Python自动化生成KPI可视化脚本配置指南

Python自动化KPI可视化核心是“数据→计算→绘图→输出”四步闭环，通过YAML配置指标逻辑、Plotly+Jinja2生成交互HTML、SQL/Python双模式计算、一键运行与定时调度，并辅以配置校验防错。

用Python自动化生成KPI可视化图表，核心是“数据→计算→绘图→输出”四步闭环。关键不在写多复杂的代码，而在把指标逻辑、图表样式、输出路径这些要素配置化，让非开发人员也能改指标、换图表、定时跑。

一、KPI指标配置用YAML，别硬编码

把每个KPI的名称、SQL或计算逻辑、目标值、颜色、图表类型写进config/kpis.yaml，例如：

daily_orders:
  name: 日订单量
  type: line
  sql: SELECT date, COUNT(*) FROM orders WHERE date >= '{{start_date}}' GROUP BY date
  target: 500
  color: #2E86AB
monthly_revenue:
  name: 月营收（万元）
  type: bar
  calc: df['price'].sum() / 10000
  target: 120
  color: #A23B72

脚本读取YAML后动态执行SQL或Python表达式，不用每加一个KPI就改一次.py文件。

二、用plotly+Jinja2生成带交互的HTML报告

Plotly生成响应式图表，再用Jinja2模板统一套页眉、KPI卡片、更新时间：

• 每个KPI单独渲染成子图，保存为div字符串（fig.to_html(full_html=False, include_plotlyjs=False)）
• 主模板templates/report.html用{% for kpi in kpis %}{{ kpi.div|safe }}{% endfor %}插入
• 最终输出output/kpi_report_20240520.html，双击即可打开，支持缩放、悬停看数值

三、计算逻辑支持SQL和Python双模式

配置里写sql:就走数据库查询（推荐用SQLAlchemy + connection pool），写calc:就用pandas.eval安全执行表达式：

• SQL模式自动替换{{start_date}}为昨天日期，避免SQL注入
• calc模式限制可用函数（如sum, mean, dt.month），禁用exec和import
• 比如“复购率”可配为：calc: len(df[df['user_id'].isin(df[df['order_date'] > '2024-01-01']['user_id'])]) / len(df)

四、一键运行+简单调度

主脚本run_kpi.py只做三件事：

• 加载YAML配置
• 按顺序执行每个KPI的数据获取与计算
• 渲染HTML并保存到output目录

本地测试：直接运行python run_kpi.py
定时任务：Windows用任务计划程序，Linux用crontab，每天早8点跑：0 8 * * * cd /path/to/kpi && python run_kpi.py

基本上就这些。不复杂但容易忽略的是配置校验——加个validate_config.py检查YAML里有没有漏写type或color，能省下后期排查90%的空白图表问题。