Les types de graphiques essentiels en BI

Plotly Express propose une interface unifiée pour tous les types de graphiques : on passe un DataFrame, on spécifie les colonnes, et le rendu interactif est automatique.

Le principe commun à tous les graphiques

La signature suit le même patron quelle que soit la fonction :

fig = px.type_de_graphique(
    data_frame=df,
    x="colonne_x",
    y="colonne_y",
    color="colonne",
    title="Titre",
    labels={"chiffre_affaires": "CA (€)", "region": "Région"}
)

Les paramètres récurrents :

• data_frame — le DataFrame pandas source (souvent passé en premier argument positionnel)
• x, y — les colonnes à mapper sur les axes
• color — une colonne pour colorer les éléments (catégories ou valeurs continues)
• title — le titre du graphique
• labels — un dictionnaire pour renommer les axes et les légendes

Bar chart — comparaison entre catégories

Le bar chart est le graphique le plus courant en BI. Il sert à comparer des valeurs entre catégories discrètes.

Bar chart vertical (par défaut)

import plotly.express as px

fig = px.bar(
    df_regions,
    x="region",
    y="chiffre_affaires",
    title="CA par région",
    labels={"chiffre_affaires": "CA (€)", "region": "Région"},
    color="chiffre_affaires",
    color_continuous_scale="Blues"
)
st.plotly_chart(fig, use_container_width=True)

Le paramètre color_continuous_scale="Blues" applique un dégradé de couleur proportionnel à la valeur, ce qui renforce visuellement la hiérarchie entre les barres.

Bar chart horizontal

Quand les labels sur l'axe X sont longs (noms de produits, régions détaillées), le bar chart horizontal est plus lisible :

fig = px.bar(
    df_regions,
    x="chiffre_affaires",
    y="region",
    orientation="h",
    title="CA par région"
)

Bar chart groupé

Pour comparer deux métriques côte à côte, il faut d'abord restructurer le DataFrame avec melt(), puis utiliser barmode="group" :

df_melted = df_regions.melt(
    id_vars="region",
    value_vars=["chiffre_affaires", "nombre_ventes"],
    var_name="métrique",
    value_name="valeur"
)
fig = px.bar(df_melted, x="region", y="valeur", color="métrique", barmode="group")

Line chart — évolution temporelle

Le line chart visualise une évolution dans le temps. Il met en évidence les tendances, les saisonnalités et les anomalies.

Série unique

fig = px.line(
    df_evolution,
    x="mois",
    y="chiffre_affaires",
    title="Évolution mensuelle du CA",
    labels={"mois": "Mois", "chiffre_affaires": "CA (€)"},
    markers=True
)
st.plotly_chart(fig, use_container_width=True)

markers=True ajoute un point visible à chaque donnée. Recommandé quand il y a peu de points (12 mois, par exemple) pour distinguer les données réelles des interpolations.

Plusieurs séries

Pour comparer plusieurs catégories, ajoutez le paramètre color :

fig = px.line(
    df_evolution_par_region,
    x="mois",
    y="chiffre_affaires",
    color="region",
    title="Évolution CA par région",
    markers=True
)

Plotly crée automatiquement une légende cliquable : chaque série peut être masquée ou affichée d'un clic.

Pie chart et donut — répartition

Le pie chart visualise la répartition d'un total en parts. Graphique controversé (difficile de comparer des parts similaires), mais très demandé en BI.

Pie chart classique

fig = px.pie(
    df_regions,
    names="region",
    values="chiffre_affaires",
    title="Répartition du CA par région"
)

Notez la différence de paramètres par rapport aux autres graphiques : names (pas x) et values (pas y).

Donut chart

Le donut est un pie chart avec un trou central. Le paramètre hole contrôle la taille du trou (entre 0 et 1) :

fig = px.pie(
    df_regions,
    names="region",
    values="chiffre_affaires",
    hole=0.4,
    title="Répartition du CA par région"
)

Scatter plot — corrélation

Le scatter plot positionne chaque point selon deux variables continues, pour détecter des corrélations, des clusters ou des outliers.

fig = px.scatter(
    df_produits,
    x="prix_unitaire",
    y="volume_ventes",
    size="chiffre_affaires",
    color="categorie",
    hover_name="produit",
    title="Prix vs Volume de ventes"
)

Paramètres spécifiques au scatter :

• size — une colonne numérique qui contrôle la taille des points (bubble chart)
• hover_name — la colonne affichée en gras au survol (nom du produit, par exemple)

Tableau récapitulatif

À retenir