Advanced Chart Types

Plotly শুধু সাধারণ গ্রাফ নয়, বরং বেশ কিছু উন্নত এবং জটিল গ্রাফ তৈরি করার জন্যও একটি শক্তিশালী টুল। আপনি Plotly দিয়ে বিভিন্ন ধরনের Advanced Chart Types তৈরি করতে পারেন, যেমন ৩D গ্রাফ, ক্যান্ডেলস্টিক চার্ট, হিটম্যাপ, এবং আরও অনেক কিছু। এগুলো ডেটার গভীর বিশ্লেষণ এবং ভিজুয়ালাইজেশনের জন্য কার্যকরী।

৩D গ্রাফ (3D Graphs)

Plotly ৩D গ্রাফ তৈরি করতে সহায়তা করে, যা ৩টি ভেরিয়েবল বা ডেটা পয়েন্টের সম্পর্ক সহজে দৃশ্যমান করতে পারে। যেমন, 3D Scatter এবং 3D Surface গ্রাফের মাধ্যমে আপনি ৩টি ভিন্ন দিক থেকে ডেটা বিশ্লেষণ করতে পারেন।

৩D Scatter Plot

import plotly.graph_objects as go

# ৩D Scatter Plot ডেটা
fig = go.Figure(data=[go.Scatter3d(
    x=[1, 2, 3, 4, 5],
    y=[10, 11, 12, 13, 14],
    z=[20, 21, 22, 23, 24],
    mode='markers',
    marker=dict(size=12, color='red')
)])

fig.show()

এখানে:

• x, y, z: ৩টি ভিন্ন মাত্রার জন্য ডেটা।
• mode='markers': পয়েন্টগুলো মার্কারের মাধ্যমে প্রদর্শিত হবে।

৩D Surface Plot

import plotly.graph_objects as go
import numpy as np

# ৩D Surface Plot ডেটা
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

fig = go.Figure(data=[go.Surface(z=z, x=x, y=y)])
fig.show()

এখানে একটি ৩D সারফেস গ্রাফ তৈরি করা হয়েছে, যেখানে Z-অক্ষের মান সাইন ফাংশনের মাধ্যমে নির্ধারিত হচ্ছে।

ক্যান্ডেলস্টিক চার্ট (Candlestick Chart)

ক্যান্ডেলস্টিক চার্ট সাধারণত স্টক মার্কেট এবং ফিন্যান্সিয়াল ডেটা ভিজুয়ালাইজেশনে ব্যবহৃত হয়। এটি ওপেন, ক্লোজ, হাই, এবং লো ভ্যালু প্রদর্শন করে।

import plotly.graph_objects as go

# ক্যান্ডেলস্টিক ডেটা
fig = go.Figure(data=[go.Candlestick(
    x=["2024-01-01", "2024-01-02", "2024-01-03", "2024-01-04"],
    open=[100, 105, 110, 115],
    high=[110, 115, 120, 125],
    low=[90, 100, 105, 110],
    close=[105, 110, 115, 120]
)])

fig.show()

এখানে:

• x: তারিখের ডেটা।
• open, high, low, close: প্রতিটি দিনের স্টক মূল্য এবং অন্যান্য তথ্য।

হিটম্যাপ (Heatmap)

হিটম্যাপ সাধারণত ম্যাট্রিক্স আকারে ডেটার ভ্যালু রেন্ডার করে এবং ভ্যালুগুলোর তফাৎকে রঙের মাধ্যমে তুলে ধরে।

import plotly.graph_objects as go
import numpy as np

# হিটম্যাপ ডেটা
z = np.random.rand(10, 10)

fig = go.Figure(data=go.Heatmap(z=z))
fig.show()

এখানে z ম্যাট্রিক্স আকারে একটি রেনডম ডেটা তৈরি করা হয়েছে এবং তা হিটম্যাপ হিসেবে প্রদর্শিত হচ্ছে।

স্টacked Bar Chart

Stacked Bar Chart সাধারণত একাধিক ক্যাটেগরির উপর ভিত্তি করে বিভিন্ন ভ্যালু প্রদর্শন করতে ব্যবহৃত হয়, যেখানে প্রতিটি বার একাধিক অংশে ভাগ হয়ে থাকে।

import plotly.graph_objects as go

# স্ট্যাকড বার চার্ট ডেটা
fig = go.Figure(data=[
    go.Bar(name='Category A', x=['X1', 'X2', 'X3'], y=[10, 20, 30]),
    go.Bar(name='Category B', x=['X1', 'X2', 'X3'], y=[15, 25, 35])
])

# গ্রাফ প্রদর্শন
fig.update_layout(barmode='stack')
fig.show()

এখানে:

• barmode='stack': বারগুলো একে অপরের উপরে স্ট্যাক করে দেখানো হয়েছে।

টাইম সিরিজ গ্রাফ (Time Series Graph)

টাইম সিরিজ গ্রাফ সময়ের সঙ্গে পরিবর্তিত ডেটা দেখানোর জন্য ব্যবহৃত হয়। যেমন স্টক মার্কেট, ওয়েদার ডেটা ইত্যাদি।

import plotly.graph_objects as go

# টাইম সিরিজ গ্রাফ ডেটা
fig = go.Figure(data=[go.Scatter(x=["2024-01-01", "2024-01-02", "2024-01-03"], y=[10, 20, 30])])
fig.update_layout(title="Time Series Graph")
fig.show()

এখানে:

• x: টাইম সিরিজ ডেটা, যেমন তারিখ।
• y: সময়ের সঙ্গে পরিবর্তিত মান।

সারাংশ

Plotly আপনাকে Advanced Chart Types তৈরি করার জন্য বিভিন্ন ধরনের গ্রাফ প্রদান করে, যেমন ৩D গ্রাফ, ক্যান্ডেলস্টিক চার্ট, হিটম্যাপ, স্ট্যাকড বার চার্ট এবং টাইম সিরিজ গ্রাফ। এই সব গ্রাফগুলি ডেটার বিশ্লেষণ এবং ভিজুয়ালাইজেশনে একটি নতুন মাত্রা যোগ করে এবং আপনাকে ডেটা সম্পর্কে আরও গভীরভাবে ধারণা দেয়।

Heatmap একটি জনপ্রিয় ভিজুয়ালাইজেশন টুল যা ডেটা পয়েন্টের মধ্যে সম্পর্ক এবং ডেটার ঘনত্ব দেখাতে ব্যবহৃত হয়। এটি বিশেষভাবে উপকারী হয় যখন ডেটা একটি ম্যাট্রিক্স বা গ্রিড আকারে থাকে। Plotly দিয়ে খুব সহজে ইন্টারেকটিভ হিটম্যাপ তৈরি করা যায়।

Heatmap তৈরি

Plotly দিয়ে হিটম্যাপ তৈরি করতে plotly.graph_objects বা plotly.express লাইব্রেরি ব্যবহার করা যেতে পারে। সাধারণত go.Heatmap() ফাংশনটি হিটম্যাপ তৈরি করার জন্য ব্যবহার করা হয়।

উদাহরণ:

import plotly.graph_objects as go

# ডেটা
z = [
    [1, 20, 30, 40],
    [50, 60, 70, 80],
    [90, 100, 110, 120]
]

# হিটম্যাপ তৈরি
fig = go.Figure(data=go.Heatmap(z=z))

# গ্রাফ প্রদর্শন
fig.show()

এখানে z হল ডেটার ২D ম্যাট্রিক্স, যেখানে প্রতিটি সংখ্যা হিটম্যাপের রং ও ঘনত্বের প্রতিনিধিত্ব করে। go.Heatmap() ফাংশনটি ডেটার এই ম্যাট্রিক্সের উপর ভিত্তি করে হিটম্যাপ তৈরি করে।

Heatmap কাস্টমাইজেশন

Plotly হিটম্যাপের অনেক কাস্টমাইজেশন অপশন প্রদান করে, যেমন রঙের স্কেল, অক্ষের শিরোনাম, গ্রিডলাইন ইত্যাদি। নিচে কিছু সাধারণ কাস্টমাইজেশন অপশন দেখানো হলো।

১. রঙের স্কেল (Color Scale)

fig.update_traces(
    colorscale='Viridis'  # রঙের স্কেল
)

এখানে colorscale প্যারামিটার দিয়ে রঙের স্কেল নির্ধারণ করা হয়েছে। আপনি বিভিন্ন রঙের স্কেল ব্যবহার করতে পারেন, যেমন 'Viridis', 'Cividis', 'Jet', 'RdBu' ইত্যাদি।

২. অক্ষের শিরোনাম (Axis Titles)

fig.update_layout(
    xaxis_title='এক্স অক্ষ',
    yaxis_title='ওয়াই অক্ষ'
)

এখানে xaxis_title এবং yaxis_title ব্যবহার করে এক্স এবং ওয়াই অক্ষের শিরোনাম যোগ করা হয়েছে।

৩. গ্রিডলাইন কাস্টমাইজেশন

fig.update_layout(
    xaxis=dict(showgrid=True, gridcolor='white'),  # এক্স অক্ষের গ্রিডলাইন কাস্টমাইজ
    yaxis=dict(showgrid=True, gridcolor='white')   # ওয়াই অক্ষের গ্রিডলাইন কাস্টমাইজ
)

এখানে showgrid প্যারামিটার দিয়ে গ্রিডলাইন প্রদর্শিত হবে, এবং gridcolor দিয়ে গ্রিডলাইনগুলোর রং নির্ধারণ করা হয়েছে।

৪. হিটম্যাপের লেবেল

fig.update_traces(
    hoverongaps=False  # গ্যাপগুলোতে হোভার তথ্য দেখাবে না
)

এটি হিটম্যাপের গ্যাপগুলোতে হোভার তথ্য দেখানোর কন্ট্রোল করে।

সম্পূর্ণ কোড উদাহরণ

এখানে একটি সম্পূর্ণ হিটম্যাপ কাস্টমাইজেশন উদাহরণ দেওয়া হলো:

import plotly.graph_objects as go

# ডেটা
z = [
    [1, 20, 30, 40],
    [50, 60, 70, 80],
    [90, 100, 110, 120]
]

# হিটম্যাপ তৈরি
fig = go.Figure(data=go.Heatmap(z=z))

# কাস্টমাইজেশন
fig.update_traces(
    colorscale='Viridis',  # রঙের স্কেল
    hoverongaps=False
)
fig.update_layout(
    title='হিটম্যাপ উদাহরণ',
    xaxis_title='এক্স অক্ষ',
    yaxis_title='ওয়াই অক্ষ',
    xaxis=dict(showgrid=True, gridcolor='white'),
    yaxis=dict(showgrid=True, gridcolor='white')
)

# গ্রাফ প্রদর্শন
fig.show()

Heatmap ব্যবহার

Heatmaps বিভিন্ন ক্ষেত্রে ব্যবহার করা হয়, যেমন:

• ডেটা অ্যানালাইসিস: ডেটার মধ্যে সম্পর্ক এবং ঘনত্ব বিশ্লেষণ করতে।
• ইমেজ প্রসেসিং: চিত্রের পিক্সেল ঘনত্ব বা তাপমাত্রা সিমুলেশন দেখাতে।
• ফিন্যান্স: স্টক মার্কেটের ট্রেন্ড এবং প্যাটার্ন বিশ্লেষণ করতে।

সারাংশ

Plotly দিয়ে সহজেই হিটম্যাপ তৈরি করা যায় এবং এটি ডেটার ঘনত্ব, সম্পর্ক এবং প্যাটার্ন দেখানোর জন্য শক্তিশালী ভিজুয়ালাইজেশন টুল। রঙের স্কেল, অক্ষের শিরোনাম এবং গ্রিডলাইন কাস্টমাইজ করে হিটম্যাপটি আরও আকর্ষণীয় এবং তথ্যপূর্ণ করা সম্ভব। Plotly এর এই বৈশিষ্ট্য ডেটা বিশ্লেষণ এবং ভিজুয়ালাইজেশনে নতুন মাত্রা যোগ করে।

Plotly এর Contour এবং Surface Plots অত্যন্ত শক্তিশালী ভিজুয়ালাইজেশন টুল যা ৩D ডেটা বা নির্দিষ্ট ক্ষেত্রের মধ্যে ধারাবাহিক ডেটা প্রদর্শন করতে ব্যবহৃত হয়। এই ধরনের প্লট ডেটার বিভিন্ন ক্ষেত্রের মধ্যে সম্পর্ক বুঝতে সহায়ক এবং বিশেষত সায়েন্স, ইঞ্জিনিয়ারিং এবং ডেটা সায়েন্সে খুবই কার্যকরী।

Contour Plot

Contour Plot একটি ২D গ্রাফ যা ৩D ডেটাকে ২D প্লেনে রূপান্তর করে এবং একটি নির্দিষ্ট ফাংশনের মানকে কনট্যুর লাইনের মাধ্যমে চিত্রিত করে। এটি সাধারণত পৃষ্ঠের বা ৩D ভেক্টরের মান দেখানোর জন্য ব্যবহৃত হয়।

Contour Plot তৈরি করার উদাহরণ

import plotly.graph_objects as go
import numpy as np

# ডেটা তৈরি করা
x = np.linspace(-10, 10, 100)
y = np.linspace(-10, 10, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# Contour Plot তৈরি
fig = go.Figure(data =
    go.Contour(
        z=Z,
        x=x,
        y=y,
        colorscale='Viridis',  # রঙের স্কেল
        colorbar=dict(title='Z মান')  # কালারবারের শিরোনাম
    )
)

# গ্রাফ প্রদর্শন
fig.show()

এখানে, z প্যারামিটারটি কনট্যুর প্লটের উচ্চতা নির্ধারণ করে এবং colorscale প্যারামিটারটি কনট্যুর লাইনের রঙ কাস্টমাইজ করে।

Surface Plot

Surface Plot ৩D প্লট যা একটি ৩D পৃষ্ঠের উপর ডেটা প্রদর্শন করে। এটি ৩D ডেটা বিশ্লেষণ করার জন্য বিশেষভাবে কার্যকরী, কারণ এটি স্পষ্টভাবে ডেটার মধ্যে উচ্চতা এবং প্যাটার্নের সম্পর্ক তুলে ধরে।

Surface Plot তৈরি করার উদাহরণ

import plotly.graph_objects as go
import numpy as np

# ডেটা তৈরি করা
x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)
Z = np.cos(np.sqrt(X**2 + Y**2))

# Surface Plot তৈরি
fig = go.Figure(data =
    go.Surface(
        z=Z,
        x=X,
        y=Y,
        colorscale='Cividis',  # রঙের স্কেল
        colorbar=dict(title='Z মান')  # কালারবারের শিরোনাম
    )
)

# গ্রাফ প্রদর্শন
fig.show()

এখানে x, y, এবং z প্যারামিটারগুলি ৩D পৃষ্ঠের জন্য ডেটা নির্ধারণ করে। colorscale এবং colorbar এই পৃষ্ঠের রঙের স্কেল এবং কালারবার কাস্টমাইজ করে।

Contour এবং Surface Plot এর মধ্যে পার্থক্য

ব্যবহার এবং সুবিধা

• Contour Plot: এই ধরনের গ্রাফের মাধ্যমে আপনি ৩D ডেটাকে ২D তে রূপান্তর করতে পারেন, যা বিশেষত উচ্চতা বা ফাংশনের পরিবর্তন বিশ্লেষণ করার জন্য উপকারী। এটি খুবই কার্যকরী যখন ডেটা ক্ষেত্রের মধ্যে পরিবর্তন বিশ্লেষণ করা হয়।
• Surface Plot: এটি ৩D ডেটার পূর্ণ দৃশ্যায়ন প্রদান করে, বিশেষত সায়েন্টিফিক ডেটা বা ম্যাথমেটিক্যাল মডেল বিশ্লেষণের জন্য অত্যন্ত কার্যকরী।

সারাংশ

Plotly তে Contour এবং Surface Plots ৩D ডেটার ভিজুয়ালাইজেশনকে আরও সহজ এবং কার্যকরী করে তোলে। Contour Plot ৩D ডেটাকে ২D তে রূপান্তর করে এবং কনট্যুর লাইনের মাধ্যমে বিশ্লেষণ সহজ করে, যেখানে Surface Plot ৩D ডেটা পৃষ্ঠে একটি পূর্ণ দৃশ্যায়ন প্রদান করে। উভয়টি ডেটার মধ্যে সম্পর্ক এবং প্যাটার্ন বিশ্লেষণে গুরুত্বপূর্ণ ভূমিকা পালন করে।

Box plot (বক্স প্লট) একটি গ্রাফিক্যাল উপস্থাপনা যা একটি ডেটা সেটের পরিসীমা, মধ্যমার্ক, কোয়ার্টাইল, এবং আউটলাইনার গুলি প্রদর্শন করে। এটি ডেটার বিশ্লেষণে ব্যবহৃত হয়, বিশেষত যখন আপনাকে ডেটার বিতরণ এবং ভ্যারিয়েশন দেখতে হয়।

Plotly তে Box Plot তৈরি

import plotly.graph_objects as go

# ডেটার উদাহরণ
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]

# বক্স প্লট তৈরি
fig = go.Figure(data=[go.Box(y=data)])

# গ্রাফ প্রদর্শন
fig.show()

এখানে, go.Box(y=data) দিয়ে একটি বক্স প্লট তৈরি করা হয়েছে যেখানে ডেটার সকল পয়েন্টের পরিসীমা, কোয়ার্টাইল এবং আউটলাইনার গুলি প্রদর্শিত হবে।

Violin Plot

Violin plot (ভায়োলিন প্লট) একটি গ্রাফ যা ডেটার বিতরণ এবং কন্টিনিউয়াস ভ্যারিয়েশন দেখানোর জন্য ব্যবহৃত হয়। এটি বক্স প্লটের মতোই কিন্তু এতে ডেটার আকার এবং ঘনত্বের আরও বিস্তারিত ভিজুয়ালাইজেশন থাকে, যা প্রতিটি ডেটার মধ্যে ভ্যারিয়েশন এবং ঘনত্ব সম্পর্কে একটি সুষম ধারণা দেয়।

Plotly তে Violin Plot তৈরি

import plotly.graph_objects as go

# ডেটার উদাহরণ
data = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]

# ভায়োলিন প্লট তৈরি
fig = go.Figure(data=[go.Violin(y=data)])

# গ্রাফ প্রদর্শন
fig.show()

এখানে, go.Violin(y=data) ব্যবহার করে ভায়োলিন প্লট তৈরি করা হয়েছে, যা ডেটার ডিস্ট্রিবিউশন এবং ঘনত্ব দেখানোর জন্য একটি সুন্দর ভিজুয়াল রেপ্রেজেন্টেশন প্রদান করে।

Box Plot এবং Violin Plot এর মধ্যে পার্থক্য

• Box Plot: বক্স প্লট ডেটার মূল পরিসীমা, কোয়ার্টাইল, এবং আউটলাইনার গুলি প্রদর্শন করে। এটি সাধারণত ডেটার সারাংশ প্রদর্শন করতে ব্যবহৃত হয়।
• Violin Plot: ভায়োলিন প্লট ডেটার বিতরণ এবং ঘনত্বের বেশি বিস্তারিত ভিজুয়ালিজেশন প্রদান করে। এটি বক্স প্লটের মতো কিন্তু একটি স্যিমেট্রিক্যাল শেপ সহ একটি অতিরিক্ত ভিজুয়াল উপাদান থাকে।

সারাংশ

Plotly তে Box Plot এবং Violin Plot উভয়ই ডেটার ডিস্ট্রিবিউশন এবং ভ্যারিয়েশন বিশ্লেষণের জন্য শক্তিশালী ভিজুয়ালাইজেশন টুলস। Box Plot সাধারণত পরিসীমা এবং কোয়ার্টাইলের তথ্য প্রদান করে, যেখানে Violin Plot ডেটার আরও বিস্তারিত বিতরণ এবং ঘনত্ব দেখানোর জন্য ব্যবহার করা হয়।

Plotly তে 3D charts তৈরি করা খুবই সহজ এবং শক্তিশালী উপায় হিসেবে ডেটা ভিজুয়ালাইজেশন প্রক্রিয়াকে আরও গভীরভাবে বিশ্লেষণ করতে সাহায্য করে। আপনি 3D Line Chart, 3D Surface Plot, এবং 3D Scatter Plot তৈরি করতে পারেন যা জটিল ডেটা সম্পর্ককে আরও স্পষ্ট এবং ইন্টারেক্টিভভাবে উপস্থাপন করে।

১. 3D Line Chart তৈরি করা

3D Line Chart তৈরি করতে plotly.graph_objects ব্যবহার করা হয়, যেখানে line এবং scatter3d মডিউল ব্যবহার করা হয়। এই গ্রাফটি ৩টি মাত্রায় ডেটা রিডিং এবং পরিবর্তন দেখানোর জন্য উপযোগী।

উদাহরণ:

import plotly.graph_objects as go
import numpy as np

# ডেটা তৈরি
t = np.linspace(0, 10, 100)
x = np.sin(t)
y = np.cos(t)
z = t

# 3D Line Plot তৈরি
fig = go.Figure(data=go.Scatter3d(x=x, y=y, z=z, mode='lines'))

# গ্রাফ কাস্টমাইজেশন
fig.update_layout(
    title="3D Line Chart",
    scene=dict(
        xaxis_title='X Axis',
        yaxis_title='Y Axis',
        zaxis_title='Z Axis'
    )
)

# গ্রাফ প্রদর্শন
fig.show()

এখানে, go.Scatter3d ব্যবহার করে ৩টি মাত্রায় লাইন গ্রাফ তৈরি করা হয়েছে। mode='lines' দিয়ে লাইন চার্টের জন্য নির্ধারণ করা হয়েছে।

২. 3D Surface Plot তৈরি করা

3D Surface Plot ডেটার সমতল (surface) সম্পর্ক দেখানোর জন্য ব্যবহৃত হয়, যেখানে এক্স, ওয়াই এবং জেড অক্ষের উপর ৩টি ভেরিয়েবলের সম্পর্ক দৃশ্যমান হয়।

উদাহরণ:

import plotly.graph_objects as go
import numpy as np

# 3D Surface ডেটা তৈরি
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

# 3D Surface Plot তৈরি
fig = go.Figure(data=go.Surface(z=z, x=x, y=y))

# গ্রাফ কাস্টমাইজেশন
fig.update_layout(
    title="3D Surface Plot",
    scene=dict(
        xaxis_title='X Axis',
        yaxis_title='Y Axis',
        zaxis_title='Z Axis'
    )
)

# গ্রাফ প্রদর্শন
fig.show()

এখানে, go.Surface ব্যবহার করা হয়েছে যা একসাথে ৩টি মাত্রার গ্রাফকে একটি পৃষ্ঠ (surface) হিসেবে প্রদর্শন করে। np.meshgrid ব্যবহার করে x এবং y এর মান তৈরি করা হয়েছে এবং z এর মানকে নির্ধারণ করা হয়েছে।

৩. 3D Scatter Plot তৈরি করা

3D Scatter Plot মূলত ডেটা পয়েন্টগুলোর সম্পর্ক ৩টি মাত্রায় প্রদর্শন করতে ব্যবহার করা হয়। এখানে প্রতিটি পয়েন্টের স্থান নির্ধারণ করা হয় x, y এবং z এর মান দ্বারা।

উদাহরণ:

import plotly.graph_objects as go
import numpy as np

# 3D Scatter ডেটা তৈরি
x = np.random.normal(size=100)
y = np.random.normal(size=100)
z = np.random.normal(size=100)

# 3D Scatter Plot তৈরি
fig = go.Figure(data=go.Scatter3d(x=x, y=y, z=z, mode='markers'))

# গ্রাফ কাস্টমাইজেশন
fig.update_layout(
    title="3D Scatter Plot",
    scene=dict(
        xaxis_title='X Axis',
        yaxis_title='Y Axis',
        zaxis_title='Z Axis'
    )
)

# গ্রাফ প্রদর্শন
fig.show()

এখানে go.Scatter3d ব্যবহার করে ৩টি মাত্রায় স্ক্যাটার প্লট তৈরি করা হয়েছে। mode='markers' দিয়ে পয়েন্টগুলোকে প্রদর্শন করা হয়েছে।

সারাংশ

Plotly তে 3D charts তৈরি করা অত্যন্ত শক্তিশালী এবং সহজ। go.Scatter3d এবং go.Surface এর মাধ্যমে আপনি ৩টি মাত্রায় ডেটা ভিজুয়ালাইজেশন করতে পারেন, যা জটিল সম্পর্ক বা প্যাটার্নগুলো আরও স্পষ্ট করে তুলে ধরবে। 3D Line Chart, 3D Surface Plot এবং 3D Scatter Plotগুলো বিভিন্ন ডেটা সম্পর্ক বুঝতে এবং বিশ্লেষণ করতে সহায়ক।