Plotly 散点图“老炮儿”的叛逆心声：别再教我入门了！

Plotly 散点图：入门？不存在的！

我说各位，2026 年了，还在写 Plotly 散点图入门教程呢？ 满大街都是 plotly.express.scatter()，X 轴 Y 轴，color 参数，看得我都要吐了。 你们能不能有点追求？ Plotly 的强大之处，难道就只有这些？ 今天，我就来扒一扒 Plotly 散点图那些被你们忽略的“隐藏玩法”，保证让你看完直呼“卧槽，原来还能这么玩！”。 这不是一篇入门教程，这是一篇让你进阶的“秘籍”。

参数“冷门榜”：玩转高级定制

1. customdata：数据，远不止你看到的

散点图，展示的是 X 和 Y 的关系？Naive！ customdata 让你把隐藏的数据也带上。 想象一下，你有一堆客户数据，X 轴是消费金额，Y 轴是活跃天数。 你想知道每个客户的姓名、联系方式，总不能直接显示在图上吧？ 这时候，customdata 就派上用场了！

import plotly.graph_objects as go

fig = go.Figure(data=go.Scatter(
    x=[1, 2, 3, 4, 5],
    y=[2, 4, 1, 3, 5],
    mode='markers',
    marker=dict(size=[40, 60, 80, 100, 120]),
    customdata=['张三', '李四', '王五', '赵六', '钱七'],
    hovertemplate='姓名: %{customdata}<br>消费金额: %{x}<br>活跃天数: %{y}<extra></extra>'
))

fig.show()

这段代码，把客户姓名放到了 customdata 里，然后在 hovertemplate 里用 %{customdata} 引用。 鼠标悬停在数据点上，就能看到客户姓名了。 这只是个简单的例子，customdata 还可以放更复杂的数据结构，比如字典、列表，甚至是你自定义的类。只要你敢想，就能玩出花来。

2. hovertemplate：告别千篇一律的提示框

hovertemplate 绝对是提升散点图逼格的利器。 默认的提示框，丑陋不堪，信息冗余。 hovertemplate 让你完全自定义提示框的内容和样式。 你可以用 HTML 标签，添加图片、链接，甚至可以嵌入 JavaScript 代码。 前面 customdata 的例子已经展示了 hovertemplate 的基本用法。 这里再来一个更骚气的：

import plotly.graph_objects as go

fig = go.Figure(data=go.Scatter(
    x=[1, 2, 3, 4, 5],
    y=[2, 4, 1, 3, 5],
    mode='markers',
    marker=dict(size=20),
    text=['A', 'B', 'C', 'D', 'E'],
    hovertemplate='<b>%{text}</b><br><br>X: %{x}<br>Y: %{y}<extra></extra>'
))

fig.update_layout(hoverlabel=dict(
    bgcolor="white",
    font_size=16,
    font_family="Rockwell"
))

fig.show()

这段代码，用 <b> 标签加粗了 text 字段，还修改了提示框的背景颜色和字体。 提示框瞬间变得高大上了有木有？

3. marker.gradient：让你的数据点“活”起来

还在用单一颜色表示数据点？ 太 low 了！ marker.gradient 让你用渐变色来表示数据。 想象一下，你有一堆商品数据，X 轴是销量，Y 轴是利润。 你想用颜色来表示商品的库存量。 库存量越高，颜色越深。 这时候，marker.gradient 就派上用场了！

import plotly.graph_objects as go
import numpy as np

N = 100
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
sizes = np.random.randint(10, 30, N)

fig = go.Figure(data=go.Scatter(
    x=x,
    y=y,
    mode='markers',
    marker=dict(
        size=sizes,
        color=colors,
        colorscale='Viridis',
        showscale=True
    )
))

fig.show()

这段代码，用 colorscale 参数指定了渐变颜色方案。 库存量越高，颜色越接近 Viridis 颜色方案的末端。 数据点瞬间变得更有层次感了有木有？

“散点图 + X” 的骚操作：组合拳才是王道

光会画散点图，只能算入门。 真正的 “Plotly 大佬”，会把散点图和其他功能结合起来，创造出更复杂的图表。

1. 散点图 + 地图：地理数据的可视化神器

如果你有地理位置数据（经纬度），可以把散点图和地图结合起来，在地图上展示数据点。 这在展示人口分布、销售区域、疫情传播等方面非常有用。 Plotly 提供了 plotly.graph_objects.Scattergeo 类，专门用于绘制地理散点图。

import plotly.graph_objects as go

fig = go.Figure(data=go.Scattergeo(
    lon=[-74, -73, -72],
    lat=[40, 41, 42],
    mode='markers',
    marker=dict(
        size=10,
        color='red',
        opacity=0.8
    )
))

fig.update_layout(
    geo=dict(
        scope='usa',
        showland=True,
        landcolor="rgb(217, 217, 217)",
    ),
)

fig.show()

这段代码，在地图上绘制了三个红色的数据点。 通过调整 geo 属性，可以修改地图的范围、颜色等。 结合 customdata 和 hovertemplate，可以创建更丰富的地理数据可视化效果。

2. 散点图 + Dash：打造交互式数据仪表盘

如果想让用户自己探索数据，可以把散点图和 Dash 结合起来，创建一个交互式的数据仪表盘。 用户可以通过选择不同的条件，动态地过滤和展示数据。 这在数据分析、业务监控等方面非常有用。

由于篇幅限制，这里就不给出完整的 Dash 代码了。 但我可以告诉你，Dash 的核心思想是：把 Plotly 图表作为组件，嵌入到 Dash 应用中。 用户可以通过回调函数，根据用户的输入，动态地更新 Plotly 图表。

性能优化“玄学”：大数据量也不怕

Plotly 虽好，但遇到大数据量，也会卡成翔。 如何优化 Plotly 散点图的性能？ 这里分享几个我的“独门秘籍”：

1. 使用 webgl 渲染器：webgl 渲染器比默认的 svg 渲染器更快，更适合处理大数据量。 在创建 go.Figure 对象时，可以指定 renderer='webgl'。
2. 使用 transforms 进行数据聚合：如果数据量太大，可以先对数据进行聚合，再绘制散点图。 Plotly 提供了 transforms 属性，可以对数据进行分组、统计等操作。
3. 避免过度绘制：如果数据点过于密集，会导致过度绘制，影响性能。 可以通过调整 marker.opacity 和 marker.size 来减少过度绘制。

“彩蛋”：Plotly 散点图的未来展望

Plotly 的发展速度很快，未来肯定会涌现出更多更强大的功能。 我个人比较期待的是：

• 更智能的自动布局：Plotly 的布局经常需要手动调整，希望未来能够实现更智能的自动布局。
• 更强大的交互功能：希望未来能够提供更多的交互组件，让用户更方便地探索数据。
• 更丰富的图表类型：希望未来能够支持更多的图表类型，满足更复杂的可视化需求。

总之，Plotly 散点图的潜力是无限的。 只要你敢于探索，敢于创新，就能用它创造出令人惊艳的数据可视化作品。