项目5：数据可视化仪表盘搭建，我用Python做了一个老板爱看的管理驾驶舱

大家好，我是正在实战各种AI项目的程序员晚枫。

欢迎来到第五个也是最后一个实战项目！前面我们学会了分析数据、预测销量、识别用户，但分析报告做得再好，不如一个实时仪表盘来得直观。

今天我们要用Python搭建一个交互式数据仪表盘，让老板打开浏览器就能看到关键指标，还能自己筛选、下钻。这就是传说中的管理驾驶舱。

---

项目背景

需求场景

你是公司的数据分析师，领导说：

• "每天发Excel报表太麻烦了"
• "我想随时看手机就知道业绩"
• "能不能点一下就看到详细数据？"

目标产出

一个Web版的数据仪表盘，包含：

• 核心KPI指标卡
• 趋势图表（支持时间筛选）
• 多维度分析（地区/品类/渠道）
• 交互式过滤和联动

---

技术选型

工具	用途
Dash	Web应用框架
Plotly	交互式图表
Pandas	数据处理
Bootstrap	UI样式

安装依赖：

pip install dash plotly pandas

---

准备数据

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# 生成完整的业务数据
np.random.seed(42)

def generate_dashboard_data(n_records=5000):
    """生成模拟业务数据"""
    end_date = datetime(2024, 12, 31)
    start_date = end_date - timedelta(days=365)
    
    dates = pd.date_range(start=start_date, end=end_date, periods=n_records)
    
    data = {
        '订单日期': dates,
        '订单ID': [f'ORD{str(i).zfill(8)}' for i in range(n_records)],
        '地区': np.random.choice(['华北', '华东', '华南', '西南', '东北'], n_records),
        '产品类别': np.random.choice(['电子产品', '服装', '食品', '家居', '美妆'], n_records),
        '销售渠道': np.random.choice(['线上', '线下', '分销'], n_records, p=[0.5, 0.3, 0.2]),
        '客户类型': np.random.choice(['新客户', '老客户'], n_records, p=[0.3, 0.7]),
        '订单金额': np.random.lognormal(5, 1, n_records).round(2),
        '数量': np.random.randint(1, 10, n_records),
        '利润': np.random.lognormal(4, 0.8, n_records).round(2)
    }
    
    df = pd.DataFrame(data)
    df['月份'] = df['订单日期'].dt.to_period('M').astype(str)
    df['季度'] = df['订单日期'].dt.quarter.apply(lambda x: f'Q{x}')
    df['星期'] = df['订单日期'].dt.day_name()
    
    return df

# 生成并保存数据
df = generate_dashboard_data()
df.to_csv('dashboard_data.csv', index=False, encoding='utf-8-sig')
print(f"生成了 {len(df)} 条记录")
print(f"总金额: ¥{df['订单金额'].sum():,.0f}")
print(f"总利润: ¥{df['利润'].sum():,.0f}")

---

仪表盘架构设计

import dash
from dash import dcc, html, Input, Output, callback
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots

# 初始化Dash应用
app = dash.Dash(__name__)

# 加载数据
df = pd.read_csv('dashboard_data.csv', encoding='utf-8-sig')
df['订单日期'] = pd.to_datetime(df['订单日期'])

# 获取筛选选项
regions = ['全部'] + sorted(df['地区'].unique().tolist())
categories = ['全部'] + sorted(df['产品类别'].unique().tolist())
channels = ['全部'] + sorted(df['销售渠道'].unique().tolist())
months = sorted(df['月份'].unique().tolist())

---

布局设计

# 定义页面布局
app.layout = html.Div([
    # 标题栏
    html.Div([
        html.H1('📊 业务数据管理驾驶舱', 
                style={'textAlign': 'center', 'color': '#2c3e50', 'padding': '20px'}),
        html.P('实时监控销售业绩与运营指标', 
               style={'textAlign': 'center', 'color': '#7f8c8d', 'marginTop': '-10px'})
    ], style={'backgroundColor': '#ecf0f1', 'marginBottom': '20px'}),
    
    # 筛选面板
    html.Div([
        html.Div([
            html.Label('地区:', style={'fontWeight': 'bold'}),
            dcc.Dropdown(
                id='region-filter',
                options=[{'label': r, 'value': r} for r in regions],
                value='全部',
                clearable=False
            )
        ], style={'width': '23%', 'display': 'inline-block', 'marginRight': '2%'}),
        
        html.Div([
            html.Label('产品类别:', style={'fontWeight': 'bold'}),
            dcc.Dropdown(
                id='category-filter',
                options=[{'label': c, 'value': c} for c in categories],
                value='全部',
                clearable=False
            )
        ], style={'width': '23%', 'display': 'inline-block', 'marginRight': '2%'}),
        
        html.Div([
            html.Label('销售渠道:', style={'fontWeight': 'bold'}),
            dcc.Dropdown(
                id='channel-filter',
                options=[{'label': c, 'value': c} for c in channels],
                value='全部',
                clearable=False
            )
        ], style={'width': '23%', 'display': 'inline-block', 'marginRight': '2%'}),
        
        html.Div([
            html.Label('时间范围:', style={'fontWeight': 'bold'}),
            dcc.DatePickerRange(
                id='date-range',
                start_date=df['订单日期'].min(),
                end_date=df['订单日期'].max(),
                display_format='YYYY-MM-DD'
            )
        ], style={'width': '25%', 'display': 'inline-block'})
    ], style={'padding': '20px', 'backgroundColor': 'white', 
              'borderRadius': '10px', 'margin': '0 20px 20px 20px',
              'boxShadow': '0 2px 4px rgba(0,0,0,0.1)'}),
    
    # KPI指标卡
    html.Div(id='kpi-cards', style={
        'display': 'flex', 'justifyContent': 'space-around',
        'margin': '0 20px 20px 20px'
    }),
    
    # 图表区域
    html.Div([
        # 第一行：趋势图
        html.Div([
            dcc.Graph(id='trend-chart', style={'height': '400px'})
        ], style={'width': '100%', 'marginBottom': '20px'}),
        
        # 第二行：双列布局
        html.Div([
            html.Div([
                dcc.Graph(id='category-chart', style={'height': '350px'})
            ], style={'width': '48%', 'display': 'inline-block', 
                     'marginRight': '4%'}),
            
            html.Div([
                dcc.Graph(id='region-chart', style={'height': '350px'})
            ], style={'width': '48%', 'display': 'inline-block'})
        ]),
        
        # 第三行：渠道分析和TOP产品
        html.Div([
            html.Div([
                dcc.Graph(id='channel-chart', style={'height': '350px'})
            ], style={'width': '48%', 'display': 'inline-block',
                     'marginRight': '4%', 'marginTop': '20px'}),
            
            html.Div([
                dcc.Graph(id='customer-chart', style={'height': '350px'})
            ], style={'width': '48%', 'display': 'inline-block',
                     'marginTop': '20px'})
        ])
    ], style={'padding': '0 20px'}),
    
    # 数据表格
    html.Div([
        html.H3('📋 详细数据', style={'marginTop': '30px'}),
        html.Div(id='data-table')
    ], style={'padding': '20px', 'margin': '20px',
              'backgroundColor': 'white', 'borderRadius': '10px',
              'boxShadow': '0 2px 4px rgba(0,0,0,0.1)'}),
    
    # 自动刷新
    dcc.Interval(id='interval-component', interval=300*1000, n_intervals=0)  # 5分钟刷新
])

---

回调函数

@callback(
    [Output('kpi-cards', 'children'),
     Output('trend-chart', 'figure'),
     Output('category-chart', 'figure'),
     Output('region-chart', 'figure'),
     Output('channel-chart', 'figure'),
     Output('customer-chart', 'figure'),
     Output('data-table', 'children')],
    [Input('region-filter', 'value'),
     Input('category-filter', 'value'),
     Input('channel-filter', 'value'),
     Input('date-range', 'start_date'),
     Input('date-range', 'end_date')]
)
def update_dashboard(region, category, channel, start_date, end_date):
    """根据筛选条件更新整个仪表盘"""
    
    # 数据筛选
    filtered_df = df.copy()
    filtered_df = filtered_df[
        (filtered_df['订单日期'] >= start_date) & 
        (filtered_df['订单日期'] <= end_date)
    ]
    
    if region != '全部':
        filtered_df = filtered_df[filtered_df['地区'] == region]
    if category != '全部':
        filtered_df = filtered_df[filtered_df['产品类别'] == category]
    if channel != '全部':
        filtered_df = filtered_df[filtered_df['销售渠道'] == channel]
    
    # 计算KPI
    total_sales = filtered_df['订单金额'].sum()
    total_profit = filtered_df['利润'].sum()
    total_orders = len(filtered_df)
    avg_order_value = filtered_df['订单金额'].mean()
    profit_margin = (total_profit / total_sales * 100) if total_sales > 0 else 0
    
    # KPI卡片
    kpi_cards = html.Div([
        create_kpi_card('💰 总销售额', f'¥{total_sales:,.0f}', '#3498db'),
        create_kpi_card('📈 总利润', f'¥{total_profit:,.0f}', '#2ecc71'),
        create_kpi_card('📦 订单数', f'{total_orders:,}', '#e74c3c'),
        create_kpi_card('💵 客单价', f'¥{avg_order_value:.0f}', '#f39c12'),
        create_kpi_card('📊 利润率', f'{profit_margin:.1f}%', '#9b59b6')
    ], style={'display': 'flex', 'justifyContent': 'space-around', 'width': '100%'})
    
    # 趋势图
    trend_fig = create_trend_chart(filtered_df)
    
    # 品类分析图
    category_fig = create_category_chart(filtered_df)
    
    # 地区分析图
    region_fig = create_region_chart(filtered_df)
    
    # 渠道分析图
    channel_fig = create_channel_chart(filtered_df)
    
    # 客户分析图
    customer_fig = create_customer_chart(filtered_df)
    
    # 数据表格
    table = create_data_table(filtered_df)
    
    return kpi_cards, trend_fig, category_fig, region_fig, channel_fig, customer_fig, table

def create_kpi_card(title, value, color):
    """创建KPI卡片"""
    return html.Div([
        html.H4(title, style={'color': '#7f8c8d', 'margin': '0', 'fontSize': '14px'}),
        html.H2(value, style={'color': color, 'margin': '10px 0', 'fontSize': '28px'})
    ], style={
        'backgroundColor': 'white', 'padding': '20px', 'borderRadius': '10px',
        'textAlign': 'center', 'width': '18%',
        'boxShadow': '0 2px 4px rgba(0,0,0,0.1)'
    })

---

图表组件

def create_trend_chart(df):
    """销售趋势图"""
    daily_sales = df.groupby('订单日期').agg({
        '订单金额': 'sum',
        '利润': 'sum'
    }).reset_index()
    
    fig = make_subplots(specs=[[{"secondary_y": True}]])
    
    fig.add_trace(
        go.Scatter(x=daily_sales['订单日期'], y=daily_sales['订单金额'],
                  mode='lines', name='销售额', line=dict(color='#3498db', width=2)),
        secondary_y=False
    )
    
    fig.add_trace(
        go.Scatter(x=daily_sales['订单日期'], y=daily_sales['利润'],
                  mode='lines', name='利润', line=dict(color='#2ecc71', width=2)),
        secondary_y=True
    )
    
    fig.update_layout(
        title='销售与利润趋势',
        xaxis_title='日期',
        hovermode='x unified',
        template='plotly_white',
        height=400
    )
    
    fig.update_yaxes(title_text="销售额", secondary_y=False)
    fig.update_yaxes(title_text="利润", secondary_y=True)
    
    return fig

def create_category_chart(df):
    """品类分析图"""
    category_stats = df.groupby('产品类别').agg({
        '订单金额': 'sum',
        '利润': 'sum'
    }).reset_index().sort_values('订单金额', ascending=True)
    
    fig = go.Figure()
    
    fig.add_trace(go.Bar(
        y=category_stats['产品类别'],
        x=category_stats['订单金额'],
        name='销售额',
        orientation='h',
        marker_color='#3498db'
    ))
    
    fig.add_trace(go.Bar(
        y=category_stats['产品类别'],
        x=category_stats['利润'],
        name='利润',
        orientation='h',
        marker_color='#2ecc71'
    ))
    
    fig.update_layout(
        title='各品类销售与利润',
        barmode='group',
        template='plotly_white',
        height=350,
        showlegend=True
    )
    
    return fig

def create_region_chart(df):
    """地区分析图"""
    region_stats = df.groupby('地区').agg({
        '订单金额': 'sum',
        '订单ID': 'count'
    }).rename(columns={'订单ID': '订单数'}).reset_index()
    
    fig = px.pie(region_stats, values='订单金额', names='地区',
                 title='各地区销售额占比',
                 color_discrete_sequence=px.colors.sequential.Blues)
    
    fig.update_traces(textposition='inside', textinfo='percent+label')
    fig.update_layout(template='plotly_white', height=350)
    
    return fig

def create_channel_chart(df):
    """渠道分析图"""
    channel_stats = df.groupby('销售渠道').agg({
        '订单金额': ['sum', 'mean'],
        '订单ID': 'count'
    }).reset_index()
    channel_stats.columns = ['销售渠道', '总销售额', '平均订单金额', '订单数']
    
    fig = px.bar(channel_stats, x='销售渠道', y=['总销售额', '订单数'],
                 title='各渠道销售表现',
                 barmode='group',
                 color_discrete_sequence=['#3498db', '#e74c3c'])
    
    fig.update_layout(template='plotly_white', height=350)
    
    return fig

def create_customer_chart(df):
    """客户分析图"""
    customer_stats = df.groupby('客户类型').agg({
        '订单金额': 'sum',
        '利润': 'sum',
        '订单ID': 'count'
    }).reset_index()
    
    fig = make_subplots(rows=1, cols=2, specs=[[{"type": "pie"}, {"type": "bar"}]],
                       subplot_titles=('客户类型占比', '客户价值对比'))
    
    fig.add_trace(
        go.Pie(labels=customer_stats['客户类型'], 
               values=customer_stats['订单金额'],
               name="销售额"),
        row=1, col=1
    )
    
    fig.add_trace(
        go.Bar(x=customer_stats['客户类型'], 
               y=customer_stats['利润'],
               name="利润",
               marker_color=['#2ecc71', '#f39c12']),
        row=1, col=2
    )
    
    fig.update_layout(template='plotly_white', height=350, showlegend=False)
    
    return fig

def create_data_table(df):
    """创建数据摘要表格"""
    summary = df.groupby('产品类别').agg({
        '订单金额': ['sum', 'mean', 'count'],
        '利润': 'sum'
    }).round(2)
    
    summary.columns = ['总销售额', '平均订单金额', '订单数', '总利润']
    summary = summary.reset_index()
    summary['利润率'] = (summary['总利润'] / summary['总销售额'] * 100).round(1)
    
    return html.Table([
        html.Thead(html.Tr([html.Th(col) for col in summary.columns])),
        html.Tbody([html.Tr([html.Td(summary.iloc[i][col]) for col in summary.columns]) 
                   for i in range(len(summary))])
    ], style={'width': '100%', 'borderCollapse': 'collapse'})

---

运行应用

if __name__ == '__main__':
    print("启动仪表盘服务器...")
    print("请在浏览器访问: http://127.0.0.1:8050")
    app.run_server(debug=True, host='0.0.0.0', port=8050)

---

部署到服务器

# 生产环境部署配置（app.py）
import dash
from dash import dcc, html
# ... 其他导入

# 关闭调试模式
app = dash.Dash(__name__)
server = app.server  # 用于Gunicorn

# ... 布局和回调代码 ...

if __name__ == '__main__':
    app.run_server(debug=False, host='0.0.0.0', port=8050)

使用Gunicorn启动：

gunicorn -w 4 -b 0.0.0.0:8050 app:server

---

项目总结

学到的技能

• ✅ Dash框架开发Web应用
• ✅ Plotly交互式可视化
• ✅ 响应式布局设计
• ✅ 回调函数与状态管理
• ✅ 数据筛选与联动

仪表盘设计原则

1. 一页原则：关键信息一眼看完
2. 层次清晰：KPI → 趋势 → 明细
3. 交互友好：筛选器要明显易用
4. 配色专业：商务风格，避免花哨
5. 响应及时：数据量大时考虑缓存

扩展方向

• 接入真实数据库（MySQL/PostgreSQL）
• 添加用户登录和权限控制
• 实现定时数据更新
• 移动端适配优化
• 导出PDF报告功能

---

课程完结

恭喜！你已经完成了Python数据分析实战课程的全部内容！

回顾所学

1. ✅ Python数据分析基础（NumPy/Pandas）
2. ✅ 数据清洗与变换技巧
3. ✅ 数据可视化（Matplotlib/Seaborn/pyecharts）
4. ✅ 描述性统计与假设检验
5. ✅ 项目1：销售报表自动化
6. ✅ 项目2：RFM用户分层
7. ✅ 项目3：库存预测分析
8. ✅ 项目4：竞品价格监控
9. ✅ 项目5：数据仪表盘搭建

下一步建议

• 多做项目，积累实战经验
• 学习机器学习，进阶预测分析
• 考取数据分析师认证
• 关注行业动态，持续学习

---

💬 加入学习交流群

扫码加入Python学习交流群，和数千名同学一起进步：

👉 点击加入交流群

群里不定期分享：

• 数据分析实战案例
• Python学习资料
• 求职面试经验
• 行业最新动态

---

推荐：AI Python数据分析实战营

🎁 限时福利：送《利用Python进行数据分析》实体书

👉 点击了解详情

---

进阶：Streamlit搭建Web仪表盘

# app.py
import streamlit as st
import pandas as pd
import plotly.express as px

st.set_page_config(page_title='数据分析仪表盘', layout='wide')

# 侧边栏
st.sidebar.title('筛选条件')
date_range = st.sidebar.date_input('日期范围')
category = st.sidebar.multiselect('品类', options=['A', 'B', 'C'])

# 主区域
st.title('📊 销售分析仪表盘')

col1, col2, col3 = st.columns(3)
col1.metric('总销售额', '¥1,234,567', '+12.3%')
col2.metric('订单数', '8,765', '+5.2%')
col3.metric('客单价', '¥141', '+6.7%')

# 图表
fig = px.line(df, x='date', y='sales', color='category')
st.plotly_chart(fig, use_container_width=True)

# 运行：streamlit run app.py

自动刷新仪表盘

# 定时刷新数据
import time

placeholder = st.empty()
while True:
    df = pd.read_csv('latest_data.csv')
    placeholder.dataframe(df)
    time.sleep(300)  # 每5分钟刷新

避坑指南

❌ 坑1：仪表盘加载慢

# 使用缓存加速
@st.cache_data(ttl=300)  # 缓存5分钟
def load_data():
    return pd.read_csv('large_dataset.csv')

# 只加载必要的列
df = pd.read_csv('data.csv', usecols=['date', 'category', 'amount'])

Gradio搭建仪表盘（比Streamlit更简单）

# pip install gradio
import gradio as gr
import pandas as pd
import matplotlib.pyplot as plt

def show_analysis(category, date_range):
    df = pd.read_csv('sales_data.csv')
    
    # 筛选
    filtered = df[df['category'] == category]
    
    # 生成图表
    fig, ax = plt.subplots(figsize=(10, 5))
    filtered.groupby('date')['sales'].sum().plot(ax=ax)
    ax.set_title(f'{category}销售趋势')
    
    return fig, f"总销售额: ¥{filtered['sales'].sum():,.0f}"

demo = gr.Interface(
    fn=show_analysis,
    inputs=[
        gr.Dropdown(['电子产品', '服装', '食品', '家居'], label='品类'),
        gr.Textbox(label='日期范围')
    ],
    outputs=[gr.Plot(), gr.Text()],
    title='销售分析仪表盘'
)

demo.launch()  # 浏览器自动打开

Dashboard设计原则

1. 信息层次清晰
   ├── 一级指标（KPI卡片）→ 最显眼
   ├── 二级指标（趋势图）→ 中等位置
   └── 三级指标（明细表）→ 可展开查看

2. 配色一致
   ├── 主色：品牌色
   ├── 辅色：2-3种搭配色
   └── 警告色：红/黄/绿

3. 交互友好
   ├── 筛选器放在顶部或侧边
   ├── 图表支持悬停查看数据
   └── 数据表格支持排序和搜索

4. 响应式设计
   ├── 支持不同屏幕尺寸
   └── 移动端可查看关键指标

定时刷新仪表盘数据

import streamlit as st
import time
from datetime import datetime

# 自动刷新
st.sidebar.markdown(f"最后更新: {datetime.now()}")

if st.sidebar.button('刷新数据'):
    st.rerun()

# 或者使用st.cache_data设置过期时间
@st.cache_data(ttl=300)  # 5分钟过期
def load_fresh_data():
    return pd.read_csv('latest_data.csv')

仪表盘设计模板

# Streamlit仪表盘完整模板
import streamlit as st
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go

st.set_page_config(page_title='数据分析仪表盘', layout='wide', page_icon='📊')

# ========== 侧边栏 ==========
st.sidebar.title('⚙️ 筛选条件')
date_range = st.sidebar.date_input('📅 日期范围', [])
category = st.sidebar.multiselect('📦 品类', ['电子产品', '服装', '食品', '家居'])
region = st.sidebar.multiselect('🌍 地区', ['华东', '华南', '华北', '西南'])

# ========== 主区域 ==========
st.title('📊 数据分析仪表盘')
st.markdown('---')

# KPI卡片
col1, col2, col3, col4 = st.columns(4)
col1.metric('💰 总销售额', '¥1,234,567', '+12.3%', delta_color='normal')
col2.metric('📦 订单数', '8,765', '+5.2%')
col3.metric('💎 客单价', '¥141', '+6.7%')
col4.metric('👥 活跃用户', '3,456', '-2.1%', delta_color='inverse')

st.markdown('---')

# 图表区域
col_left, col_right = st.columns(2)

with col_left:
    st.subheader('📈 销售趋势')
    fig_trend = px.line(df, x='date', y='sales', color='category')
    st.plotly_chart(fig_trend, use_container_width=True)

with col_right:
    st.subheader('🏆 品类排行')
    fig_bar = px.bar(df.groupby('category')['sales'].sum().reset_index(),
                     x='category', y='sales', color='category')
    st.plotly_chart(fig_bar, use_container_width=True)

# 第二行图表
col_left2, col_right2 = st.columns(2)

with col_left2:
    st.subheader('🗺️ 地区分布')
    fig_pie = px.pie(df, values='sales', names='region')
    st.plotly_chart(fig_pie, use_container_width=True)

with col_right2:
    st.subheader('📊 相关性分析')
    fig_scatter = px.scatter(df, x='price', y='sales', color='category',
                             size='quantity', hover_data=['product_name'])
    st.plotly_chart(fig_scatter, use_container_width=True)

# 数据表
st.markdown('---')
st.subheader('📋 明细数据')
st.dataframe(df, use_container_width=True)

# 运行命令：streamlit run dashboard.py

仪表盘部署方案

# 方案1：本地运行
streamlit run dashboard.py

# 方案2：Streamlit Cloud（免费）
# 1. 把代码推到GitHub
# 2. 访问 share.streamlit.io
# 3. 连接GitHub仓库，一键部署

# 方案3：内网部署
# 1. 服务器安装streamlit
# 2. nohup streamlit run dashboard.py --server.port 8501 &
# 3. 团队通过 http://server:8501 访问

# 方案4：Docker部署
# Dockerfile
# FROM python:3.10
# COPY . /app
# RUN pip install -r requirements.txt
# EXPOSE 8501
# CMD ["streamlit", "run", "dashboard.py"]

Streamlit仪表盘完整代码

# 保存为 dashboard.py，运行 streamlit run dashboard.py
import streamlit as st
import pandas as pd
import numpy as np
import plotly.express as px
import plotly.graph_objects as go
from datetime import date

# ========== 页面配置 ==========
st.set_page_config(
    page_title='数据分析仪表盘',
    page_icon='📊',
    layout='wide'
)

# ========== 加载数据 ==========
@st.cache_data
def load_data():
    np.random.seed(42)
    n = 10000
    df = pd.DataFrame({
        'date': pd.date_range('2025-01-01', periods=n, freq='1H'),
        'product': np.random.choice(['手机', '电脑', '平板', '耳机', '手表'], n),
        'channel': np.random.choice(['线上', '线下'], n, p=[0.7, 0.3]),
        'city': np.random.choice(['北京', '上海', '广州', '深圳', '成都'], n),
        'amount': np.random.exponential(1000, n).round(2),
        'quantity': np.random.randint(1, 5, n)
    })
    return df

df = load_data()

# ========== 侧边栏 ==========
st.sidebar.title('⚙️ 筛选')
cities = st.sidebar.multiselect('城市', df['city'].unique(), df['city'].unique())
products = st.sidebar.multiselect('商品', df['product'].unique(), df['product'].unique())
channels = st.sidebar.multiselect('渠道', df['channel'].unique(), df['channel'].unique())

# 筛选数据
filtered = df[df['city'].isin(cities) & df['product'].isin(products) & df['channel'].isin(channels)]

# ========== 主区域 ==========
st.title('📊 数据分析仪表盘')
st.caption(f'数据更新时间: {date.today()}')

# KPI卡片
col1, col2, col3, col4 = st.columns(4)
col1.metric('💰 总销售额', f"¥{filtered['amount'].sum():,.0f}")
col2.metric('📦 订单数', f"{len(filtered):,}")
col3.metric('💎 客单价', f"¥{filtered['amount'].mean():,.0f}")
col4.metric('📈 日均销售', f"¥{filtered.groupby(filtered['date'].dt.date)['amount'].sum().mean():,.0f}")

st.divider()

# 图表区域
col_left, col_right = st.columns(2)

with col_left:
    st.subheader('📈 销售趋势')
    daily = filtered.set_index('date').resample('D')['amount'].sum().reset_index()
    fig = px.line(daily, x='date', y='amount')
    st.plotly_chart(fig, use_container_width=True)

with col_right:
    st.subheader('🏆 品类排行')
    cat_sales = filtered.groupby('product')['amount'].sum().reset_index()
    fig = px.bar(cat_sales, x='product', y='amount', color='product')
    st.plotly_chart(fig, use_container_width=True)

# 第二行
col_left2, col_right2 = st.columns(2)

with col_left2:
    st.subheader('🗺️ 渠道占比')
    ch_sales = filtered.groupby('channel')['amount'].sum().reset_index()
    fig = px.pie(ch_sales, values='amount', names='channel')
    st.plotly_chart(fig, use_container_width=True)

with col_right2:
    st.subheader('📊 价格分布')
    fig = px.histogram(filtered, x='amount', nbins=50, color='channel')
    st.plotly_chart(fig, use_container_width=True)

# 数据表
st.divider()
st.subheader('📋 明细数据')
st.dataframe(filtered.head(100), use_container_width=True)

仪表盘设计checklist

• 页面标题和图标
• KPI卡片（4-6个关键指标）
• 趋势图（折线/面积图）
• 对比图（柱状/饼图）
• 分布图（直方图/箱线图）
• 筛选器（日期/品类/地区）
• 明细数据表
• 响应式布局

仪表盘设计模式对比

方案	优点	缺点	适用场景
Streamlit	代码简单，Python原生	不够灵活	快速原型
Dash(Plotly)	灵活，专业	学习曲线陡	专业仪表盘
Gradio	最简单	功能有限	演示展示
Superset	无需代码	需要部署	企业级
Tableau	强大的可视化	收费	商业分析

Dash仪表盘模板

# pip install dash plotly
from dash import Dash, dcc, html, Input, Output
import plotly.express as px
import pandas as pd
import numpy as np

app = Dash(__name__)

# 模拟数据
np.random.seed(42)
df = pd.DataFrame({
    'date': pd.date_range('2025-01-01', periods=365),
    'sales': np.cumsum(np.random.randn(365)) + 500,
    'category': np.random.choice(['A', 'B', 'C', 'D'], 365)
})

app.layout = html.Div([
    html.H1('数据分析仪表盘', style={'textAlign': 'center'}),
    
    # KPI卡片
    html.Div([
        html.Div([html.H3('总销售额'), html.H2(f'¥{df["sales"].sum():,.0f}')], 
                 style={'width': '23%', 'display': 'inline-block', 'textAlign': 'center', 'background': '#f0f0f0', 'padding': '20px', 'margin': '1%'}),
        html.Div([html.H3('日均销售'), html.H2(f'¥{df["sales"].mean():,.0f}')], 
                 style={'width': '23%', 'display': 'inline-block', 'textAlign': 'center', 'background': '#f0f0f0', 'padding': '20px', 'margin': '1%'}),
        html.Div([html.H3('最高单日'), html.H2(f'¥{df["sales"].max():,.0f}')], 
                 style={'width': '23%', 'display': 'inline-block', 'textAlign': 'center', 'background': '#f0f0f0', 'padding': '20px', 'margin': '1%'}),
        html.Div([html.H3('数据天数'), html.H2(f'{len(df)}天')], 
                 style={'width': '23%', 'display': 'inline-block', 'textAlign': 'center', 'background': '#f0f0f0', 'padding': '20px', 'margin': '1%'}),
    ]),
    
    # 图表
    dcc.Graph(id='trend-chart'),
    dcc.Graph(id='category-chart'),
    
    # 筛选器
    dcc.Dropdown(id='category-filter', options=[{'label': c, 'value': c} for c in df['category'].unique()], 
                 value=df['category'].unique(), multi=True)
])

@app.callback(
    [Output('trend-chart', 'figure'), Output('category-chart', 'figure')],
    Input('category-filter', 'value')
)
def update_charts(selected_categories):
    filtered = df[df['category'].isin(selected_categories)]
    
    fig1 = px.line(filtered, x='date', y='sales', title='销售趋势')
    fig2 = px.bar(filtered.groupby('category')['sales'].sum().reset_index(), 
                  x='category', y='sales', title='品类对比')
    
    return fig1, fig2

if __name__ == '__main__':
    app.run_server(debug=True, port=8050)

数据刷新与部署方案

# 方案1：定时刷新数据
import schedule
import time

def refresh_data():
    global df
    df = pd.read_csv('latest_data.csv')
    print(f'数据已刷新: {len(df)}条')

schedule.every(5).minutes.do(refresh_data)

# 方案2：API方式提供数据
from flask import Flask, jsonify

app = Flask(__name__)

@app.route('/api/data')
def get_data():
    return jsonify(df.to_dict(orient='records'))

# 方案3：Docker部署
# Dockerfile:
# FROM python:3.10
# WORKDIR /app
# COPY requirements.txt .
# RUN pip install -r requirements.txt
# COPY . .
# EXPOSE 8050
# CMD ["python", "dashboard.py"]

课程导航

上一篇： 项目4-竞品价格监控与分析

系列完结

---

PS：从数据小白到能搭仪表盘，你已经走了很远。记住，数据分析的核心不是工具，而是用数据解决问题的思维。继续加油！

---

---

📚 推荐教材

主教材：《Excel+Python 飞速搞定数据分析与处理（图灵出品）》

💬 联系我

平台	账号/链接
微信	扫码加好友
微博	@程序员晚枫
知乎	@程序员晚枫
抖音	@程序员晚枫
小红书	@程序员晚枫
B 站	Python 自动化办公社区

主营业务：AI 编程培训、企业内训、技术咨询

🎓 AI 编程实战课程

想系统学习 AI 编程？程序员晚枫的 AI 编程实战课 帮你从零上手！

• 👉 课程报名：点击这里报名，前3讲免费试听
• 👉 免费试看：B站免费试看前3讲，先看看适不适合自己