Python Academy · Lektion

Dashboard-Konzepte

Diagramme zu Dashboards kombinieren

Dashboard-Konzepte ist eine kostenlose Python Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Python Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Python Academy-Kurs umfasst insgesamt 4 Lektionen.

Von Diagrammen zu Dashboards

Ein einzelnes Diagramm beantwortet eine Frage. Ein Dashboard ordnet mehrere zusammengehörige Diagramme so an, dass Betrachter eine gesamte Situation auf einen Blick überwachen können.

Beim Erstellen müssen Sie entscheiden, welche Diagramme zusammengehören, wie Sie sie anordnen und in welcher Beziehung sie zueinander stehen.

Subplots in Plotly

Um mehrere Plotly-Diagramme in einer Figure zu platzieren, verwenden Sie make_subplots(rows, cols) aus plotly.subplots. Anschließend fügen Sie jeden Trace mit fig.add_trace(trace, row=1, col=2) in eine bestimmte Zelle ein.

Dies entspricht in Plotly dem Subplot-Raster von Matplotlib.

Das Raster planen

Skizzieren Sie das Raster, bevor Sie programmieren. Entscheiden Sie, wie viele Zeilen und Spalten benötigt werden und was in jede Zelle kommt. Die Berechnung ist dieselbe wie bei jedem Rasterlayout.

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)

Gemischte Diagrammtypen

Ein Dashboard kombiniert normalerweise verschiedene Typen: ein Liniendiagramm für Trends, ein Balkendiagramm für Ranglisten und eine Zahl für eine wichtige Kennzahl. make_subplots kann sie alle aufnehmen, und mit dem specs-Argument können Sie die Typen für einzelne Zellen festlegen (ein Kreisdiagramm benötigt beispielsweise type='domain').

KPI-Karten

Dashboards beginnen oft mit großen Einzelzahlen, den KPIs. Der Indicator-Trace von Plotly zeigt einen Wert, optional die Abweichung von einem Zielwert und eine Anzeige.

Die Abweichung ist einfach der aktuelle Wert minus dem vorherigen.

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

Gemeinsame Titel und Layout

Geben Sie dem Dashboard mit fig.update_layout(title_text='Sales Dashboard') einen übergreifenden Titel und legen Sie über das subplot_titles-Argument von make_subplots Titel für die einzelnen Bereiche fest. Ein einheitliches Layout lässt die Bereiche wie ein zusammengehöriges Produkt wirken.

Dash für Web-Dashboards

Für interaktive Web-Dashboards mit Dropdowns und Filtern ist Plotlys Schwester-Framework Dash der Standard. Es verbindet Plotly-Figures mit HTML-Steuerelementen und Callbacks, die Diagramme aktualisieren, wenn sich Eingaben ändern.

Für Berichte reicht eine statische Figure mit Subplots aus; Dash ist für Live-Apps gedacht.

Callbacks: Die Grundidee

Ein Dash-Callback ordnet Eingaben (etwa den Wert eines Dropdowns) Ausgaben (etwa einem Diagramm) zu. Wenn sich die Eingabe ändert, wird die Funktion erneut ausgeführt und gibt eine neue Figure zurück. Das Muster lautet: Eingabe hinein, Figure heraus.

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'))

Grundsätze für das Layout

Gute Dashboards folgen einer Hierarchie:

Die wichtigsten KPIs oben links, wo der Blick zuerst hinfällt
Diagramme mit unterstützenden Details darunter
Einheitliche Farben, damit eine Datenreihe überall dasselbe bedeutet

Vermeiden Sie eine überladene Darstellung; Leerraum erleichtert das Verständnis.

Auf die Performance achten

Viele Diagramme und große Datensätze können ein Dashboard langsam machen. Aggregieren Sie die Daten vor dem Plotten, begrenzen Sie die Anzahl der Punkte und berechnen Sie nur die Bereiche neu, deren Eingaben sich geändert haben. Reaktionsschnelle Dashboards werden genutzt, langsame aufgegeben.

Filter und Cross-Filtering

Mit erweiterten Dashboards kann eine einzige Auswahl mehrere Diagramme gleichzeitig aktualisieren; dies wird Cross-Filtering genannt. Wenn Sie eine Region auf einer Karte anklicken, werden die Trend- und Ranglistenbereiche auf diese Region gefiltert.

In Dash wird dies mit Callbacks umgesetzt; der ausgewählte Wert wird zur Eingabe, die alle abhängigen Diagramme auslesen.

Kurzer Test

Testen Sie Ihr Wissen über Dashboard-Konzepte.

Zusammenfassung

Sie haben gelernt, wie aus Diagrammen Dashboards werden:

make_subplots(rows, cols) + add_trace(..., row=, col=) für ein Raster
Diagrammtypen kombinieren und mit KPI-Indicator-Karten beginnen
Dash fügt über Callbacks von Eingaben zu Figures interaktive Steuerelemente hinzu
Eine visuelle Hierarchie einhalten und auf die Performance achten

Häufig gestellte Fragen

Ist die Lektion „Dashboard-Konzepte“ kostenlos?

Ja — der vollständige Text von „Dashboard-Konzepte“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Python Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Python Academy-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „Dashboard-Konzepte“?

Diagramme zu Dashboards kombinieren Du übst Python Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um Python Academy zu starten?

Keine Vorkenntnisse erforderlich. Python Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.

Wie lange dauert die Lektion „Dashboard-Konzepte“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser Python Academy-Lektion Code schreiben und ausführen?

Ja. Jede Python Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

← Zurück zu Python Academy