在数据可视化领域，Plotly的子图布局是打造专业级仪表盘的核心武器。
当面对多维数据集时，合理的子图布局能显著提升多数据关联分析效率，让数据的呈现更加直观和美观。
本文将深入探讨Plotly中子图布局技巧，并结合代码实现与实际场景案例，介绍多子图组织方法的技巧。
多子图布局
网格布局
网格布局是Plotly中实现多子图排列的一种常见方式，通过make_subplots函数，我们可以轻松创建行列对齐的子图。
例如，设置rows=2, cols=3，就可以生成一个2行3列的子图网格，这种方式的好处是子图的尺寸会自动分配，
而且我们还可以通过horizontal_spacing和vertical_spacing参数来调整子图之间的水平和垂直间距，从而让整个布局更加紧凑和美观。
from plotly.subplots import make_subplots import plotly.graph_objects as go fig = make_subplots(rows=2, cols=3, horizontal_spacing=0.2, vertical_spacing=0.2) fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1) fig.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70]), row=1, col=2) fig.add_trace(go.Scatter(x=[300, 400, 500], y=[600, 700, 800]), row=1, col=3) fig.add_trace(go.Scatter(x=[4000, 5000, 6000], y=[7000, 8000, 9000]), row=2, col=1) fig.add_trace( go.Scatter(x=[50000, 60000, 70000], y=[80000, 90000, 100000]), row=2, col=2 ) fig.add_trace( go.Scatter(x=[600000, 700000, 800000], y=[900000, 1000000, 1100000]), row=2, col=3 ) fig.show() 
自由布局
自由布局则给予了我们更大的灵活性，通过domain参数，我们可以手动设置子图的位置，即指定子图在图表中的x和y坐标范围。
这种方式非常适合实现一些非对齐排列的子图布局，比如主图与缩略图的组合。
我们可以将主图放在较大的区域，而将缩略图放在角落，通过这种方式来辅助展示数据的局部细节。
# 自由布局 import plotly.graph_objects as go # 自由布局示例 fig_free = go.Figure() # 添加第一个子图 fig_free.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6], name="Trace 1")) # 添加第二个子图 fig_free.add_trace(go.Scatter(x=[20, 30, 40], y=[50, 60, 70], name="Trace 2")) # 更新布局，定义每个子图的domain fig_free.update_layout( xaxis=dict(domain=[0, 0.7]), # 第一个子图占据左侧70% yaxis=dict(domain=[0, 1]), # 第一个子图占据整个高度 xaxis2=dict(domain=[0.7, 1], anchor="y2"), # 第二个子图占据右侧30% yaxis2=dict(domain=[0.5, 1], anchor="x2") # 第二个子图在右侧上方 ) # 更新每个trace的坐标轴引用 fig_free.update_traces(xaxis="x1", yaxis="y1", selector={"name": "Trace 1"}) fig_free.update_traces(xaxis="x2", yaxis="y2", selector={"name": "Trace 2"}) fig_free.show()
子图共享坐标轴
在多子图的情况下，共享坐标轴是一个非常实用的功能，通过设置shared_xaxes=True或shared_yaxes=True，可以让多个子图在同一个坐标轴上进行联动。
这样，当我们在一个子图上进行缩放或平移操作时，其他共享相同坐标轴的子图也会同步更新，从而方便我们进行多数据的对比分析。
此外，当遇到不同量纲的数据时，我们还可以通过secondary_y=True来独立控制次坐标轴，避免因量纲冲突而导致图表显示不清晰。
fig = make_subplots( rows=2, cols=1, shared_xaxes=True, specs=[[{"secondary_y": True}], [{}]], ) fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1) fig.add_trace(go.Scatter(x=[1, 2, 3], y=[40, 50, 60]), row=1, col=1, secondary_y=True) fig.add_trace(go.Scatter(x=[1, 2, 3], y=[7, 8, 9]), row=2, col=1) fig.show()
实战案例
下面两个案例根据实际情况简化而来，主要演示布局如何在实际项目中使用。
股票多指标分析仪表盘
示例中先构造一些模拟数据，然后采用3行1列的布局模式来显示不同的股票信息。
import plotly.graph_objects as go from plotly.subplots import make_subplots import pandas as pd # 模拟股票数据 df = pd.DataFrame( { "date": pd.date_range(start="2023-01-01", periods=100), "price": [100 + i * 0.5 + (i % 10) * 2 for i in range(100)], "volume": [5000 + i * 10 + abs(i % 20 - 10) * 100 for i in range(100)], "rsi": [50 + i % 15 - 7.5 for i in range(100)], } ) # 1. 创建3行1列的子图布局 fig = make_subplots( rows=3, cols=1, shared_xaxes=True, # 共享x轴 vertical_spacing=0.05, # 子图间距 subplot_titles=("价格趋势", "成交量", "RSI 指标"), ) # 2. 添加价格走势图 fig.add_trace( go.Candlestick( x=df["date"], open=df["price"] * 0.99, high=df["price"] * 1.02, low=df["price"] * 0.98, close=df["price"], name="股票价格", ), row=1, col=1, ) # 3. 添加成交量柱状图 fig.add_trace( go.Bar(x=df["date"], y=df["volume"], name="成交量", marker_color="lightgray"), row=2, col=1, ) # 4. 添加RSI指标图 fig.add_trace( go.Scatter(x=df["date"], y=df["rsi"], name="RSI", line=dict(color="blue")), row=3, col=1, ) # 5. 更新布局设置 fig.update_layout( title_text="多指标仪表盘", height=800, margin=dict(l=20, r=20, t=80, b=20), # 主图坐标轴配置 xaxis=dict(domain=[0, 1], rangeslider_visible=False), # 成交量图坐标轴 xaxis2=dict(domain=[0, 1], matches="x"), # RSI图坐标轴 xaxis3=dict(domain=[0, 1], matches="x"), # 公共y轴配置 yaxis=dict(domain=[0.7, 1], showticklabels=False), yaxis2=dict(domain=[0.35, 0.65], showticklabels=False), yaxis3=dict(domain=[0, 0.3], tickformat=".0%"), ) # 6. 添加形状标注 fig.add_shape( type="line", x0="2023-01-01", y0=30, x1="2023-04-10", y1=70, line=dict(color="red", width=2, dash="dash"), ) fig.show()
这是单列的布局，如果指标多的话，可以用多列的网格布局方式来布局。
物联网设备状态监控
这个示例采用自由布局实现主监控图+4个状态指标环绕。
import plotly.graph_objects as go from plotly.subplots import make_subplots import numpy as np # 模拟设备数据 np.random.seed(42) device_data = { "timestamp": np.arange(100), "temp": 25 + np.random.normal(0, 2, 100), "pressure": 100 + np.random.normal(0, 5, 100), "vibration": np.random.exponential(0.5, 100), } # 1. 创建2行2列的子图布局 fig = make_subplots( rows=2, cols=2, subplot_titles=("温度", "压力", "振动", "状态"), specs=[ [{"type": "scatter"}, {"type": "scatter"}], [{"type": "scatter"}, {"type": "indicator"}], ], ) # 2. 添加温度折线图 fig.add_trace( go.Scatter( x=device_data["timestamp"], y=device_data["temp"], mode="lines+markers", name="温度 (°C)", line=dict(color="firebrick"), ), row=1, col=1, ) # 3. 添加压力散点图 fig.add_trace( go.Scatter( x=device_data["timestamp"], y=device_data["pressure"], mode="markers", name="压力 (kPa)", marker=dict(size=8, color="royalblue", opacity=0.7), ), row=1, col=2, ) # 4. 添加振动频谱图 fig.add_trace( go.Scatter( x=device_data["timestamp"], y=device_data["vibration"], mode="lines", name="振动 (g)", line=dict(color="forestgreen"), ), row=2, col=1, ) # 5. 添加状态指示器 fig.add_trace( go.Indicator( mode="gauge+number", value=85, domain={"x": [0, 1], "y": [0, 1]}, title="系统健康 (%)", gauge={ "axis": {"range": [0, 100]}, "bar": {"color": "gold"}, "steps": [ {"range": [0, 70], "color": "red"}, {"range": [70, 90], "color": "orange"}, {"range": [90, 100], "color": "green"}, ], }, ), row=2, col=2, ) # 6. 更新布局设置 fig.update_layout( title_text="IoT 设备监控仪表盘", height=600, margin=dict(l=20, r=20, t=80, b=20), showlegend=False, # 温度图坐标轴 xaxis=dict(domain=[0, 0.45], showgrid=False), yaxis=dict(domain=[0.55, 1], showgrid=False), # 压力图坐标轴 xaxis2=dict(domain=[0.55, 1], showgrid=False), yaxis2=dict(domain=[0.55, 1], showgrid=False), # 振动图坐标轴 xaxis3=dict(domain=[0, 0.45], showgrid=False), yaxis3=dict(domain=[0, 0.45], showgrid=False), ) fig.show()
总结
在Plotly中，子图布局对于创建高质量的数据可视化作品至关重要。
在实际应用中，对于复杂的仪表盘项目，优先采用网格布局可以保证子图之间的对齐和一致性；而对于一些创意性的场景，自由布局则能够更好地发挥我们的想象力。
