在数据可视化的世界中，将复杂的数据转化为直观的洞察是一项至关重要的技能。当你需要展示部分与整体的关系时，饼图无疑是经过时间考验的经典选择。今天，我们将深入探索如何使用 Python 中最强大的交互式可视化库——Plotly Express，来创建既美观又富含信息的饼图。
在这篇文章中，我们将不仅仅是教会你从零开始构建图表，我们还会融入 2026 年最新的开发理念，探讨如何利用 AI 辅助工具加速这一过程。我们将掌握数据分组的奥秘，并探索如何通过自定义颜色和样式来提升图表的专业度。我们将通过一系列实际的代码示例，带你领略 Plotly 在数据呈现上的独特魅力，并分享我们在生产环境中的实战经验。让我们开始这段可视化之旅吧！
为什么选择 Plotly Express？
在开始编写代码之前，我们需要先了解一下我们的工具。Plotly 是一个 Python 库，主要用于设计图形，尤其是交互式图形。虽然像 Matplotlib 这样的库很棒，但 Plotly 提供了开箱即用的交互性——悬停提示、缩放和平移功能，这在现代 Web 应用和数据分析报告中非常受欢迎。
它可以绘制多种图形，例如直方图、条形图、箱线图、散点图等等。而 Plotly Express (px) 则是 Plotly 的高级封装，它的语法更加简洁，能够让我们用更少的代码完成更多的工作。
#### 什么是饼图？
饼图是一种圆形的统计图表，被划分为多个扇区来象征数值百分比。在 px.pie 中，每个扇区代表数据中特定类别的数值大小。虽然饼图看起来简单，但它们在展示“占比”这一概念时非常有效。当然，需要注意的是，当类别过多时，饼图可能会变得难以阅读，这时我们通常会考虑其他图表类型。
基础语法与核心参数解析
让我们先来看看 px.pie 的核心语法。理解这些参数是掌握灵活绘图的关键。
> 语法概览：
> plotly.express.pie(data_frame=None, names=None, values=None, color=None, color_discrete_sequence=None, color_discrete_map={}, hover_name=None, hover_data=None, custom_data=None, labels={}, title=None, template=None, width=None, height=None, opacity=None, hole=None)
虽然参数很多，但别担心，我们通常只需要关注其中的几个核心参数。让我们详细解析一下最常用的几个：
接受值类型
:—
DataFrame, array-like, dict
names）在内部构建一个 DataFrame。 str, int, Series, array-like
str, int, Series, array-like
names 列中每个类别的出现次数（相当于计数），这对于快速查看频率分布非常有用。 str, int, Series, array-like
names。 str
float
0.4 会在中间挖一个孔。 2026开发新范式：AI辅助绘图与代码生成
在我们深入具体的代码实现之前，我想和大家分享一个在 2026 年极其重要的工作流转变：Vibe Coding（氛围编程）与 AI 辅助开发。
在我们现在的日常开发中，Cursor、Windsurf 或 GitHub Copilot 不仅仅是补全工具，它们是我们的结对编程伙伴。当我们需要创建一个复杂的 Plotly 图表时，我们不再从零开始查阅文档。相反，我们会这样与 AI 交互：
- 场景描述：你可能会在 IDE 中写注释，“# 创建一个展示销售数据占比的环形图，使用深色主题，突出显示最大值。”
- 代码生成：AI 会根据上下文自动生成 INLINECODE2115d16d 的代码框架，包括 INLINECODEb9e8ec7d 参数和
color_discrete_sequence的配置。 - 迭代优化：如果生成的图表颜色不满意，我们可以直接选中代码块，告诉 AI “把配色方案改为 Viridis”，它就会自动修改参数。
这种 Agentic AI 的工作流极大地提高了我们的效率。但作为开发者，深入理解底层原理仍然是至关重要的，这样才能在 AI 生成错误代码时，迅速定位问题并进行微调。
实战演练 1：构建你的第一个饼图
让我们从最基础的例子开始。我们将手动创建一些数据，来展示如何绘制一个简单的饼图。
在这个场景中，假设我们有三个不同的项目 A、B 和 C，我们想直观地展示它们的数值对比。
import plotly.express as px
import numpy as np
# 准备数据：这里我们使用简单的列表
# random_x 代表每个扇区的数值大小
random_x = [100, 2000, 550]
# names 代表每个扇区的标签
names = [‘项目 A‘, ‘项目 B‘, ‘项目 C‘]
# 使用 px.pie 创建图表
# values 参数设定数值，names 参数设定分类标签
fig = px.pie(values=random_x, names=names)
# 展示图表
fig.show()
运行这段代码后，你将看到：
> 代码解读：
> 在上面的例子中，我们没有传入 INLINECODE8a69ee36，而是直接使用了 INLINECODE4fb807cd 和 names 列表。Plotly 足够智能，能够直接处理这些列表并将其转换为可视化图形。当你将鼠标悬停在扇区上时，你会看到默认的悬停信息，显示了类别名称、数值以及自动计算的百分比。
实战演练 2：数据分组与自动聚合
在现实世界的数据分析中，我们很少处理只有三行数据的列表。更多时候，我们需要处理包含成百上千行记录的数据集。这时，Plotly Express 的强大之处就体现出来了：它会自动帮我们处理数据的聚合。
让我们使用著名的鸢尾花数据集（Iris dataset）来演示这一点。这个数据集包含了150行数据，但只有3个物种。
import plotly.express as px
# 加载内置的鸢尾花数据集
# 这是一个包含150行花的测量数据的 DataFrame
df = px.data.iris()
# 快速查看数据的前几行（在控制台打印）
print("数据预览：")
print(df.head())
# 绘制饼图
# 这里的关键在于：我们将包含多个重复值的 ‘species‘ 列传给了 names
# 并将 ‘sepal_width‘（花萼宽度）传给了 values
fig = px.pie(df, values=‘sepal_width‘, names=‘species‘)
fig.show()
输出结果：
发生了什么？
你会发现，尽管数据集中有150行，但最终的饼图只有3个扇区。这是因为 Plotly 自动将相同的 INLINECODE178a15b3（物种）归类在了一起，并将它们对应的 INLINECODEc6dadf85（花萼宽度）进行了求和。
这是一个非常重要的特性：我们不需要在绘图前手动编写 INLINECODE30f90629 和 INLINECODE12c608bf 代码，Plotly 会替我们完成这项繁琐的工作。 这让我们的数据探索流程变得更加流畅。
工程化实践：处理数据异常与边界情况
在真实的生产环境中，数据往往是不完美的。我们经常遇到缺失值或异常值。如果我们直接将包含 NaN（空值）的数据传给 Plotly，它可能会抛出错误或者生成令人困惑的图表。
我们在最近的一个金融项目中就遇到了这个问题。解决方案非常直接：数据清洗优先策略。我们习惯在绘图前通过 Pandas 的 INLINECODE7b297e78 或 INLINECODE4e0633c5 进行预处理。
# 在绘图前进行防御性编程
df_clean = df.dropna(subset=[‘values_column‘, ‘names_column‘])
# 或者填充默认值
# df_clean = df.fillna(0)
fig = px.pie(df_clean, names=‘category‘, values=‘amount‘)
这种“防御性编程”习惯结合 AI 的静态代码分析，可以显著降低线上图表崩溃的风险。
实战演练 3：自定义图表与增强交互性
一个专业的图表不仅仅是数据的堆砌，还需要清晰的标题和丰富的信息提示。Plotly 允许我们轻松地添加标题，并通过 hover_data 参数自定义鼠标悬停时显示的信息。
让我们改进上面的例子，使其更具信息量。
import plotly.express as px
df = px.data.iris()
# 创建带有自定义信息的饼图
fig = px.pie(
df,
values=‘sepal_width‘,
names=‘species‘,
# 设置图表的标题
title=‘鸢尾花数据集分析：各物种花萼宽度占比‘,
# 自定义悬停数据：除了默认的百分比和数值，我们还显示 ‘sepal_length‘
hover_data=[‘sepal_length‘]
)
fig.show()
输出效果：
进阶技巧：
现在，当你把鼠标悬停在某个扇区上时，你不仅会看到物种名称和花萼宽度的总和，还会看到该物种的花萼长度相关信息（Plotly 会显示该列的均值或其他统计信息，取决于上下文）。这种多维度展示对于深入理解数据非常有帮助。
实战演练 4：美学控制与颜色定制
颜色是数据可视化的灵魂。默认的颜色虽然可以接受，但在制作商业报告或品牌展示时，我们通常需要符合特定主题的配色方案。
在 Plotly 模块中，我们可以通过 color_discrete_sequence 参数轻松更改颜色。
import plotly.express as px
df = px.data.iris()
# 使用 px.colors.sequential.RdBu 配色方案
# 这是一个从红到蓝的渐变色板，非常适合展示对比
fig = px.pie(
df,
values=‘sepal_width‘,
names=‘species‘,
# 这里我们指定了一个具体的颜色序列
color_discrete_sequence=px.colors.sequential.RdBu
)
fig.show()
输出效果：
探索更多配色：
Plotly 提供了大量的内置配色方案，例如 INLINECODEfc8656e7、INLINECODE64eeae82、INLINECODEb4baf9f9 等。你可以尝试将 INLINECODEc473117a 替换为 px.colors.qualitative.Plotly，看看哪种风格更符合你的审美。通常，为了帮助用户更好地区分数据，我们会选择对比度较高的配色。
实战演练 5：进阶应用——环形图与文本模板
为了让你在项目中更具竞争力，我们再来看一个稍微高级一点的例子：环形图。环形图在现代仪表板中非常流行，因为它们看起来比普通饼图更轻盈，而且中间的空间可以用来显示总数或关键指标。
此外，我们还可以自定义扇区上显示的文本格式。
import plotly.express as px
df = px.data.iris()
# 计算总数，以便在标题中展示
total_sepal_width = df[‘sepal_width‘].sum()
# 创建环形图
# hole=0.3 表示中间挖空 30% 的半径
fig = px.pie(
df,
values=‘sepal_width‘,
names=‘species‘,
title=f‘花萼宽度分布 (总数: {total_sepal_width:.2f})‘,
hole=0.3,
# 自定义文本显示格式：显示标签和百分比，保留一位小数
# percent 是一个特殊的关键字，代表计算出的百分比
labels={‘species‘: ‘物种名称‘}
)
# 更新布局和文本信息
fig.update_traces(
textinfo=‘label+percent‘,
textfont_size=12
)
fig.show()
在这个例子中，我们通过设置 INLINECODE4e639dd9 将饼图变成了环形图。同时，利用 INLINECODEde4e27bf 方法，我们精确控制了扇区上显示的文本内容，使其既包含类别名称也包含百分比，极大地提高了信息的可读性。
性能优化与现代部署策略
当我们谈论 2026 年的技术栈时，图表往往不仅仅是在本地 Jupyter Notebook 中运行，而是被部署为Serverless 的微服务，或者嵌入到基于 React/Vue 的前端应用中。
这里有几个我们在生产环境中总结的性能优化建议：
- 后端聚合，前端渲染：如果你的数据量达到百万级，不要把原始数据发给 Plotly。在后端使用 Pandas 或 SQL 完成聚合计算，只传输聚合后的 JSON 数据给前端。
- 使用 Plotly JSON 编码：在微服务架构中，我们可以使用
plotly.utils.PlotlyJSONEncoder将图表对象序列化为 JSON，通过 API 返回给前端。这样可以实现数据与视图的分离，提高复用性。
from plotly.utils import PlotlyJSONEncoder
import json
# 生成图表对象
fig = px.pie(...)
# 序列化为 JSON 格式供 API 使用
graphJSON = json.dumps(fig, cls=PlotlyJSONEncoder)
- 监控与可观测性：如果你的可视化服务运行在 Kubernetes 上，务必添加追踪代码，记录每次图表生成的耗时，以便及时发现性能瓶颈。
最佳实践与常见陷阱
在掌握了基本技能后，我们需要谈谈什么时候不应该使用饼图，以及如何避免常见的错误。
- 避免类别过多：如果你的
names列中有超过 5-7 个不同的类别，饼图将变得非常难以阅读。在这种情况下，用户的眼睛很难比较扇区的大小。这时，条形图（Bar Chart）通常是更好的选择。 - 保持颜色逻辑：如果你使用颜色来代表某种含义（例如红色代表亏损，绿色代表盈利），请确保在你的所有图表中保持这种逻辑一致性。不要为了美观而随意分配颜色，以免误导读者。
- 数据排序：有时候，将扇区按大小排序（从大到小）会让数据更容易理解。虽然 Plotly 默认按
names的字母顺序或数据顺序排列，但你可以在绘图前对 DataFrame 进行排序，以获得更符合直觉的视觉效果。
总结
通过这篇文章，我们从基础出发，逐步深入了解了 Plotly Express 的 pie 函数，并结合了现代软件工程的最佳实践。我们学习了：
- 如何使用最简单的列表数据创建饼图。
- 如何利用 Pandas DataFrame 进行数据分组，让 Plotly 自动完成繁重的聚合计算。
- 如何通过自定义标题、悬停数据和颜色方案，将普通的图表升级为专业的可视化作品。
- 探索了环形图的制作方法以及相关的文本格式化技巧。
- 讨论了在 2026 年的视角下，如何结合 AI 辅助开发、处理工程化边界情况以及进行性能优化。
Plotly 的魅力在于它的简洁与强大并存。你现在可以直接将这些代码片段应用到你的数据分析项目中。希望这篇指南能帮助你更有效地讲述你的数据故事。如果你有任何问题或想要尝试更复杂的图表组合，欢迎继续探索 Plotly 的官方文档，那里有更多宝藏等待你发掘。祝你绘图愉快！