本文介绍如何使用 plotly 实现“混合型”平行坐标可视化：前几轴为分类变量（如字符串标签），后几轴为连续数值变量，通过类别编码+坐标轴定制达成语义清晰、结构统一的平行坐标图。
本文介绍如何使用 plotly 实现“混合型”平行坐标可视化：前几轴为分类变量（如字符串标签），后几轴为连续数值变量，通过类别编码+坐标轴定制达成语义清晰、结构统一的平行坐标图。
Plotly 原生的 px.parallel_coordinates 仅支持数值型维度，而 px.parallel_categories 仅适用于全分类数据——这导致当数据集同时包含分类列（如 'A', 'B'）和连续列（如 'X', 'Y'）时，二者均无法直接满足需求。解决的关键在于保留分类语义的同时赋予其可排序的数值表示，再通过图表配置还原原始标签。
具体步骤如下：
- 对分类列进行有序编码：使用 pd.Categorical(...).cat.codes 将字符串映射为整数（如 'a'→0, 'b'→1），确保顺序可解释且不引入虚假距离；
- 构建混合维度列表：将编码后的分类列与原始数值列共同传入 dimensions 参数；
- 重映射坐标轴标签：通过 labels 参数指定图例/轴标题显示原始列名（如 'A_cat' → 'A'）；
- 自定义 x 轴刻度文本：利用 fig.update_layout(xaxis=dict(ticktext=...)) 强制将横轴下方的维度名称替换为语义化标签（如 'A', 'B', 'X', 'Y'），避免显示内部编码列名。
以下是完整可运行示例：
import pandas as pd
import plotly.express as px
df = pd.DataFrame({
'A': ['a', 'a', 'b', 'b'],
'B': ['1', '2', '1', '2'],
'X': [5.3, 6.7, 3.1, 0.8],
'Y': [0.4, 0.6, 3.6, 4.8]
})
# 步骤1：编码分类列
df['A_cat'] = df['A'].astype('category').cat.codes
df['B_cat'] = df['B'].astype('category').cat.codes
# 步骤2–3：绘制平行坐标图，映射标签
fig = px.parallel_coordinates(
df,
dimensions=['A_cat', 'B_cat', 'X', 'Y'],
labels={'A_cat': 'A', 'B_cat': 'B', 'X': 'X', 'Y': 'Y'},
color='X',
color_continuous_scale=px.colors.diverging.Tealrose,
color_continuous_midpoint=2
)
# 步骤4：修正横轴维度名称（关键！）
fig.update_layout(
xaxis=dict(
tickvals=[0, 1, 2, 3], # 对应 dimensions 中的索引位置
ticktext=['A', 'B', 'X', 'Y'] # 显示原始语义名称
)
)
fig.show()⚠️ 注意事项：
- 编码顺序取决于 cat.categories 的默认排序（字典序），若需自定义顺序（如 'low'
- 平行坐标图中分类轴的刻度是离散点，但 Plotly 会自动将其渲染为带间隔的条带；确保 tickvals 与 dimensions 索引严格对齐，否则标签错位；
- 若后续需交互筛选（如点击某类高亮），建议额外保存原始分类列至 custom_data，便于回调函数读取真实值。
该方法在保持 Plotly 高性能渲染与交互能力的同时，突破了原生 API 的类型限制，是处理混合型高维数据探索的实用范式。
