plotly

Plotly - インタラクティブな可視化

Plotly は、幅広いインタラクティブチャートを提供します。「Plotly Express」API は、整然とした DataFrame を使った高速で簡単な操作を目的に設計されています。一方、「Graph Objects」では、すべてのトレースと属性を低レベルで制御できます。

使用する場面

• Web アプリケーションや Jupyter ノートブック用のインタラクティブチャートを作成するとき
• 3D データ（サーフェス、散布図、メッシュ）を可視化するとき
• Mapbox と連携した地理マップ（地図上の散布図、コロプレス図）を作成するとき
• 金融チャート（ローソク足、OHLC）を作成するとき
• 特定の領域をズームして調べる必要がある大規模なデータセットを探索するとき
• アニメーション（時系列スライダー）を作成するとき
• 本番環境に対応したダッシュボードを構築するとき（Dash 経由）

リファレンスドキュメント

公式ドキュメント: https://plotly.com/python/
Plotly Express: https://plotly.com/python/plotly-express/
検索パターン: px.scatter、go.Figure、fig.update_layout、fig.write_html、px.choropleth

基本原則

Plotly Express（px）と Graph Objects（go）の比較

特徴	Plotly Express（px）	Graph Objects（go）
複雑さ	高レベルで簡潔です。	低レベルで冗長です。
データ形式	整然とした（ロング形式の）DataFrame。	リスト、配列、辞書、または DataFrame。
カスタマイズ	良好（update_* を使用）。	最大限の制御が可能です。
開発速度	非常に高速です。	より低速です。

Plotly を使う場面

• インタラクティブな探索（ホバー、ズーム）
• 3D および地理空間の可視化
• 単体で動作するインタラクティブな HTML ファイルへのエクスポート
• Dash との連携

Plotly を使わない場面

• 出版品質の静的な LaTeX プロット（Matplotlib を使用してください）
• 非常に大きな静的画像の生成（Matplotlib のほうが高速です）
• メモリの少ない環境（Plotly の JSON ベースの図はメモリを大量に消費します）

クイックリファレンス

インストール

pip install plotly pandas

標準インポート

import plotly.express as px
import plotly.graph_objects as go
import pandas as pd
import numpy as np

基本パターン - Plotly Express

import plotly.express as px

# Load data
df = px.data.iris()

# Create interactive scatter plot
fig = px.scatter(df, x="sepal_width", y="sepal_length", 
                 color="species", size="petal_length",
                 hover_data=['petal_width'])

# Display
fig.show()

重要なルール

✅ すること

• まず Plotly Express を使う — タスクの 90% は px のほうが簡単です
• 整然としたデータを優先する — 色や軸へのマッピングを簡単にするため、観測値ごとに 1 行にします
• update_layout を使う — タイトル、フォント、背景色をすっきりと変更できます
• HTML として保存する — fig.write_html("plot.html") を使ってインタラクティブチャートを共有します
• ホバーデータを活用する — プロットを見づらくせずに、ポイントにコンテキストを追加できます
• 図のテンプレートを設定する — template="plotly_dark" または "ggplot2" を使って、すぐにスタイルを適用します
• marginal_x/y を使う — px.scatter で、ヒストグラムや箱ひげ図を余白にすばやく追加できます

❌ しないこと

• 巨大なデータセットをブラウザーに渡す — 50k を超えるポイントをプロットすると UI が遅くなる場合があります。datashader または間引きを使用してください
• go で手動ループする — px でできる場合は、go でトレースを追加するための for ループを使わないでください
• 軸ラベルの設定を忘れる — px は列名を使用します。ラベルを見やすくするため、DataFrame で列名を変更してください
• アニメーションを多用する — 滑らかなアニメーションは魅力的ですが、動く要素が多すぎるとデータへの注意がそれます

アンチパターン（絶対に避けること）

# ❌ BAD: Over-complicating a simple plot with Graph Objects
fig = go.Figure()
for species in df['species'].unique():
    sub = df[df['species'] == species]
    fig.add_trace(go.Scatter(x=sub['sepal_w'], y=sub['sepal_l'], name=species))

# ✅ GOOD: Use Plotly Express (One line, automatic legend/colors)
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species")

# ❌ BAD: Mixing list-style data with DataFrame-style data in px
px.scatter(x=[1,2,3], y=df['column']) # Can lead to alignment issues

# ✅ GOOD: Stick to the DataFrame
px.scatter(df, x="column_a", y="column_b")

Plotly Express（px）の詳細

統計チャート

# Boxplot with points
fig = px.box(df, x="day", y="total_bill", color="smoker", points="all")

# Violin plot with box inside
fig = px.violin(df, x="day", y="total_bill", color="sex", box=True, points="all")

# Heatmap (Density Contour)
fig = px.density_heatmap(df, x="total_bill", y="tip", marginal_x="histogram", marginal_y="histogram")

時系列とファセット

df = px.data.stocks()
# Multiple lines from wide data
fig = px.line(df, x='date', y=["GOOG", "AAPL", "AMZN"], title="Tech Stocks")

# Faceting (Subplots by category)
df = px.data.tips()
fig = px.scatter(df, x="total_bill", y="tip", color="smoker", 
                 facet_col="day", facet_row="time")

3D 可視化

散布図、線、サーフェス

# 3D Scatter
fig = px.scatter_3d(df, x='sepal_length', y='sepal_width', z='petal_width', color='species')

# 3D Surface (Using Graph Objects)
z_data = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/master/api_docs/mt_bruno_elevation.csv')
fig = go.Figure(data=[go.Surface(z=z_data.values)])
fig.update_layout(title='Mt Bruno Elevation', autosize=False,
                  width=500, height=500, margin=dict(l=65, r=50, b=65, t=90))

地理空間分析

マップとコロプレス図

# Scatter on a map
df = px.data.gapminder().query("year == 2007")
fig = px.scatter_geo(df, locations="iso_alpha", color="continent",
                     hover_name="country", size="pop",
                     projection="natural earth")

# Detailed Mapbox Choropleth (Needs token or use open-street-map)
fig = px.choropleth_mapbox(df, geojson=counties, locations='fips', color='unemp',
                           color_continuous_scale="Viridis",
                           mapbox_style="carto-positron",
                           zoom=3, center = {"lat": 37.0902, "lon": -95.7129})

レイアウトとスタイル（fig.update_*）

外観の微調整

fig = px.scatter(df, x="x", y="y")

# Global layout updates
fig.update_layout(
    title="Custom Styled Plot",
    xaxis_title="Dimension X",
    yaxis_title="Dimension Y",
    font=dict(family="Courier New, monospace", size=18, color="RebeccaPurple"),
    legend=dict(yanchor="top", y=0.99, xanchor="left", x=0.01),
    plot_bgcolor="white"
)

# Axis specific updates
fig.update_xaxes(showgrid=True, gridwidth=1, gridcolor='LightPink')
fig.update_yaxes(zeroline=True, zerolinewidth=2, zerolinecolor='Black')

高度なインタラクション：アニメーション

df = px.data.gapminder()
fig = px.scatter(df, x="gdpPercap", y="lifeExp", animation_frame="year", 
                 animation_group="country",
                 size="pop", color="continent", hover_name="country",
                 log_x=True, size_max=55, range_x=[100, 100000], range_y=[25, 90])

実践的なワークフロー

1. インタラクティブな科学レポートのエクスポート

def create_interactive_report(df, filename="report.html"):
    """Generates a multi-chart HTML report."""
    fig1 = px.scatter(df, x="A", y="B", color="C")
    fig2 = px.histogram(df, x="A", color="C")
    
    with open(filename, 'a') as f:
        f.write(fig1.to_html(full_html=False, include_plotlyjs='cdn'))
        f.write(fig2.to_html(full_html=False, include_plotlyjs='cdn'))

# Useful for sharing findings with non-technical stakeholders

2. 金融ダッシュボードの一部（ローソク足）

import pandas as pd
from datetime import datetime

df = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/master/finance-charts-apple.csv')

fig = go.Figure(data=[go.Candlestick(x=df['Date'],
                open=df['AAPL.Open'],
                high=df['AAPL.High'],
                low=df['AAPL.Low'],
                close=df['AAPL.Close'])])

# Remove rangeslider for cleaner look
fig.update_layout(xaxis_rangeslider_visible=False)

3. go.Figure でサブプロットを組み合わせる

from plotly.subplots import make_subplots

fig = make_subplots(rows=1, cols=2, subplot_titles=("Plot A", "Plot B"))

fig.add_trace(go.Scatter(x=[1, 2, 3], y=[4, 5, 6]), row=1, col=1)
fig.add_trace(go.Bar(x=[1, 2, 3], y=[2, 3, 5]), row=1, col=2)

fig.update_layout(height=600, width=800, title_text="Side-by-Side Comparison")

パフォーマンスの最適化

大規模データセット向けの WebGL

# For scatter plots with >10,000 points, use Scattergl (Graph Objects)
# or tell px to use webgl (available in newer versions)
fig = px.scatter(df, x="large_x", y="large_y", render_mode="webgl")

# WebGL drastically improves performance by using the GPU for rendering.

よくある問題と解決策

ノートブックでの JSON オーバーヘッド

# ❌ Problem: Notebook file size explodes to 50MB
# ✅ Solution: Display as static image (requires kaleido) or use a different renderer
# fig.show(renderer="png") # Static
# OR: Clear output after viewing

アニメーションでの軸スケーリング

# ❌ Problem: Axes jump around during animation
# ✅ Solution: Manually fix the ranges
fig = px.scatter(df, x="x", y="y", animation_frame="time",
                 range_x=[0, 100], range_y=[0, 100])

凡例に表示されないカテゴリへの対処

# ❌ Problem: Colors change when filtering data because categories disappear
# ✅ Solution: Pass a category_orders dictionary
fig = px.scatter(df, x="x", y="y", color="category",
                 category_orders={"category": ["A", "B", "C", "D"]})

ベストプラクティス

1. まずはPlotly Expressを使う - 90％のタスクではpxから始め、細かな制御が必要な場合にのみgoを使います
2. 整然としたDataFrameを使う - 視覚属性へのマッピングを容易にするため、観測値ごとに1行となるようにします
3. スタイル設定にはupdate_layoutを使う - 図を作り直さずに、タイトル、フォント、背景色をすっきりと変更できます
4. 共有用にHTMLで保存する - fig.write_html("plot.html")を使って、インタラクティブなチャートを関係者と共有します
5. ホバーデータを活用する - プロットを煩雑にせず、ポイントにコンテキストを追加します
6. 図のテンプレートを設定する - template="plotly_dark"または"ggplot2"を使って、すぐにプロフェッショナルなスタイルを適用します
7. 周辺プロットを使う - px.scatterでmarginal_xとmarginal_yを使うと、ヒストグラムや箱ひげ図をすばやく追加できます
8. 大規模なデータセット向けに最適化する - 50k点を超えるデータセットには、WebGLレンダリングまたはdatashaderを使います
9. アニメーションで軸範囲を固定する - range_xとrange_yを使って、アニメーション中に軸が動かないようにします
10. カテゴリの順序を設定する - category_ordersを使って、データをフィルタリングしても色の一貫性を保ちます

Plotlyは、静的な分析とインタラクティブな探索の橋渡しをします。ノートブックで得た科学的知見をウェブへ移すのに最適なツールです。