在科學研究中，數據可視化是連接實驗與理論的關鍵橋梁。

它不僅能夠清晰地呈現實驗規律，還能驗證假設并支持科研決策。

Plotly作為一款強大的可視化工具，憑借其交互性、動態圖表支持和靈活的可定制性，在科學領域中展現出巨大的優勢。

本文將探討如何利用 Plotly 高效展示實驗數據與誤差分析，從而提升科研效率。

1. 實驗數據展示

1.1. 數據預處理

在進行數據可視化之前，數據的整理和格式轉換是必不可少的步驟。

一般使用Python的pandas庫來預處理數據。

讀取和解析常用的文件格式使用：

import pandas as pd

# 讀取 CSV 文件
data_csv = pd.read_csv('data.csv')
# 讀取 Excel 文件
data_excel = pd.read_excel('data.xlsx')
# 讀取 JSON 文件
data_json = pd.read_json('data.json')

缺失值、異常值和重復數據的處理使用：

# 刪除缺失值
data_csv.dropna(inplace=True)
# 去除重復數據
data_csv.drop_duplicates(inplace=True)
# 處理異常值（假設異常值為負數）
data_csv = data_csv[(data_csv['value'] >= 0)]

數據的標準化和歸一化可以確保數據的單位統一和量綱對齊，從而更適合可視化。

例如，可以使用MinMaxScaler或StandardScaler對數據進行歸一化或標準化。

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler()
data_csv[['value']] = scaler.fit_transform(data_csv[['value']])

1.2. 折線圖展示

折線圖和柱狀圖是科學數據可視化中最常用的圖表類型。折線圖適合展示連續變量的趨勢，例如時間序列實驗數據。Plotly的plotly.express.line函數可以輕松實現折線圖的繪制。

假設我們有一組時間序列的實驗數據，記錄了不同時間點的測量值。我們將使用Plotly繪制折線圖來展示這些數據的變化趨勢。

import plotly.express as px
import pandas as pd

# 創建示例數據
df = pd.DataFrame({
    'time': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'value': [2.3, 3.5, 4.1, 5.2, 4.8, 6.0, 5.5, 7.2, 6.8, 8.0]
})

# 繪制折線圖
fig = px.line(
    df,
    x="time",
    y="value",
    title="時間序列實驗數據折線圖",
    labels={"time": "時間", "value": "測量值"},  # 自定義坐標軸標簽
    template="plotly_dark",
)  # 使用暗色主題

# 添加一些自定義樣式
fig.update_traces(line=dict(color="blue", width=2))  # 設置線條顏色和寬度
fig.update_layout(
    xaxis=dict(showgrid=True, gridwidth=1, gridcolor="rgba(255, 255, 255, 0.2)"),
    yaxis=dict(showgrid=True, gridwidth=1, gridcolor="rgba(255, 255, 255, 0.2)"),
    font=dict(family="Arial", size=12, color="white"),  # 設置字體樣式
)

# 顯示圖表
fig.show()

1.3. 柱狀圖展示

柱狀圖則適合對比離散實驗組的結果差異，例如不同處理組的響應值。

Plotly的plotly.express.bar函數可以繪制柱狀圖。

在實際應用中，我們常常需要展示多組實驗數據，并通過顏色編碼區分對照組與實驗組。

Plotly的顏色映射功能可以輕松實現這一點。

import pandas as pd
import plotly.express as px

df = pd.DataFrame(
    {
        "group": ["A", "B", "C", "D", "E"],
        "response": [10, 15, 7, 12, 20],
    }
)

# 繪制柱狀圖
fig = px.bar(
    df,
    x="group",
    y="response",
    title="不同處理組的響應值柱狀圖",
    labels={"group": "處理組", "response": "響應值"},  # 自定義坐標軸標簽
    color="group",  # 根據處理組分組著色
    template="plotly_white",
)  # 使用白色主題

# 添加一些自定義樣式
fig.update_traces(
    marker=dict(line=dict(color="black", width=1))
)  # 設置柱子的邊框顏色和寬度
fig.update_layout(
    xaxis=dict(showgrid=False),
    yaxis=dict(showgrid=True, gridwidth=1, gridcolor="rgba(0, 0, 0, 0.1)"),
    font=dict(family="Arial", size=12, color="black"),  # 設置字體樣式
)

# 顯示圖表
fig.show()

2. 誤差棒的應用

誤差棒是科學圖表中不可或缺的元素，它能夠展示數據的變異性和統計顯著性。

在Plotly中，誤差棒可以通過error_x和error_y參數實現。

在繪制誤差棒之前，一般需要計算標準差、標準誤差或置信區間。

假設我們有一組實驗數據，記錄了不同時間點的測量值以及每個時間點的標準差。

下面使用Plotly繪制折線圖時，為每個數據點添加誤差棒，以展示數據的變異性和統計顯著性。

import plotly.express as px

# 繪制帶有誤差棒的折線圖
fig = px.line(
    df,
    x="time",
    y="value",
    error_y="std",
    title="帶誤差棒的時間序列折線圖",
    labels={"time": "時間", "value": "測量值"},  # 自定義坐標軸標簽
    template="plotly_dark",
)  # 使用暗色主題

# 添加一些自定義樣式
fig.update_traces(
    line=dict(color="blue", width=2),  # 設置線條顏色和寬度
    error_y=dict(color="red", thickness=1.5),
)  # 設置誤差棒顏色和寬度
fig.update_layout(
    xaxis=dict(showgrid=True, gridwidth=1, gridcolor="rgba(255, 255, 255, 0.2)"),
    yaxis=dict(showgrid=True, gridwidth=1, gridcolor="rgba(255, 255, 255, 0.2)"),
    font=dict(family="Arial", size=12, color="white"),  # 設置字體樣式
)

# 顯示圖表
fig.show()

使用 Plotly 繪制柱狀圖，也可以為每個柱子添加誤差棒。

import plotly.express as px

# 繪制帶有誤差棒的柱狀圖
fig = px.bar(
    df,
    x="time",
    y="value",
    error_y="std",
    title="帶誤差棒的柱狀圖",
    labels={"time": "時間", "value": "測量值"},  # 自定義坐標軸標簽
    template="plotly_white",
)  # 使用白色主題

# 添加一些自定義樣式
fig.update_traces(
    marker=dict(
        color="skyblue", line=dict(color="black", width=1)
    ),  # 設置柱子顏色和邊框
    error_y=dict(color="red", thickness=1.5),
)  # 設置誤差棒顏色和寬度
fig.update_layout(
    xaxis=dict(showgrid=False),
    yaxis=dict(showgrid=True, gridwidth=1, gridcolor="rgba(0, 0, 0, 0.1)"),
    font=dict(family="Arial", size=12, color="black"),  # 設置字體樣式
)

# 顯示圖表
fig.show()

誤差棒的作用主要有：

1. 增強結果可信度：誤差棒展示了數據的變異性和統計顯著性，幫助讀者理解數據的可靠性。
2. 對比實驗組間差異：通過觀察誤差范圍的重疊情況，可以初步判斷不同組之間的差異是否顯著。
3. 交互功能：Plotly 的交互功能允許用戶懸停在圖表上查看具體的誤差數值和統計信息，例如標準差或置信區間。

3. 總結

Plotly在科學可視化中的核心價值在于它能夠從數據整理到動態交互提供全流程支持。

本文主要介紹了Plotly在展示實驗數據和誤差分析方面的強大功能。

誤差分析在科學圖表中是必不可少的，而Plotly提供了靈活的實現方式。