آموزش plotly برای نمودارهای تعاملی در پایتون

رفیق برنامه‌نویس، حالت چطوره؟ اگه مثل من از نمودارهای خشک و بی‌روح خسته شدی و دنبال راهی می‌گردی که داده‌هات رو زنده کنی و باهاشون تعامل داشته باشی، جای درستی اومدی. Plotly توی پایتون دقیقاً همون چیزیه که نیاز داری. یه کتابخونه قدرتمند برای ساخت نمودارهای تعاملی و فوق‌العاده زیبا که می‌تونه هر کسی رو مجذوب خودش کنه. فکر کن کاربرات بتونن روی نمودارت زوم کنن، داده‌ها رو فیلتر کنن، یا حتی روی نقاط مختلفش کلیک کنن و اطلاعات بیشتری بگیرن! این دقیقاً همون چیزیه که Plotly بهت می‌ده.

اینجا قراره قدم به قدم با هم بریم جلو و از صفر تا صد یاد بگیریم چطور با Plotly، نمودارهای جذاب و کارا بسازیم. این یه مقاله کامل و کاربردیه که می‌تونه هر ابهامی رو برات برطرف کنه. آماده‌ای که جادوی داده‌ها رو شروع کنیم؟ اگه دنبال ابزارها و کدهای آماده‌ای برای پروژه‌هات هستی، حتماً یه سر به فروشگاه ابزارها و کدهای آماده ما بزن؛ کلی چیز خفن منتظرته!

—

—

چرا Plotly برای نمودارهای تعاملی؟

حتماً با matplotlib یا seaborn کار کردی. کتابخانه‌های عالی‌ای هستن، اما خروجی نهایی‌شون معمولاً عکس‌های ثابت (static) هستن. اینجاست که Plotly میاد وسط و بازی رو عوض می‌کنه. Plotly بهت امکان می‌ده نمودارهایی بسازی که کاربرت می‌تونه باهاشون زندگی کنه!

ویژگی‌های اصلی Plotly که باعث می‌شه یه سر و گردن از بقیه بالاتر باشه:

* **تعاملی بودن ذاتی:** زوم، پن (جابه‌جایی)، تولتیپ (نمایش اطلاعات با حرکت ماوس روی نقاط)، فیلتر کردن و کلی قابلیت دیگه رو به صورت پیش‌فرض داره.
* **خروجی وب‌محور:** نمودارهای Plotly بر پایه HTML/CSS/JavaScript ساخته می‌شن، یعنی می‌تونی اون‌ها رو به راحتی توی وب‌سایت، داشبورد، یا حتی به عنوان فایل HTML مستقل ذخیره و به اشتراک بذاری. این خاصیت، نمودارهات رو برای موبایل، تبلت، لپ‌تاپ و حتی تلویزیون کاملاً رسپانسیو و قابل نمایش می‌کنه.
* **انواع نمودارهای گسترده:** از نمودارهای خطی و میله‌ای ساده گرفته تا نمودارهای آماری پیچیده، نمودارهای سه‌بعدی، نقشه‌های جغرافیایی، نمودارهای مالی و حتی انیمیشن‌ها، Plotly تقریباً برای هر نیازی یه راه حل داره.
* **پشتیبانی از زبان‌های مختلف:** با اینکه تمرکز ما روی پایتونه، Plotly برای R، Julia و JavaScript هم قابل استفاده است.
* **سادگی در عین قدرت:** با `plotly.express` می‌تونی خیلی سریع نمودارهای زیبا بسازی و با `plotly.graph_objects` به ریزترین جزئیات نمودارت دسترسی داشته باشی و اون رو اونطور که می‌خوای شخصی‌سازی کنی.

پیش‌نیازها و نصب Plotly

قبل از اینکه شیرجه بزنیم توی کدنویسی، باید مطمئن بشیم پایتون و ابزارهای لازم رو روی سیستممون داریم.

1. **پایتون:** مطمئن شو که پایتون 3.6 یا بالاتر روی سیستمت نصبه.
2. **Pip:** مدیریت پکیج پایتون (که معمولاً با خود پایتون نصب می‌شه).

حالا برای نصب Plotly و Pandas (که برای کار با داده‌ها خیلی کاربردیه) ترمینال یا CMD رو باز کن و این دستورات رو بزن:

“`bash
pip install plotly pandas
“`

اگه از Jupyter Notebook یا JupyterLab استفاده می‌کنی (که شدیداً توصیه می‌شه برای تحلیل داده و ساخت نمودار)، بهتره JupyterLab رو هم به‌روز نگه داری:

“`bash
pip install “jupyterlab>=3”
“`

این کار تضمین می‌کنه که نمودارهات توی محیط Jupyter به درستی و با همه امکانات تعاملی‌شون نمایش داده بشن.

شروع کار با Plotly: اولین نمودار خطی شما

خب، دیگه وقتشه دست به کد بشیم. بیا یه نمودار خطی ساده بسازیم تا با فلو کار آشنا بشی. ما از `plotly.express` استفاده می‌کنیم که یه لایه سطح بالا و کاربرپسنده برای ساخت سریع نمودارها.

“`python
import plotly.express as px
import pandas as pd

# 1. آماده‌سازی داده‌ها (می‌تونیم از پانداس برای این کار استفاده کنیم)
data = {
‘ماه’: [‘فروردین’, ‘اردیبهشت’, ‘خرداد’, ‘تیر’, ‘مرداد’, ‘شهریور’],
‘فروش’: [150, 200, 180, 250, 220, 300],
‘هزینه’: [100, 120, 110, 150, 130, 180]
}
df = pd.DataFrame(data)

# 2. ساخت نمودار خطی با Plotly Express
# x: محور افقی (معمولاً زمان یا دسته‌ها)
# y: محور عمودی (معمولاً مقادیر)
# title: عنوان نمودار
fig = px.line(df, x=’ماه’, y=’فروش’, title=’نمودار روند فروش ماهانه’)

# 3. نمایش نمودار
# اگه در Jupyter هستید، fig.show() نمودار رو تعاملی نمایش می‌ده.
# در غیر این صورت، می‌تونید اون رو به عنوان یک فایل HTML ذخیره کنید.
fig.show()

# برای کدهای آماده بیشتر پایتون، به این بخش سر بزنید.
“`

بعد از اجرای این کد، یه نمودار خطی تعاملی می‌بینی که روند فروش ماهانه رو نشون می‌ده. می‌تونی روش زوم کنی، ماوس رو روی نقاط ببری تا اطلاعات دقیق هر ماه رو ببینی و کلی کار دیگه. همین سادگی، قدرت `plotly.express` رو نشون می‌ده.

عمیق‌تر با Plotly Express: سادگی و قدرت

Plotly Express به عنوان یه رابط کاربری سریع و ساده برای Plotly طراحی شده. با فقط یک خط کد می‌تونی انواع مختلفی از نمودارها رو بسازی. بیا چندتا از پرکاربردترین‌ها رو با هم بررسی کنیم.

نمودارهای پراکندگی (Scatter Plots)

نمودارهای پراکندگی برای نشون دادن رابطه بین دو متغیر عددی عالی هستن. Plotly Express بهت امکان می‌ده تا ابعاد بیشتری رو با استفاده از رنگ، اندازه و حتی فیسِت (facet) به نمودارت اضافه کنی.

“`python
# ادامه با همان DataFrame ‘df’
# اضافه کردن یه ستون جدید برای مثال
df[‘تعداد مشتری’] = [50, 60, 55, 70, 65, 80]
df[‘منطقه’] = [‘شمال’, ‘جنوب’, ‘شمال’, ‘شرق’, ‘غرب’, ‘شمال’]

fig_scatter = px.scatter(df,
x=’فروش’,
y=’تعداد مشتری’,
color=’منطقه’, # نقاط رو بر اساس منطقه رنگی کن
size=’فروش’, # اندازه نقاط رو بر اساس فروش تعیین کن
hover_name=’ماه’, # با حرکت ماوس، نام ماه رو نشون بده
title=’رابطه بین فروش و تعداد مشتری بر اساس منطقه’)
fig_scatter.show()
“`

نمودارهای میله‌ای (Bar Charts)

برای مقایسه مقادیر بین دسته‌های مختلف، نمودارهای میله‌ای حرف اول رو می‌زنن.

“`python
fig_bar = px.bar(df,
x=’ماه’,
y=’هزینه’,
color=’ماه’, # میله‌ها رو بر اساس ماه رنگی کن
title=’مقایسه هزینه‌های ماهانه’)
fig_bar.show()
“`

نمودارهای جعبه‌ای (Box Plots) و وایولن (Violin Plots)

این نمودارها برای بررسی توزیع داده‌ها و شناسایی نقاط پرت (outliers) توی دسته‌های مختلف فوق‌العاده‌ان.

“`python
# ساخت یک DataFrame جدید با داده‌های بیشتر برای مثال آماری
data_dist = {
‘گروه’: [‘A’]*50 + [‘B’]*50 + [‘C’]*50,
‘امتیاز’: [i + (i % 10) * 2 for i in range(50)] +
[i + (i % 5) * 3 + 10 for i in range(50)] +
[i + (i % 7) * 1 + 5 for i in range(50)]
}
df_dist = pd.DataFrame(data_dist)

fig_box = px.box(df_dist, x=’گروه’, y=’امتیاز’,
color=’گروه’,
title=’توزیع امتیازات در گروه‌های مختلف (Box Plot)’)
fig_box.show()

fig_violin = px.violin(df_dist, x=’گروه’, y=’امتیاز’,
color=’گروه’,
box=True, # جعبه مرکزی رو هم نشون بده
points=”all”, # همه نقاط داده رو هم نشون بده
title=’توزیع امتیازات در گروه‌های مختلف (Violin Plot)’)
fig_violin.show()
“`

نقشه‌ها و نمودارهای جغرافیایی (Geospatial Charts)

Plotly Express حتی برای ساخت نقشه‌های زیبا هم کاربرد داره. برای این کار به داده‌های مختصات جغرافیایی (عرض و طول جغرافیایی) نیاز داری. این مبحث خودش یه مزووع مفصل و پیشرفته است، اما بد نیست بدونی Plotly Express با توابعی مثل `px.choropleth` و `px.scatter_mapbox` می‌تونه نقشه‌های حرفه‌ای رو هم برات بکشه.

Plotly Graph Objects: کنترل کامل بر نمودارها

تا اینجا با `plotly.express` حسابی حال کردیم، چون کارمون رو راحت می‌کرد. اما اگه نیاز به کنترل ریز روی هر جزء نمودارت داری، `plotly.graph_objects` (که معمولاً با `go` ایمپورت می‌شه) ابزار اصلی توئه. `go` لایه پایین‌تری از Plotly رو در اختیار می‌ذاره و بهت امکان می‌ده هر چیزی رو از چیدمان (layout) گرفته تا تریس‌ها (traces – خود داده‌های نمودار) و حاشیه نویسی‌ها (annotations) به دلخواه خودت بچینی.

کی از `go` استفاده کنیم؟

* وقتی می‌خوای چند نوع نمودار مختلف رو توی یه شکل (figure) ترکیب کنی (مثلاً خطی و میله‌ای).
* وقتی نیاز به شخصی‌سازی‌های خیلی دقیق روی رنگ‌ها، فونت‌ها، مارکرها و غیره داری.
* برای اضافه کردن اسلایدر، دکمه، یا انیمیشن‌های پیچیده‌تر.
* برای ساخت نمودارهایی که `px` مستقیماً پشتیبانی نمی‌کنه (مثلاً نمودارهای کانتور پیشرفته).

ساخت یک نمودار سفارشی با `graph_objects`

بیاید یه نمودار خطی با دو تا خط بسازیم و یه مقدار هم شخصی‌سازی کنیم. اینجا هر خط داده رو به عنوان یه “trace” تعریف می‌کنیم و بعد همه traceها رو توی یه “figure” جمع می‌کنیم.

“`python
import plotly.graph_objects as go
import pandas as pd

# ادامه با همان DataFrame ‘df’
# fig رو به عنوان یک شیء Figure خالی شروع می‌کنیم
fig_go = go.Figure()

# اضافه کردن Trace اول (فروش)
fig_go.add_trace(go.Scatter(x=df[‘ماه’],
y=df[‘فروش’],
mode=’lines+markers’, # هم خط و هم مارکر (نقطه) رو نشون بده
name=’فروش’, # نام این trace برای لجند
line=dict(color=’firebrick’, width=3))) # رنگ و ضخامت خط

# اضافه کردن Trace دوم (هزینه)
fig_go.add_trace(go.Scatter(x=df[‘ماه’],
y=df[‘هزینه’],
mode=’lines’, # فقط خط رو نشون بده
name=’هزینه’,
line=dict(color=’royalblue’, width=2, dash=’dot’))) # خط نقطه‌چین

# تنظیمات Layout (چیدمان کلی نمودار)
fig_go.update_layout(title=’مقایسه فروش و هزینه ماهانه (Graph Objects)’,
xaxis_title=’ماه’,
yaxis_title=’مقدار’,
hovermode=’x unified’, # اطلاعات همه traceها رو در یک زمان نشون بده
font=dict(family=”B Nazanin, sans-serif”, size=12, color=”#7f7f7f”),
plot_bgcolor=’#f5f5f5′, # رنگ پس‌زمینه نمودار
paper_bgcolor=’#ffffff’, # رنگ پس‌زمینه کلی
margin=dict(l=40, r=40, t=80, b=40)) # حاشیه‌ها

fig_go.show()
“`

همونطور که می‌بینی، با `go.Figure()` و `add_trace()` کنترل کامل روی هر لایه از نمودارت داری. می‌تونی هر تعداد `trace` (نمودار خطی، میله‌ای، پراکندگی و…) رو بهش اضافه کنی و بعد با `update_layout()` ظاهر کلی نمودار رو شخصی‌سازی کنی.

افزودن تعامل‌پذیری و شخصی‌سازی

قدرت Plotly فقط توی زیبایی نیست، توی تعامل‌پذیریشه. بیا ببینیم چطور می‌تونیم نمودارهامون رو زنده‌تر کنیم.

اضافه کردن اسلایدر و دکمه (Sliders & Buttons)

فرض کن یه مجموعه داده داری که توی زمان تغییر می‌کنه و می‌خوای کاربر بتونه بین بازه‌های زمانی مختلف جابه‌جا بشه. اسلایدرها و دکمه‌ها این امکان رو بهت می‌دن. این کار با `update_layout()` و استفاده از `updatemenus` برای دکمه‌ها و `sliders` برای اسلایدرها انجام می‌شه که کمی پیشرفته است و به طور کامل توی این مقاله بهش نمی‌پردازیم، اما بدون که Plotly این قابلیت رو داره و می‌تونی با جستجوی `plotly sliders and buttons` مثال‌های خوبی پیدا کنی.

شخصی‌سازی ابزارک‌ها (Tooltips)

تولتیپ‌ها یا همون پنجره‌های کوچکی که با رفتن ماوس روی نقاط نمودار ظاهر می‌شن، خیلی مهمن. Plotly به صورت پیش‌فرض اطلاعات خوبی رو نمایش می‌ده، اما می‌تونی اون‌ها رو کاملاً شخصی‌سازی کنی. مثلاً می‌تونی واحدهای اندازه‌گیری رو اضافه کنی، متن فارسی بذاری، یا حتی چند خط اطلاعات رو توی تولتیپ نمایش بدی. این کار با پارامتر `hover_data` در Plotly Express یا `hovertemplate` در Graph Objects انجام می‌شه.

ذخیره و اشتراک‌گذاری نمودارها

بعد از اینکه نمودار فوق‌العاده‌ات رو ساختی، حتماً می‌خوای اون رو با بقیه به اشتراک بذاری. Plotly چند راه حل برای این کار داره:

* **HTML:** بهترین و ساده‌ترین راه. نمودار رو به عنوان یه فایل HTML ذخیره می‌کنی که کاملاً تعاملیه و هر کسی با مرورگر وب می‌تونه اون رو ببینه.
“`python
fig.write_html(“my_interactive_chart.html”)
“`
* **JSON:** می‌تونی ساختار نمودار رو به فرمت JSON ذخیره کنی و بعداً توی هر محیطی که Plotly رو پشتیبانی می‌کنه (مثلاً JavaScript) لودش کنی.
“`python
fig.write_json(“my_chart_data.json”)
“`
* **تصویر ثابت (Static Image):** اگه نیاز به عکس ثابت داری (مثلاً برای گزارش‌های چاپی)، می‌تونی نمودار رو به فرمت‌های PNG، JPEG، SVG یا PDF ذخیره کنی. برای این کار، باید کتابخانه‌های `kaleido` رو نصب کنی:
“`bash
pip install -U kaleido
“`
بعدش توی پایتون:
“`python
fig.write_image(“my_static_chart.png”)
“`

بهینه‌سازی و نکات حرفه‌ای برای Plotly

وقتی با داده‌های بزرگ کار می‌کنی یا می‌خوای نمودارهات توی محیط‌های خاصی اجرا بشن، یه سری نکته هست که باید بدونی.

* **عملکرد با داده‌های بزرگ (Large Datasets):** اگه میلیون‌ها نقطه داده داری، رندر کردن نمودار ممکنه کند بشه. Plotly خودش تا حدودی بهینه‌سازی شده، اما می‌تونی از تکنیک‌هایی مثل Downsampling (نمایش زیرمجموعه‌ای از داده‌ها) یا WebGL برای نمودارهای پراکندگی استفاده کنی تا عملکرد رو بهتر کنی.
* **Themeing و Branding:** Plotly بهت امکان می‌ده تم‌های رنگی (مثل `plotly_dark`) رو استفاده کنی یا حتی تم‌های کاملاً اختصاصی خودت رو بسازی تا نمودارهات با برند و طراحی پروژه‌ات هماهنگ باشن.
* **استفاده در داشبوردها (Dash):** Plotly یه فریم‌ورک عالی برای ساخت داشبوردهای وب تعاملی به اسم Dash داره که بر پایه Flask و React بنا شده. اگه به دنبال ساخت اپلیکیشن‌های تحت وب با نمودارهای Plotly هستی، Dash بهترین گزینه است. برای شروع کار با Dash، یه سر به مجموعه‌ای از اسنیپت‌های مفید بزن، شاید کدهای آماده‌ای برای شروع پیدا کردی!

عیب‌یابی سریع: مشکلات رایج در Plotly و راه‌حل‌ها

ممکنه در حین کار با Plotly به یه سری مشکلات بربخوری. نگران نباش، این طبیعیه! اینجا چند تا از مشکلات رایج و راه حل‌هاشون رو با هم مرور می‌کنیم.

سخن پایانی

خب رفیق، رسیدیم به پایان این سفر جذاب با Plotly. دیدی که چطور می‌تونی با Plotly Express به سرعت نمودارهای خیره‌کننده بسازی و با Plotly Graph Objects، کنترل بی‌نهایتی روی ریزترین جزئیات داشته باشی. دیگه نمودارهای ثابت و بی‌حس رو فراموش کن و داده‌هات رو با قدرت تعامل‌پذیری Plotly به اوج برسون. این کتابخونه نه تنها ابزاری قدرتمنده، بلکه یک سرمایه‌گذاری برای آینده تحلیل داده و نمایش اطلاعات توئه.

یادت باشه، یادگیری هر کتابخونه‌ای مثل Plotly نیاز به تمرین داره. پس شروع کن به آزمایش، داده‌های مختلف رو امتحان کن و ایده‌های جدید رو پیاده‌سازی کن. مطمئن باش نتایجی که می‌گیری، شگفت‌زده‌ات می‌کنه. اگه خواستی کدهای بیشتری رو ببینی یا در مورد سایر زبان‌ها مثل CSS، JavaScript، HTML و حتی وردپرس اطلاعات بیشتری کسب کنی، حتماً به بخش اسنیپت‌های ما سر بزن.

موفق باشی و همیشه پر از ایده‌های نو!