Plotly.py 版本迁移指南:从2.x到3.x的重要变化解析

Plotly.py 版本迁移指南:从2.x到3.x的重要变化解析

plotly.py The interactive graphing library for Python :sparkles: This project now includes Plotly Express! plotly.py 项目地址: https://gitcode.com/gh_mirrors/pl/plotly.py

前言

Plotly.py作为Python生态中强大的可视化库,在3.0版本中带来了多项重大改进。本文将详细解析从2.x迁移到3.x版本时需要注意的关键变化,帮助开发者顺利完成升级。

核心新特性概述

1. Jupyter Widget深度集成

3.0版本引入了go.FigureWidget对象,它继承了常规go.Figure的所有功能,同时可以直接在Jupyter notebook中显示:

import plotly.graph_objs as go

f = go.FigureWidget()  # 创建FigureWidget对象
f  # 直接显示图形

这意味着不再需要plotly.offline.iplotplotly.offline.init_notebook_mode()等辅助函数(虽然它们仍然可用)。

2. 智能代码补全

在Jupyter环境中,FigureWidget提供了强大的代码补全功能:

  • 输入f.add_后按Tab键,会显示所有支持的图表类型添加方法
  • 输入f.add_scatter()后按Tab键,会显示scatter图表的所有顶级属性
  • 按Shift+Tab组合键会显示方法签名和文档字符串

3. 改进的对象表示

图形对象现在具有更友好的__repr__方法,输出格式可以直接复制粘贴并重新执行:

print(f)
# 输出示例:
FigureWidget({
    'data': [{'type': 'scatter', 'x': [1, 2, 3], 'y': [4, 3, 2]}],
    'layout': {}
})

子图处理的新方法

3.0版本改进了子图处理方式,废弃了旧的append_trace方法,引入了更直观的add_traceadd_traces等方法:

from plotly.subplots import make_subplots

# 创建2x2子图
fig = make_subplots(rows=2, cols=2)

# 三种添加轨迹的方式
fig.add_trace(go.Scatter(x=[1,2], y=[3,4]), row=1, col=1)
fig.add_traces([go.Bar(x=[1], y=[1])], rows=[2], cols=[1])
fig.add_scatter(x=[1,2], y=[2,1], row=2, col=2)

重要变更点解析

1. 图形对象体系重构

所有图形对象现在都有明确的包层次结构,与其在对象层次结构中的位置相匹配:

旧方式(已废弃)

go.Scatter(
    marker=go.Marker(color='red')  # 通用Marker对象
)

新方式

go.Scatter(
    marker=go.scatter.Marker(color='red')  # 特定于Scatter的Marker对象
)

这种改变提供了更好的属性验证,因为不同图表类型的标记对象可能有不同的属性。

2. 属性不可变性

为了支持FigureWidget与前端视图的自动同步,属性现在表现为不可变对象:

fig.layout.xaxis.range = [0, 10]  # 赋值时使用列表
print(fig.layout.xaxis.range)     # 返回的是元组:(0, 10)

3. 数据数组属性规范

数据数组属性不能再指定为标量值:

无效写法

go.Bar(x=1)  # 错误!

正确写法

go.Bar(x=[1])  # 必须使用列表形式

4. 对象数组类变更

以下对象数组类已废弃:go.Datago.Annotationsgo.Frames。现在直接使用列表即可:

旧方式

go.Layout(annotations=go.Annotations([...]))

新方式

go.Layout(annotations=[...])

5. 图形数据分配限制

figure.data属性的赋值有了新的限制:

# 有效的重新排序
fig.data = [fig.data[1], fig.data[0]]  # 交换轨迹顺序

# 无效的添加新轨迹
fig.data = [fig.data[0], go.Scatter(y=[1,2,3])]  # 错误!

要添加新轨迹,必须使用add_trace或相关方法。

迁移建议

  1. 逐步替换:先替换append_trace为新的添加方法
  2. 验证属性:检查所有标记对象是否使用了正确的命名空间
  3. 数组处理:确保所有数据数组属性都使用列表形式
  4. 不可变性适应:注意属性赋值后的类型变化

结语

Plotly.py 3.0版本的这些改进虽然带来了一些迁移成本,但显著提升了开发体验和性能。通过理解这些变化背后的设计理念,开发者可以更高效地利用新版本提供的强大功能。

plotly.py The interactive graphing library for Python :sparkles: This project now includes Plotly Express! plotly.py 项目地址: https://gitcode.com/gh_mirrors/pl/plotly.py

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

资源下载链接为: https://pan.quark.cn/s/3d8e22c21839 随着 Web UI 框架(如 EasyUI、JqueryUI、Ext、DWZ 等)的不断发展与成熟,系统界面的统一化设计逐渐成为可能,同时代码生成器也能够生成符合统一规范的界面。在这种背景下,“代码生成 + 手工合并”的半智能开发模式正逐渐成为新的开发趋势。通过代码生成器,单表数据模型以及一对多数据模型的增删改查功能可以被直接生成并投入使用,这能够有效节省大约 80% 的开发工作量,从而显著提升开发效率。 JEECG(J2EE Code Generation)是一款基于代码生成器的智能开发平台。它引领了一种全新的开发模式,即从在线编码(Online Coding)到代码生成器生成代码,再到手工合并(Merge)的智能开发流程。该平台能够帮助开发者解决 Java 项目中大约 90% 的重复性工作,让开发者可以将更多的精力集中在业务逻辑的实现上。它不仅能够快速提高开发效率,帮助公司节省大量的人力成本,同时也保持了开发的灵活性。 JEECG 的核心宗旨是:对于简单的功能,可以通过在线编码配置来实现;对于复杂的功能,则利用代码生成器生成代码后,再进行手工合并;对于复杂的流程业务,采用表单自定义的方式进行处理,而业务流程则通过工作流来实现,并且可以扩展出任务接口,供开发者编写具体的业务逻辑。通过这种方式,JEECG 实现了流程任务节点和任务接口的灵活配置,既保证了开发的高效性,又兼顾了项目的灵活性和可扩展性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

怀谦熹Glynnis

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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