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：
立即学习“Python免费学习笔记（深入）”；
- 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。
