可视化阶段收官。前面六周攒了一柜子零件——pandas 的数、matplotlib 的图、plotly 的交互图、上一篇刚做好的地图,今天只引入一个新概念:页面拼装——把多个模块拼进同一个网页。成品是一块”数据仪表盘”:打开一个 HTML 文件,整个数据世界的全貌就在一页上。零件全是旧的,今天学的是”把它们摆上同一块底板”。
一、真实场景:十个文件,老板只想要一页
这两个月你出了不少”货”:月度销售汇总表、品类对比柱状图、趋势折线图、占比饼图、上礼拜的区域销售地图……全在文件夹里躺着,一共十来个文件。周一早上老板说:”别发我十个附件,给我一页,我扫一眼就要知道这个月怎么样。”
你只好把图一张张贴进 Word,数字手抄进表格,贴了四十分钟,老板看了三十秒,还问了一句:”这个数是本月的还是本季的?”
这不是你分析得不好,是交付的形态不对。散装文件是”资料”,一页看全貌才是”仪表盘”。
想想汽车驾驶舱:时速、油量、水温、里程,全在一块板上,开车的人不用翻四个本子查数。数据仪表盘就是你数据的驾驶舱——重要的数在最上面,变化用图讲,明细用表兜底,一屏看完。
今天不发明任何新分析方法,你已经会算数(第 31–36 篇)、会画图(第 61–69 篇)、会拼 HTML 报告(第 70 篇)、会在图上铺地图(第 71 篇)。今天只做一件事:让它们住进同一个页面。
二、新概念:仪表盘 = 三种积木 + 一块底板
网页上的仪表盘,拆开看只有三种积木和一块底板:
- 数字卡(KPI 卡)——巴掌大的小方块,一个大数字加一行小字:”本月销售额 218.5 万 · 环比 +12.3%”。它是给”赶时间的人”看的:三秒钟知道好坏;(KPI 是”关键指标”的行业黑话,念作”开屁哀”,你就理解成”最要紧的那几个数”)
- 图表块——你已经会画的柱状图、折线图、饼图、地图,原样搬进来,一块一张;
- 表格块——
df.to_html()直接吐出来的明细表,垫在最下面给”想核对的人”翻。
底板就是一个普通的 HTML 页面,用一点 CSS 把积木摆整齐。你可能一听”网页、CSS”就头大,别慌——今天用到的 CSS 总共三行,含义就一句话:”东西横着摆,摆不下就换行”。就像乐高底板:你不需要懂底板的塑料配方,只要把积木按上去。
组装的关键动作叫页面拼装:每块积木先各自变成一段 HTML 文本(数字卡用 f-string 拼,图表用 fig.to_html() 转,表格用 df.to_html() 转),然后用 f-string 把这些文本拼进一个大页面模板,写进 .html 文件。整个过程没有任何”新库”——你只是在当”包工头”,把各路工人(pandas、plotly)的活儿拼进同一栋楼。
三、动手:make_dashboard.py,一页看全貌
以下每一步按顺序放进同一个文件 make_dashboard.py,最后一步跑完,就是完整可运行的程序。依赖还是阶段 6 的老三样:pandas、plotly(numpy 是 pandas 自带的内芯,不用单独装)。
第 1 步:数据 —— 先攒一份像样的订单表
import pandas as pd
import numpy as np
# 造一份 60 天的订单流水(真实工作里换成 pd.read_csv("你的文件.csv"))
rng = np.random.default_rng(42) # 固定随机种子,每次跑数据一样
rows = []
for day in pd.date_range("2026-09-20", periods=60, freq="D"):
for _ in range(int(rng.integers(3, 8))): # 每天 3~7 单
rows.append({
"日期": day,
"品类": str(rng.choice(["攀岩鞋", "安全带", "镁粉", "绳索"])),
"销售额": float(rng.integers(100, 1500)),
})
df = pd.DataFrame(rows)
df.to_csv("orders.csv", index=False) # 存一份,后面所有模块都读它
print(f"共 {len(df)} 条订单,日期 {df['日期'].min().date()} ~ {df['日期'].max().date()}")
把数据先落盘成 orders.csv,再让所有模块都从这一个文件读数——一块仪表盘,一个数据源。这是仪表盘最重要的一条纪律,坑 2 会讲为什么。
第 2 步:数字卡 —— 给最重要的数做”门面”
df = pd.read_csv("orders.csv", parse_dates=["日期"])
df["月"] = df["日期"].dt.to_period("M")
# 算 KPI:本月销售额、订单数、客单价、环比
monthly = df.groupby("月")["销售额"].sum()
cur, prev = float(monthly.iloc[-1]), float(monthly.iloc[-2])
mom = (cur - prev) / prev * 100 # 环比增速(%)
cur_df = df[df["月"] == monthly.index[-1]]
avg_order = cur / len(cur_df) # 客单价 = 销售额 ÷ 订单数
def kpi_card(label, value, note):
"""一张数字卡:小字标题 + 大数字 + 小字注解"""
return f'''
{label}
{value}
{note}
'''
kpi_html = "n".join([
kpi_card("本月销售额", f"{cur/10000:.1f} 万元", f"{monthly.index[-1]} · 环比 {mom:+.1f}%"),
kpi_card("本月订单数", f"{len(cur_df)} 单", f"上月 {len(df[df['月']==monthly.index[-2]])} 单"),
kpi_card("客单价", f"{avg_order:.0f} 元", "销售额 ÷ 订单数"),
kpi_card("在售品类", f"{df['品类'].nunique()} 个", "数据来源 orders.csv"),
])
print(kpi_html[:200], "……数字卡拼好了")
看一眼三张卡的口径:每个大数字都跟着时间范围 + 单位的小字。”218.5 万元”孤零零挂在那里是哑谜,”218.5 万元 · 2026-11 · 环比 +12.3%”才是信息。
第 3 步:图表块 —— 品类对比 + 月度趋势
import plotly.express as px
# 图一:各品类销售额(柱状图,第 63 篇的手艺)
by_cat = df.groupby("品类", as_index=False)["销售额"].sum().sort_values("销售额", ascending=False)
fig_bar = px.bar(by_cat, x="品类", y="销售额", title="各品类销售额(元)",
color="品类", color_discrete_sequence=px.colors.qualitative.Set2)
# 图二:每月销售额趋势(折线图,第 62 篇的手艺)
trend = monthly.reset_index()
trend["月"] = trend["月"].astype(str)
fig_line = px.line(trend, x="月", y="销售额", markers=True,
title="每月销售额趋势(元)")
# 转成 HTML 碎片:plotly.js 只在第一张图引一次(坑 1 的疫苗)
chart_bar_html = fig_bar.to_html(full_html=False, include_plotlyjs="cdn")
chart_line_html = fig_line.to_html(full_html=False, include_plotlyjs=False)
print("两块图表碎片转好了")
注意 to_html 的两个参数变了姿势:以前是整页输出,现在是 full_html=False——只吐一段能塞进大页面的”碎片”。第一张图 include_plotlyjs="cdn"(从网上引一次画图引擎),其余图全部 False(复用前面那份)。多张图的页面,这条纪律定生死。
第 4 步:表格块 —— 明细垫底
summary = (df.groupby("品类")
.agg(订单数=("销售额", "count"), 销售额=("销售额", "sum"))
.reset_index()
.sort_values("销售额", ascending=False))
summary["占比"] = (summary["销售额"] / summary["销售额"].sum() * 100).round(1).astype(str) + "%"
summary["销售额"] = summary["销售额"].round(0).astype(int)
table_html = summary.to_html(index=False, border=0, classes="tbl")
print(summary)
df.to_html() 就是第 35 篇”导出报表”的 HTML 版:表格自己会排版,你只管算好要展示的列。
第 5 步:拼底板 —— 三行 CSS,一个 f-string
page = f"""
销售数据仪表盘
body {{ font-family: "Microsoft YaHei", sans-serif; background:#f5f6f8; margin:0; padding:24px; }}
.wrap {{ max-width: 1100px; margin: 0 auto; }}
.row {{ display:flex; flex-wrap:wrap; gap:12px; }}
.card {{ flex:1 1 200px; background:#fff; border-radius:10px; padding:16px 20px;
box-shadow:0 1px 4px rgba(0,0,0,.08); }}
.card-label {{ color:#888; font-size:13px; }}
.card-value {{ font-size:28px; font-weight:700; color:#1a3a5c; margin:4px 0; }}
.card-note {{ color:#999; font-size:12px; }}
.block {{ background:#fff; border-radius:10px; padding:16px; margin-top:16px;
box-shadow:0 1px 4px rgba(0,0,0,.08); }}
.tbl {{ border-collapse:collapse; width:100%; }}
.tbl th, .tbl td {{ padding:8px 12px; border-bottom:1px solid #eee; text-align:left; }}
销售数据仪表盘 · 2026-11-18 生成
{kpi_html}
{chart_bar_html}
{chart_line_html}
品类明细
{table_html}
"""
with open("dashboard.html", "w", encoding="utf-8") as f:
f.write(page)
print("仪表盘已生成:dashboard.html")
小抄注: 是这行代码注释(HTML 里的注释长得和 Python 不一样),不影响运行;f-string 里的 {{ }} 是为了输出 CSS 的花括号而写的”双写转义”——f-string 里想打出一个真的花括号,就得写两个(坑 4 的疫苗)。
第 6 步:跑起来
python make_dashboard.py
双击打开 dashboard.html:最上面一排数字卡,往下是柱状图、折线图,最底下品类明细表。鼠标停在柱子上悬停看数值,一页看全貌,齐了。整个系列到目前为止,这是最像”作品”的一个程序。
想把第 71 篇的地图也摆上来?完全一样:chart_map = fig.to_html(full_html=False, include_plotlyjs=False),然后在页面里加一个
,第五块积木就位。
四、跟AI说需求:把”做个仪表盘”说成积木清单
仪表盘是最容易被 AI 做跑题的需求——你说”做个仪表盘”,它可能甩给你一个需要装十个依赖的”专业 BI 系统”。把它说成积木清单:
“我有订单流水 orders.csv(列:日期、品类、销售额),做一个单文件的 make_dashboard.py,生成 dashboard.html。页面从上到下四部分:①一排数字卡:本月销售额(万元)、本月订单数、客单价(元),每张卡带时间范围和环比的小字;②各品类销售额柱状图;③每月销售额趋势折线图;④品类明细表(订单数、销售额、占比)。用 pandas 算数、plotly 出图、f-string 拼页面。要求:plotly.js 全页只引一次,页面文件不超过 1MB;CSS 用 flex 且能换行,手机打开不乱。代码完整可运行,关键行中文注释,先说方案再给代码。”
它的方案里这几个点值得追问:
- 让它解释”plotly.js 只引一次”怎么实现:合格答案是”第一张图
include_plotlyjs='cdn',其余False“。含糊其辞说”都用默认值”,页面就要胖成几十 MB; - 追一句”数字卡的时间口径怎么保证不错”:好的方案是 KPI 计算集中在一个函数里,标签文字由同一处生成——而不是每个卡各拼各的 f-string,改一处漏三处;
- 问它”我以后加一块新图,要改几个地方”:理想答案是”两个地方——生成图碎片、页面里加一行 div”。如果它设计出十几层模板继承,对单文件仪表盘就是过度工程。
五、四个必踩的坑(先打疫苗)
- 页面双击打开是白屏或要加载半天,文件几十 MB。 十有八九是每张图都
include_plotlyjs默认引了一遍 plotly.js(一份就 3 MB 多)。疫苗:第一张图include_plotlyjs="cdn",其余一律False。cdn 版从网上加载引擎,本地文件本身只有几百 KB;若要完全离线,第一张图用include_plotlyjs=True,其余仍然False——总之引擎只能进页面一次。
- 数字卡对不上原始数据,怎么查都不知道错哪。 最常见原因:各模块各自读数据、各自过滤,卡片算的是”全部”、图算的是”本月”、表算的是”上月”。疫苗:一个数据源 + 一次清洗——开头读一次
orders.csv、算一次df["月"],后面所有模块只从这一份df派生。仪表盘上的数互相矛盾,比没有仪表盘更糟:看的人会信第一个数。
- f-string 一跑就报
SyntaxError: invalid format string或花括号全乱。 CSS 里满屏花括号,撞上 f-string 的格式语法。疫苗:f-string 里所有想原样输出的花括号都写成{{ }};或者学聪明人——页面模板存成单独的template.html,用page = template.replace("{kpi}", kpi_html)这种”占位符替换”拼装,彻底绕开转义问题。
- 数字卡只有一个光秃秃的”2185000″,老板问”这是啥”。 数字不带单位、不带时间范围、环比不标方向,仪表盘就退化成哑谜墙。疫苗:大数字 + 三要素小字(时间范围、单位、对比口径);环比用
{mom:+.1f}%的+号自动带方向(+12.3%/-4.5%),一眼好坏。
六、跟AI协作的正确姿势(拼装特供版)
- 先要”积木清单”,再要代码。 让 AI 先列一页纸:”哪几个数字卡、哪几张图、哪张表、每块的口径”,你确认了再写代码。拼装类项目的返工,九成返在”少了一块”和”口径不对”上,这两样都在清单阶段改最便宜。
- 让每块积木做成一个函数。
kpi_cards(df)返回数字卡 HTML,chart_bar(df)返回图表碎片——块与块之间只靠df传数据,不互相引用。以后你想把饼图换成地图,改一个函数,页面骨架不用动。
- 验收标准写成”抽查三个数 + 手机看一眼”。 随机挑三个数字回
orders.csv亲手重算核对;再把窗口拉窄(或手机打开)看排版换行是否正常。仪表盘是最容易”看起来对”的交付物——满屏都是内容,错一个数根本看不出来,只能点名核对。
七、今日小练习
练习1:跑出你自己的第一块仪表盘。 把 make_dashboard.py 整段复制,跑出 dashboard.html(提示:先确认第 1 步真的生成了 orders.csv;把三个数字卡的大数字和 monthly、len(cur_df) 的打印结果核对一下;想换风格就改 CSS 里 #1a3a5c 这个主色值,比如换成 #c0392b 看看效果)。
练习2:给仪表盘加一块”地图积木”。 把第 71 篇的填色地图拼进页面底部,做成第五块(提示:fig.to_html(full_html=False, include_plotlyjs=False)——引擎已经在页面顶部引过一次了,再引一次坑 1 就发作;照着
的格式加一行就行)。
练习3:亲手制造一次”数字打架”事故。 故意让柱状图读 orders.csv、数字卡读另一份改过几个数的 csv,刷新页面看两个模块”各说各话”;然后改回”一个数据源”,再抽查三个数核对(提示:事故现场就是坑 2 说的”互相矛盾的仪表盘”;一页看全貌的前提是全貌来自同一份数据——这条纪律比排版好看重要十倍)。
下篇预告
下一篇(第73篇):网站是怎么工作的 — 你每天都在用的”前后台”。 可视化阶段正式收官,第五阶段”Web入门”开篇:你天天逛网页、点按钮、提交表单,可浏览器和服务器之间到底发生了什么?一个新概念——前后端分工——让你从此看网站像看透明的玻璃房。