You need to enable JavaScript to run this app. 基于Pandas归一化计数结果用Plotly实现表情符号百分比图表的咨询
优惠活动
大模型
产品
解决方案
定价
更多

基于Pandas归一化计数结果用Plotly实现表情符号百分比图表的咨询

带Emoji核心视觉的Plotly百分比统计图表实现方案

核心实现逻辑

这类图表不需要额外导入图片素材,完全依托Plotly原生的文本渲染能力搭建:把大字号的Unicode Emoji替代原有条形的填充色作为核心视觉元素,用长度匹配占比的辅助元素做数值参考,最终达到Emoji为视觉主体、占比清晰可读的效果——因为Plotly的文本引擎本身就支持原生Emoji字符显示,只要调整文本字号就能满足核心视觉要求。

可落地的分步实现流程

  • 数据源预处理
    直接对接value_counts(normalize=True)返回的归一化Series,完成3项基础处理:
    • 把小数格式的占比转成带%的可读文本,按占比从高到低排序
    • 提前构建分类值到对应Emoji的映射字典,避免分类和视觉元素错位
    • 在绘图区左侧预留固定宽度的独立区域,专门用来放大展示Emoji,避免和后续的占比标识重叠
  • 画布基础配置
    用Plotly Graph Objects搭建基础画布,隐藏冗余的坐标轴元素:把x轴范围固定在0-1.1区间(对应0%-110%的占比空间,给右侧的数值标注留位置),关闭x轴的所有显示,只保留y轴的分类名称标签,去掉网格线和画布边框,保持整体视觉干净。
  • 分层叠加视觉元素
    • 第一层(核心视觉层):添加Scatter散点图,设置绘图模式为纯文本,把每个行对应的Emoji固定在左侧预留区域,把文本字号调整到40-60号,保证Emoji成为每一行最显眼的元素
    • 第二层(数值参考层):如果需要做长度对应占比的效果,可以添加半透明的浅灰色横向条形,从预留区域的结束位置开始,条形长度完全匹配每个分类的占比值,透明度设为0.3,避免遮挡核心Emoji;如果要完全贴合参考样式的纯Emoji条形效果,可以直接把文本内容换成重复N次的对应Emoji(比如每10%占比对应1个Emoji),省略灰色占位条,实现连续的Emoji拼接条形
    • 第三层(数值标注层):在每个参考条的末端位置,标注格式化后的百分比数值,字号设为常规大小,保证清晰可读
  • 交互优化
    关闭所有非必要的hover提示,把悬浮提示的内容简化为“分类名:占比”,去掉坐标值这类冗余信息;调整所有文本元素的垂直对齐方式,保证每一行的Emoji、参考条、百分比数值完全垂直居中,不会出现上下错位。

可直接运行的参考代码

import pandas as pd
import plotly.graph_objects as go

# 对接场景:从pandas Series拿到value_counts(normalize=True)的归一化结果
norm_series = pd.Series(["正面评价", "正面评价", "中性评价", "负面评价", "正面评价", "中性评价"]).value_counts(normalize=True)
# 提前配置分类与对应Emoji的映射关系
emoji_mapping = {
    "正面评价": "😀",
    "中性评价": "😐",
    "负面评价": "😠"
}

# 数据预处理
plot_data = norm_series.reset_index()
plot_data.columns = ["category", "ratio"]
plot_data["emoji"] = plot_data["category"].map(emoji_mapping)
plot_data["percent_label"] = (plot_data["ratio"] * 100).round(1).astype(str) + "%"
# 升序排序,让Plotly默认从上到下展示占比从高到低的分类
plot_data = plot_data.sort_values("ratio", ascending=True)

fig = go.Figure()

# 灰色辅助占比条(如果要做纯Emoji条形,这段可以删掉)
fig.add_trace(go.Bar(
    y=plot_data["category"],
    x=plot_data["ratio"],
    base=0.1,
    orientation="h",
    marker_color="#e5e5e5",
    opacity=0.3,
    hoverinfo="skip"
))

# 核心Emoji视觉层
fig.add_trace(go.Scatter(
    x=[0.05]*len(plot_data),
    y=plot_data["category"],
    mode="text",
    text=plot_data["emoji"],
    textfont=dict(size=50),
    hoverinfo="skip"
))

# 百分比数值标注
fig.add_trace(go.Scatter(
    x=plot_data["ratio"] + 0.02,
    y=plot_data["category"],
    mode="text",
    text=plot_data["percent_label"],
    textfont=dict(size=16, color="#333"),
    hoverinfo="skip"
))

# 清理画布冗余元素
fig.update_layout(
    xaxis=dict(visible=False, range=[0, 1.1]),
    yaxis=dict(tickfont=dict(size=14), showline=False),
    plot_bgcolor="white",
    height=400,
    margin=dict(l=20, r=20, t=30, b=20),
    showlegend=False
)

fig.show()

常见落地避坑点

  • 不要把Emoji放在动态的x轴位置,固定在左侧预留区域即可——因为不同系统的Emoji字体宽度有差异,动态位置容易和后面的占比元素重叠
  • 如果需要展示全量分类,要手动补全value_counts没有返回的零值分类,避免漏掉需要展示的类目
  • 分类数量超过5个时,要对应下调Emoji字号,按每个分类行80像素的高度调整画布总高度,避免元素拥挤

内容的提问来源于stack exchange,提问作者Philippe Haumesser

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.25 23:36:04