Python Academy · Lektion

Dashboard-koncepter

Kombinér diagrammer i dashboards

Lektion 3 af 413 trin

Dashboard-koncepter er en gratis Python Academy-lektion på CoddyKit. Dette er lektion 3 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Python Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Python Academy-kurset indeholder 4 lektioner i alt.

Fra diagrammer til dashboards

Ét diagram besvarer ét spørgsmål. Et dashboard samler flere relaterede diagrammer, så brugeren kan overvåge en hel situation på et øjeblik.

At bygge et dashboard indebærer at beslutte, hvilke diagrammer der hører sammen, hvordan de skal placeres, og hvordan de hænger sammen.

Underdiagrammer i Plotly

Hvis du vil placere flere Plotly-diagrammer i én figur, skal du bruge make_subplots(rows, cols) fra plotly.subplots. Derefter tilføjer du hvert dataspor til en bestemt celle med fig.add_trace(trace, row=1, col=2).

Det svarer i Plotly til Matplotlibs gitter af underdiagrammer.

Planlægning af gitteret

Tegn gitteret, før du koder. Beslut, hvor mange rækker og kolonner der skal være, og hvad der skal placeres i hver celle. Beregningen er den samme som ved ethvert andet gitterlayout.

panels = ['Revenue trend', 'Top products', 'Region map', 'Conversion %']
rows, cols = 2, 2
for i, p in enumerate(panels):
    r = i // cols + 1
    c = i % cols + 1
    print('row', r, 'col', c, '->', p)

Blandede diagramtyper

Et dashboard blander normalt flere typer: en linje til tendenser, et søjlediagram til rangordninger og et tal for et vigtigt nøgletal. make_subplots kan indeholde dem alle, og du kan angive typen for hver celle med specs-argumentet (et cirkeldiagram kræver f.eks. type='domain').

KPI-kort

Dashboards begynder ofte med store enkelttal, KPI'erne. Plotlys Indicator-dataspor viser en værdi, en valgfri delta i forhold til et mål samt et måleinstrument.

Deltaet er ganske enkelt den aktuelle værdi minus den forrige.

current = 1280
previous = 1150
delta = current - previous
pct = delta / previous * 100
print('Value:', current)
print('Delta:', '+' + str(delta), '(' + format(pct, '.1f') + '%)')

Fælles titler og layout

Giv dashboardet én overordnet titel med fig.update_layout(title_text='Sales Dashboard'), og angiv titler for de enkelte paneler via subplot_titles-argumentet til make_subplots. Et ensartet layout får panelerne til at føles som ét samlet produkt.

Dash til webdashboards

Til interaktive webdashboards med rullemenuer og filtre er Plotlys søsterrammeværk Dash standardvalget. Det kombinerer Plotly-figurer med HTML-kontrolelementer og callbacks, der opdaterer diagrammer, når inddata ændres.

En statisk figur med underdiagrammer er nok til rapporter; Dash er til aktive apps.

Callbacks: Grundideen

Et Dash-callback knytter inddata (f.eks. en værdi fra en rullemenu) til uddata (f.eks. et diagram). Når inddata ændres, køres funktionen igen, og den returnerer en ny figur. Mønstret er: inddata ind, figur ud.

def update_chart(selected_region):
    data = {'North': [1, 2, 3], 'South': [3, 2, 1]}
    series = data.get(selected_region, [])
    return {'region': selected_region, 'values': series}

print(update_chart('North'))
print(update_chart('South'))

Layoutprincipper

Gode dashboards følger et hierarki:

De vigtigste KPI'er øverst til venstre, hvor øjnene lander først
Diagrammer med understøttende detaljer nedenunder
Ensartede farver, så en dataserie betyder det samme overalt

Undgå at presse for meget ind; luft hjælper forståelsen.

Opmærksomhed på ydeevnen

Mange diagrammer og store datasæt kan gøre et dashboard langsomt. Aggregér data, før du tegner diagrammer, begræns antallet af punkter, og beregn kun de paneler igen, hvis inddata er ændret. Hurtige dashboards bliver brugt; langsomme bliver opgivet.

Filtre og krydsfiltrering

Avancerede dashboards lader ét valg opdatere flere diagrammer på én gang, hvilket kaldes krydsfiltrering. Når du klikker på en region på et kort, filtreres tendens- og rangordningspanelerne til den pågældende region.

I Dash forbindes dette med callbacks; den valgte værdi bliver de inddata, som alle afhængige diagrammer læser.

Hurtig test

Test din forståelse af dashboards.

Besvar den i den interaktive lektion

Opsummering

Du har lært, hvordan diagrammer bliver til dashboards:

make_subplots(rows, cols) + add_trace(..., row=, col=) til et gitter
Bland diagramtyper, og begynd med KPI-kort med Indicator
Dash tilføjer interaktive kontrolelementer via callbacks fra inddata til figur
Følg et visuelt hierarki, og hold øje med ydeevnen

Gratis at komme i gang

Lær Python med en AI-underviser — gratis

Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.

Kurser: 76
Lektioner: 320

Start gratis Se hele kurset

Ofte stillede spørgsmål

Er lektionen “Dashboard-koncepter” gratis?

Ja — hele teksten til “Dashboard-koncepter” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Python Academy-kurset, skal du opgradere til CoddyKit PRO. Python Academy-kurset indeholder 4 lektioner i alt.

Hvad lærer jeg i “Dashboard-koncepter”?

Kombinér diagrammer i dashboards Du øver dig i Python Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.

Skal jeg have erfaring for at begynde på Python Academy?

Der kræves ingen tidligere erfaring. Python Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 3 af 4.

Hvor lang tid tager lektionen “Dashboard-koncepter”?

De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.

Kan jeg skrive og køre kode i denne Python Academy-lektion?

Ja. Alle Python Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.

Alle lektioner i dette kursus

← Tilbage til Python Academy