大家好！今天我们要一起探索Plotly Express这个超级棒的数据可视化神器。想象一下，你的数据故事能以炫酷图表的形式跃然纸上，是不是很兴奋？Plotly Express就像魔法棒，让复杂数据瞬间变得生动起来。接下来，让我们通过8个惊艳示例，一步步教你如何轻松上手。准备好你的Python环境，咱们这就开始吧！
- 入门热身基础线图
import plotly.express as px
df = px.data.gapminder() # 获取预置数据集
fig = px.line(df, x='year', y='lifeExp', country='country') # 绘制国家寿命随时间变化图
fig.show()
这里我们用px.line()画出国家间的寿命变化趋势，简单直观。
- 颜色编码：地区人口密度图
fig = px.scatter_mapbox(df, lat="lat", lon="lon", size="pop", color_continuous_scale="Viridis")
fig.update_layout(mapbox_style="carto-positron")
px.scatter_mapbox()让你的地图上的点大小和颜色反映出人口密度，视觉效果超赞。
- 饼图揭秘：行业分布
fig = px.pie(df, values='pop', names='continent', title='各大洲人口占比')
fig.update_traces(hole=.4)
用px.pie()快速生成饼图，一眼看懂各大洲在世界人口中的份额。
- 动态折线：时间序列分析
fig = px.line(df.query('year == 2007'), x='country', y='lifeExp', animation_frame='continent')
利用animation_frame属性，让你的折线图随着时间推移展示不同大洲的变化。
- 堆积柱状图：多维度比较
fig = px.bar(df, x='continent', y=['pop', 'lifeExp'], barmode='group')
barmode='group'让每个大洲的两个指标形成对比，一目了然。
- 箱线图：数据分布探索
fig = px.box(df, x='continent', y='lifeExp')
箱线图来了，px.box()帮你快速了解各洲平均寿命的分布情况。
- 热力图：相关性展示
corr_df = df[['gdpPercap', 'lifeExp']].corr()
fig = px.imshow(corr_df, labels=dict(x='变量', y='变量', color='相关系数'))
用px.imshow()揭示变量之间的关联，像拼图一样拼凑出数据的秘密。
- 散点矩阵：多元关系可视化
fig = px.scatter_matrix(df[['gdpPercap', 'lifeExp', 'pop']], dimensions=['gdpPercap', 'lifeExp'])
散点矩阵让你一次看到多个变量之间的关系，超级实用！
以上就是Plotly Express的8个精彩示例，每个都让你的数据故事更生动。记得动手实践哦，因为最棒的学习方式就是亲手操作嘛！祝你在数据可视化的世界里大放异彩！
