都快下班准备回家过年了,老板让我做一个可视化报表,还好学会Python,3分钟就完成

用python对本地的表格进行数据可视化 随着python的不断完善,python得到了广泛的应用,很多人都开启了对python的学习,本人通过对python的学习,初步学会了python的基础用法,本文就介绍了python对表格数据进行可视化的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考通过箱线图我们可以看出女生的平均年龄在40岁到50岁之间,男生的平均年龄在35岁到45岁之间,可以看出用图形的方式来展现数据,可以更加清晰有效地观察和传递信息,更好的对数据进行对比分析,更好的制定计划。 阅读详情

刚下班准备赶车回家过年,老板就踩点过来了,发给我一堆东西,让我做完可视化报表再下班,我特么心态崩了呀!
在这里插入图片描述

在数据展示中使用图表来分享自己的见解,是个非常常见的方法。这也是Tableau、Power BI这类商业智能仪表盘持续流行的原因之一,这些工具为数据提供了精美的图形解释。

当然了,这些工具也有着不少缺点,比如不够灵活,无法让你自己创建设计。 当你对图表展示要求定制化时,编程也许就比较适合你,比如Echarts、D3.js。

今天给大家介绍一个用 Python 制作可视化报表的案例,主要是使用到Dash+Tailwindcss。喜欢本文记得收藏、点赞、关注。

Dash 是基于 Plotly 搭建的 Dashbord 框架,支持Python、R和Julia。使用Dash,你可以创建自定义响应式仪表板。

相关文档

说明:https://dash.plotly.com/introduction

案例:https://dash.gallery/Portal/

源码:https://github.com/plotly/dash-sample-apps/

Tailwindcss则是一个实用程序优先的CSS框架,用于快速构建自定义界面。“这种框架只适用于那种只会实现页面布局美化元素而不关心实现业务逻辑的前端”。看看别人对它的评价,对于无交互的图表,完全足够了。

相关文档

说明:https://www.tailwindcss.cn/docs

GitHub:https://github.com/tailwindlabs/tailwindcss

下面就给大家讲解下如何通过Dash+Tailwindcss搭建可视化报表~

首先安装相关的Python库,然后导入。

import dash
import pandas as pd
import plotly.express as px
from dash import dcc, html

使用到了Pandas、Plotly、dash这三个Python库。

我们需要把Tailwindcss的CDN作为external_script,并将其传递给我们的应用程序实例,这样我们才可以成功使用Tailwindcss。

# 导入tailwindcss的CDN
external_script = ["https://tailwindcss.com/", {"src": "https://cdn.tailwindcss.com"}]

# 创建Dash实例
app = dash.Dash(
    __name__,
    external_scripts=external_script,
)
app.scripts.config.serve_locally = True

使用Pandas创建水果销售数据,随便虚构了一个。

# 创建数据
df = pd.DataFrame(
    {
        "Fruit": ["苹果", "橙子", "香蕉", "苹果", "橙子", "香蕉"],
        "Amount": [4.2, 1.0, 2.1, 2.32, 4.20, 5.0],
        "City": ["北京", "北京", "北京", "上海", "上海", "上海"],
    }
)

print(df)

结果如下,3列6行,包含水果、销售额、城市列。

处理一下相关的数据,水果单数、销售总额、城市单数、变量数。

# 水果单数
fruit_count = df.Fruit.count()
# 销售总额
total_amt = df.Amount.sum()
# 城市单数
city_count = df.City.count()
# 变量数

创建图表实例,一个柱状图、一个箱型图。

# 柱状图1, 不同水果不同城市的销售额
fig = px.bar(df, x="Fruit", y="Amount", color="City", barmode="group")

# 箱型图1, 不同城市的销售额分布情况
fig1 = px.box(df, x="City", y="Amount", color="City")

效果如下。

剩下就是文字模块啦,文字+CSS样式。其中排版布局美化,通过Tailwindcss来实现。

app.layout = html.Div(
    html.Div(
        children=[
            html.Div(
                children=[
                    html.H1(children="水果销售--可视化报表", className=" py-3 text-5xl font-bold text-gray-800"),
                    html.Div(
                        children="""Python with Dash = 💝 .""",
                        className="text-left prose prose-lg text-2xl  py-3 text-gray-600",
                    ),
                ],
                className="w-full mx-14 px-16 shadow-lg bg-white -mt-14 px-6 container my-3 ",
            ),
            html.Div(
                html.Div(
                    children=[
                        html.Div(
                            children=[
                                f"¥{total_amt}",
                                html.Br(),
                                html.Span("总销售额", className="text-lg font-bold ml-4"),
                            ],
                            className=" shadow-xl py-4 px-14 text-5xl bg-[#76c893] text-white  font-bold text-gray-800",
                        ),
                        html.Div(
                            children=[
                                fruit_count,
                                html.Br(),
                                html.Span("水果数量", className="text-lg font-bold ml-4"),
                            ],
                            className=" shadow-xl py-4 px-24 text-5xl bg-[#1d3557] text-white  font-bold text-gray-800",
                        ),
                        html.Div(
                            children=[
                                variables,
                                html.Br(),
                                html.Span("变量", className="inline-flex items-center text-lg font-bold ml-4"),
                            ],
                            className=" shadow-xl py-4 px-24 text-5xl bg-[#646ffa] text-white  font-bold text-gray-800",
                        ),
                        html.Div(
                            children=[
                                city_count,
                                html.Br(),
                                html.Span("城市数量", className="text-lg font-bold ml-4"),
                            ],
                            className="w-full shadow-xl py-4 px-24 text-5xl bg-[#ef553b] text-white  font-bold text-gray-800",
                        ),
                    ],
                    className="my-4 w-full grid grid-flow-rows grid-cols-1 lg:grid-cols-4 gap-y-4 lg:gap-[60px]",
                ),
                className="flex max-w-full justify-between items-center ",
            ),
            html.Div(
                children=[
                    html.Div(
                        children=[
                            dcc.Graph(id="example-graph", figure=fig),
                        ],
                        className="shadow-xl w-full border-3 rounded-sm",
                    ),
                    html.Div(
                        children=[
                            dcc.Graph(id="example-graph1", figure=fig1),
                        ],
                        className="w-full shadow-2xl rounded-sm",
                    ),
                ],
                className="grid grid-cols-1 lg:grid-cols-2 gap-4",
            ),
        ],
        className="bg-[#ebeaee]  flex py-14 flex-col items-center justify-center ",
    ),
    className="bg-[#ebeaee] container mx-auto px-14 py-4",
)

效果如下。

最后启动程序代码。

if __name__ == '__main__':
    # debug模式, 端口7777
    app.run_server(debug=True, threaded=True, port=7777)
    # 正常模式, 网页右下角的调试按钮将不会出现
    # app.run_server(port=7777)

这样就能在本地看到可视化大屏页面,浏览器打开如下地址。

http://127.0.0.1:7777

以后制作的图表不仅能在线展示,还能实时更新,属实不错~

这里给大家分享一份Python全套学习资料,包括学习路线、软件、源码、视频、面试题等等,都是我自己学习时整理的,希望可以对正在学习或者想要学习Python的朋友有帮助!

优快云大礼包:全网最全《全套Python学习资料》免费分享🎁

😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

👉优快云大礼包🎁:全网最全《Python学习资料》免费分享(安全链接,放心点击)👈

​

1️⃣零基础入门

① 学习路线

对于从来没有接触过Python的同学,我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
在这里插入图片描述

② 路线对应学习视频

还有很多适合0基础入门的学习视频,有了这些视频,轻轻松松上手Python~在这里插入图片描述

③练习题

每节视频课后,都有对应的练习题哦,可以检验学习成果哈哈!
在这里插入图片描述
因篇幅有限,仅展示部分资料

2️⃣国内外Python书籍、文档

① 文档和书籍资料

在这里插入图片描述

3️⃣Python工具包+项目源码合集

①Python工具包

学习Python常用的开发软件都在这里了!每个都有详细的安装教程,保证你可以安装成功哦!
在这里插入图片描述

②Python实战案例

光学理论是没用的,要学会跟着一起敲代码,动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。100+实战案例源码等你来拿!
在这里插入图片描述

③Python小游戏源码

如果觉得上面的实战案例有点枯燥,可以试试自己用Python编写小游戏,让你的学习过程中增添一点趣味!
在这里插入图片描述

4️⃣Python面试题

我们学会了Python之后,有了技能就可以出去找工作啦!下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
在这里插入图片描述
在这里插入图片描述

5️⃣Python兼职渠道

而且学会Python以后,还可以在各大兼职平台接单赚钱,各种兼职渠道+兼职注意事项+如何和客户沟通,我都整理成文档了。
在这里插入图片描述
在这里插入图片描述
上述所有资料 ⚡️ ,朋友们如果有需要 📦《全套Python学习资料》的,可以扫描下方二维码免费领取 🆓
😝有需要的小伙伴,可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

👉优快云大礼包🎁:全网最全《Python学习资料》免费分享(安全链接,放心点击)👈

​

5分钟搞定ZabbixWatch监控大屏:VUE3+Python实战部署指南(含Docker避坑) 本文提供了一份基于VUE3和Python的ZabbixWatch监控大屏快速部署实战指南。文章详细介绍了从环境准备、Docker Compose一键部署到核心配置的完整流程,并重点分享了连接Zabbix数据源时的关键步骤与常见问题排查方法,特别是针对Docker环境下的端口冲突和配置避坑技巧,帮助运维人员高效搭建现代化运维监控可视化平台。 阅读详情

相关推荐

BI工具选型本质是数据工作流设计:四大平台在获取、准备、可视化与建模环节深度对比

商业智能(BI)不是简单的图表制作工具,而是支撑企业数据驱动决策的核心工作流系统。其底层能力围绕数据获取、数据准备、交互式可视化和预测建模四大基础环节展开——每个环节都直接影响分析效率、结果可信度与业务响应速度。Tableau强调实时连接与探索自由,但依赖源头数据质量;SAP Analytics Cloud深度绑定ERP生态,跨系统集成成本陡增;Spotfire以统计内核和TERR引擎见长,适合强监管与高分析要求场景;Qlik凭借内存关联与脚本化加载,在多源异构数据整合上具备独特优势。理解这些平台在数据生命

csxc65837的博客 432

用Python把表格做成web可视化图表

Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。(全套教程文末领取哈)

m0_59164304的博客 1610

超市销售数据Python实战包:透视分析+自动HTML报表生成(含清洗、多维统计与可视化)

直接跑通超市销售分析全流程的轻量级Python工具包,用真实订单CSV文件(order.csv、order-14.1.csv、order-14.3.csv)做基础数据源。两个Jupyter Notebook分工明确:第一个负责数据清洗、缺失值处理、字段标准化,并支持按地区、商品品类、销售日期、门店等多维度生成动态透视表,快速算出销售额、订单数、平均客单价等核心指标;第二个专注自动化报表输出,一键运行即可生成带交互式图表(柱状图、折线图、热力图)的HTML报告,已预渲染好2、超市销售数据自动化报表.html,

gg901的博客 227

python做出可视化图表

大家好,本文将围绕一个有趣的事情展开说明,一个有趣的事情是一个很多人都想弄明白的事情,想搞清楚一个有趣的事情需要先了解以下几个事情。大家都知道,Matplotlib 是众多 Python 可视化包的鼻祖,也是Python最常用的标准可视化库,其功能非常强大,同时也非常复杂,想要搞明白并非易事。但自从Python进入3.0时代以后,pandas的使用变得更加普及,它的身影经常见于市场分析、爬虫、金融分析以及科学计算中。

wenangou的博客 204

Python数据分析与可视化项目电商类-超市销售数据分析与报表-约200行(数据透视分析).zip

Python数据分析与可视化项目包括项目源码(含详细说明分析)、数据文件、注意不含视频,可作为数据分析练手项目。或用于数据分析报告、毕业设计素材等。

Monocle2在R 4.3环境下的终极避坑指南:从安装到可视化全流程解析

本文提供了在R 4.3环境下安装和运行Monocle2的完整解决方案,重点解决了依赖包兼容性、源码修改及BEAM分析报错等关键问题。文章详细解析了从环境准备、依赖包处理、源码安装验证到从Seurat对象转换、拟时轨迹构建、高级可视化及性能优化的全流程,旨在帮助用户顺利完成单细胞拟时分析。

weixin_29206669的博客 1353

用 Python 制作可视化报表,这也太快了

大家好,在数据展示中使用图表来分享自己的见解,是个非常常见的方法。这也是Tableau、Power BI这类商业智能仪表盘持续流行的原因之一,这些工具为数据提供了精美的图形解释。 当然了,这些工具也有着不少缺点,比如不够灵活,无法让你自己创建设计。 当你对图表展示要求定制化时,编程也许就比较适合你,比如Echarts、D3.js。 今天给大家介绍一个用Python制作可视化报表的案例,主要是使用到Dash+Tailwindcss。喜欢本文记得收藏、点赞、关注。 【注】完整代码、数据、技术交流文末提供 可视

Python数据挖掘 7172

使用MLP解决OCR问题(OpenCV)(下)

分类模型:        分类模型涉及的一个比较关键的问题就是输出的10维向量是如何与具体的类别挂钩的。实际上:10维向量的每一位都代表一类,在对于训练集的表达中,如果输入数据是0,则10维向量的第一位赋值为1,其余均为0。即0对应[1,0,0,0,0,0,0,0,0,0]。MLP模型训练完成后,就需要对用户输入的数据所属类别进行判定。这时得到的输出数据基本不可能是正好的所属类为1,其他位置为0

qq_18515405的专栏 1906

Python 数据分析实战—用 Pandas+Matplotlib 做销售报表,老板直接加薪

Python数据分析实战:Pandas+Matplotlib销售报表自动化 本文介绍了利用Python的Pandas和Matplotlib实现销售报表自动化的完整方案。通过数据清洗(处理缺失值、标准化格式)、多维分析(区域-产品矩阵、时间趋势)和动态可视化(堆叠柱状图、热力图),可显著提升分析效率。某企业案例显示,自动化报表系统将周报生成时间从3人天缩短至10分钟,年省15万元人力成本。该技能组合可使分析师薪资提高30-50%,成为76%数据分析岗位的核心要求。进阶建议包括学习统计学、机器学习及部署技术,以

又见江南雨的博客 692

手把手教你用Cadence Virtuoso完成LNA全套仿真:基于SpectreRF手册的实战补充

本文详细指导如何使用Cadence Virtuoso和SpectreRF完成LNA的全套仿真,涵盖噪声仿真、增益压缩、THD分析及双音IP3测量等关键步骤。针对官方手册中的常见问题,提供了12个实战解决方案,包括hbnoise函数选择、双音信号源配置等,帮助工程师高效完成射频IC设计。

weixin_29102619的博客 519

保姆级教程:在Ubuntu 22.04上,用Chroot和xorriso定制你的专属服务器镜像(附离线包集成)

本文提供了一份详细的Ubuntu 22.04离线镜像定制教程,通过Chroot环境和xorriso工具,帮助用户打造专属服务器镜像。教程涵盖环境准备、镜像解构、系统定制、镜像重组与验证等全流程,特别适合需要在隔离网络环境中批量部署服务器的场景。

weixin_28704565的博客 442

我把 Excel 扔了:用 Python 自动化报表,下班时间从 8 点变 6 点

给所有还在用 “筛选 - 复制 - 粘贴” 加班到深夜的职场人

weixin_42743844的博客 1974

Python实现多元线性回归(Multiple Linear Regression)

多元线性回归是一种用于建立多个自变量与因变量之间关系的统计学方法。在多元线性回归中,我们可以通过多个自变量来预测一个因变量的值。每个自变量对因变量的影响可以用回归系数来表示。

优快云 精品推荐 4326

大数据看板python_35岁老板心得:0代码,1分钟做可视化,不用可惜的大数据分析工具...

数据库在现在很常见吧,从oracle、mysql到olap数据库,但其实,目前还没有一个系统能够满足各种场景的查询需求。其本质原因是,没有一个系统能同时在数据量、性能、和灵活性三个方面做到完美,每个系统在设计时都需要在这三者间做出取舍。但是上面说的,仅仅适用于会技术和编程的IT和程序员们,写写sql,这种人并不是多数,更多人做数据处理还是只会用Excel。传统上,数据处理离不开 IT,只有某些团队...

weixin_27064845的博客 519

作物生长模型Oryza V3实战1:为什么要研究它

ORYZAV3是水稻生长模拟模型ORYZA2000的最新升级版本(3.5版),作为作物生长模型,它通过数学方法和计算机技术模拟水稻生长发育过程及其与环境条件的相互作用。主要功能包括:模拟不同条件下的水稻生长和产量形成、评估环境胁迫影响、分析土壤碳氮动态以及进行区域尺度模拟。国内应用广泛,科研机构用于气候变化影响评估、灌溉模式比较等研究,并开展参数敏感性分析和应用培训。使用流程分为六个步骤:确定输入参数(气象、土壤、作物三类)、参数校准、设置模拟环境、运行模型、分析结果(输出50个参数)和计算产量(穗干重×收

503

PSM倾向性评分分析介绍、spss进行倾向性评分分析示例

PSM倾向性评分分析介绍、spss进行倾向性评分分析示例

statistics+insight+vista+power 1480

零代码地图与报表:用GPT-4实现自然语言生成可视化

在数据驱动决策成为常态的今天,地理可视化与结构化报表已不再是技术团队的专属能力,而是业务人员必备的基础表达工具。其核心原理在于将非结构化输入(如城市名列表、微信聊天数据、混乱Excel)通过语义理解与规则映射,自动完成地理编码、维度识别、数值解析和图表渲染。技术价值体现在大幅降低分析门槛——无需SQL、Python或BI工具配置,仅凭自然语言指令即可生成可交付的热力图、交叉报表与时间趋势图。典型应用场景覆盖市场周报、客服工单分析、销售漏斗追踪及教育/政务等一线信息工作流。本文聚焦GPT-4作为智能中间层如何

weixin_30411239的博客 383

40.8K星爆火!Crawl4AI实战突破Cloudflare 5秒盾:AI反爬新范式,爬虫再也不被封

Crawl4AI的爆火(40.8K星)不是偶然——它解决了爬虫工程师最头疼的反爬问题,让爬虫从“体力活”变成“脑力活”,不用再花费大量时间配置指纹、编写行为脚本。但要注意:爬虫必须遵守目标网站的robots.txt协议,不得用于非法爬取数据(比如用户隐私、商业机密)。合理使用技术,才能长久落地。如果你在使用Crawl4AI时遇到具体问题(比如绕过更严格的反爬、批量爬取配置),欢迎在评论区交流,我会第一时间分享解决方案!

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1601

BI平台选型核心:数据接入、准备、可视化与预测的四大底层能力

商业智能(BI)平台的本质不是图表生成器,而是企业数据决策流的中枢操作系统。其技术价值在于将原始数据转化为可行动洞察的工程化能力——这依赖于四大基础能力:稳定高效的数据接入(支持多源异构、增量同步与语义理解)、灵活可控的数据准备(处理空值、嵌套结构与业务逻辑)、直观可信的可视化交互(支持动态标记、下钻与跨维度关联),以及可解释的预测建模能力。这些能力共同决定了分析响应速度、业务自助程度与IT运维负担。Tableau、SAP Analytics Cloud、Tibco Spotfire和Qlik Sense在

weixin_30653023的博客 998

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

30秒完成工作?终于知道Python这个技能有多重要!

进入6月,2020转眼过半,不知大家复工那么久以来工作如何了? 上周末,好友小晶告诉我她想辞职了。 小晶在深圳一家电商公司做了 2 年的市场运营,为了更好的完成业绩,每天都赶着最后一班地铁回家。 虽然她才毕业 2 年,不过算上加班时长,我说她工作了 3 年真的不过分! 令我惊讶的是,像她这么卖命的员工,应该是领导的「贴心小棉袄」才对啊。 但她却跟我吐槽:我太难了,这工作又累又没前途。 图片来源:动图宇宙 1 直到某个周五临近下班,经理突然下达了一个临时任务:让小晶和另一个新来的女同...

爬遍所有网站 390

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

开课吧python小课学了有用吗-Python学得好,升职加薪下班早

原标题:Python学得好,升职加薪下班早"今天,又是加班满满的一天。”琳琳苦笑。昨天跟闺蜜琳琳约了一块吃饭,坐下来没说几句话,琳琳就接到了领导的电话,直接打车赶去公司加班。不知道从什么时候开始,加班变成了大部分职场人的隐痛。01比你更早下班,还比你更"会”工作上周快下班的时候,琳琳的领导让她和同事分别准备一份季度销售分析报告。为了搞定这个大工程,琳琳把上百个文档和表格中的数据...

q6q6q的专栏 348

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

Python自动化报表:从Excel到高效数据处理

数据处理是现代企业运营中的核心环节,传统Excel操作在处理大数据量时面临效率瓶颈和错误风险。Python作为强大的编程语言,通过pandas等库实现了高效的数据处理能力,其批量处理特性显著提升处理速度,同时降低人为错误。在报表自动化场景中,Python能实现从数据清洗、计算到可视化的一站式解决方案,特别适合财务、销售等需要定期生成报表的岗位。结合openpyxl等工具,可以无缝对接现有Excel工作流,而自动化邮件发送功能则完善了报表分发的最后一公里。通过Python自动化,企业能够将报表处理时间从小时级

weixin_33423874的博客 116

学python编程能做什么工作,学python编程就业好吗

为了帮助大家更好的学习Python,小编给大家准备了一份Python学习资料,里面的内容都是适合零基础小白的笔记和资料,不懂编程也能听懂、看懂,需要获取方式:扫描下方即可获取。优快云大礼包:《Python零基础入门&进阶学习资源包》免费分享。

Bxwfjdjdbdgj的博客 998

企业AI落地前必须完成的5类硬性准备动作

企业级AI集成不是技术单点突破,而是组织、数据、流程与治理协同演进的系统工程。其核心原理在于:AI价值实现的前提是业务可信任、数据可依赖、决策可追溯、人机可协作。技术价值不在于模型复杂度,而在于能否嵌入真实业务闭环并驱动可量化改进;典型应用场景包括智能客服工单分类、供应链需求预测、设备预测性维护等高ROI领域。本文聚焦AI工程化落地前的关键准备阶段,强调战略锚点校准、数据责任田建设、ROI漏斗筛选、AI翻译官机制与AI决策日志治理——这些非技术动作,恰恰是制造业、金融、零售等行业企业跨越AI应用鸿沟的核心支

weixin_30765505的博客 397
上一篇: Python搜索工具:这款搜索文件比电脑自带的快多了,没有之一 ,一起来感受下......
下一篇: PyCharm安装PyQt5及工具(Qt Designer、PyUIC、PyRcc)详细教程来了
AI大模型学习
博客等级 码龄4年 2461粉丝 620原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值