告环境里做一次渲染检查

bqplot

Jupyter交互绘图开源（GitHub，3.7K Star，481 Fork）库，底层基于ipywidgets。思路：让scale、mark、axis、interaction都成为可联动的Widget对象，官方文档。

特点

• 组件化：scale、mark、axis分开建模，适合组合复杂Notebook图表
• 交互自然：BrushSelector等交互对象可直接挂到Figure上
• 贴近Jupyter：和ipywidgets协作良好，适合参数控件联动图表

适合Jupyter Notebook、教学演示、参数调试、快速可视化原型、交互式探索分析、需要控件联动的小型数据工具。

不适合脱离Notebook的纯服务端报表，或需要独立前端工程长期维护的大型可视化平台。

实战

基于pip安装：pip install bqplot

示例：

fromimportlib.metadataimportversionfrombqplotimportAxis,Bars,LinearScale,Lines,Figure,OrdinalScale,Scatterfrombqplot.interactsimportBrushSelector x_sc,y_sc=LinearScale(),LinearScale()line=Lines(x=[1,2,3],y=[4,6,5],scales={"x":x_sc,"y":y_sc})fig=Figure(marks=[line],title="sales")print("marks:",len(fig.marks))print("points:",len(line.x))x_sc,y_sc=OrdinalScale(),LinearScale()bars=Bars(x=["A","B","C"],y=[4,7,2],scales={"x":x_sc,"y":y_sc})fig=Figure(marks=[bars],axes=[Axis(scale=x_sc),Axis(scale=y_sc,orientation="vertical")])print("bar labels:",[str(x)forxinbars.x])print("axes:",len(fig.axes))x_sc,y_sc=LinearScale(),LinearScale()scatter=Scatter(x=[1,2,3,4],y=[2,5,3,6],scales={"x":x_sc,"y":y_sc})selector=BrushSelector(x_scale=x_sc,y_scale=y_sc)fig=Figure(marks=[scatter],interaction=selector)print("interaction:",type(fig.interaction).__name__)print("selected:",selector.selected)

注意事项：

1. 固定输入字段、数据量范围和缺失值策略。
2. 明确图表是静态导出、Notebook交互、桌面GUI、Web嵌入
3. 在目标运行环境里做一次渲染或导出验证。

plotext

在终端里画图表，参考Python生态下CLI/TUI工具：Rich、Textual、alive-progress、tabulate、plotext、yaspin、Scroll Art。

plotlet

开源（GitHub），主打定制自由，输出静态SVG，不支持交互功能（鼠标悬浮显示数据、缩放、点击等），链式语法。适合场景：基因组图谱、曼哈顿图、进化树。

实战

基于pip安装：pip install plotlet

基于源码安装

gitclone https://github.com/gitbamboo42/plotletcdplotlet pipinstall-e.

示例：

importplotletaspt data={"x":[1,2,3,4],"y":[1,4,9,16]}c=pt.chart(data,title="测试",xlabel="X轴",ylabel="Y轴")c.line(x="x",y="y")