用于可视化的Python库

---

在本文中，我们将向您展示各种用于可视化的Python库及其功能。

在当今时代，查看分析结果并推断结果通常比查看文本数据或CSV文件来理解结果更方便。

因此，数据可视化是找到复杂问题答案的一种简单方法。它还允许用户比表格更有效地表达他们的结果。

Python中的数据可视化

Python 提供了多个绘图库，包括 Matplotlib、Seaborn 和许多其他数据可视化包，每个库都有其独特的特性，可以创建信息丰富、定制且吸引人的图表，以尽可能简单有效的方式呈现数据。

Matplotlib

Matplotlib 是一个 Python 绘图库，用于创建静态、动态和交互式可视化。其计算数学扩展是 NumPy。

尽管已经使用了十多年，它仍然是 Python 世界中最流行的绘图库。它的设计类似于 MATLAB，这是一种在 20 世纪 80 年代开发的许可编程语言。由于 matplotlib 是第一个 Python 数据可视化库，许多其他库都是基于它构建的，或者旨在在研究过程中与它一起使用。

特性

• 一些库，例如 pandas 和 Seaborn，充当 matplotlib 的“包装器”。它们通过减少所需代码量来简化各种 matplotlib 方法的使用。

• 虽然 matplotlib 非常适合可视化细节，但对于快速轻松地创建出版质量的图表来说，它并不实用。

Learn Python in-depth with real-world projects through our Python certification course. Enroll and become a certified expert to boost your career.

Plotly

Plotly 是一个免费的开源绘图库，用于创建数据可视化。Plotly (plotly.py) 是一个基于 Plotly JavaScript 库 (plotly.js) 构建的 Python 库，可用于创建可在 Jupyter notebook 或使用 Dash 的 Web 应用程序中显示的基于 Web 的数据可视化，或保存为单独的 HTML 文件。Plotly 提供超过 40 种不同的图表类型，包括散点图、直方图、折线图、条形图、饼图、误差条、箱线图、多轴、sparklines、树状图、3D 图表等等。Plotly 中还提供了等高线图，这在其他数据可视化库中并不常见。除此之外，Plotly 可以在没有互联网连接的情况下使用。

特性

• Plotly 支持散点图、直方图、折线图、条形图、饼图、误差条、箱线图、多轴、sparklines、树状图、3D 图表等图表类型。

• Plotly 还提供了等高线图，这在其他数据可视化库中并不常见。Plotly 也可在无网络连接的情况下使用。

Seaborn

Seaborn 是一个 Python 库，允许您创建统计图形。它具有先进的软件，可以生成视觉上吸引人和信息丰富的统计图形。数据科学家主要将 Matplotlib 用于教育和研究，而 Seaborn 用于出版物和现实世界的演示。Seaborn 现在是事实上的 Python 数据可视化库。

特性

• Seaborn 利用 matplotlib 的强大功能，只需几行代码即可创建漂亮的图表。

• 主要区别在于，它的默认设计和调色板旨在更具视觉吸引力和传统感。

• Matplotlib 用于创建图表。

• 它面向数据集的绘图机制可与包含整个数据集的数据帧和向量一起使用，在内部执行概念映射和统计聚合以生成有见地的图表。

• Seaborn 是一个完全可访问的 Python 库，我们可以使用 pip install 函数在我们的 Python 环境中安装它。

• 它旨在使可视化成为数据探索和理解的关键组成部分。

GGplot

ggplot 是一个用于在 Python 中绘制图表的通用库，最初是在 R 中实现的。它是一种特定领域语言，用于创建特定领域的可视化，主要用于数据分析。

Ggplot 允许使用仅两行代码的方式绘制图表。另一方面，用 matplotlib 编写的相同代码非常复杂，涉及许多代码行。因此，ggplot 使图表编码更容易。它是一个非常有价值的 Python 库。

要使用 ggplot 的所有功能，必须使用 pandas。

特性

• 与 matplotlib 不同，ggplot 允许您叠加元素以创建完整的绘图。例如，您可以从轴开始，然后添加点、线、趋势线等等。

• 尽管“图形语法”已被誉为“直观”的绘图工具，但经验丰富的 matplotlib 用户可能难以适应这种新范例。

• 作者认为，ggplot 不适用于高度个性化的图形。它牺牲复杂性以换取更简单的绘图过程。

Altair

Altair 是一个 Python 统计数据可视化库。它基于 Vega 和 Vega-Lite，这是一种用于创建、保存和共享交互式数据可视化设计的声明式语言。Altair 可用于快速创建条形图、饼图、直方图、散点图、误差图、功率谱、茎叶图等图表的精美数据可视化。Altair 需要 Python 3.6、入口点、jsonschema、NumPy、Pandas 和 Toolz，所有这些都将通过 Altair 安装命令自动安装。要在 Altair 中获取数据可视化，请打开 Jupyter Notebook 或 JupyterLab 并执行任何代码。Altair 的源代码目前可在 GitHub 上获得。

特性

• Altair 只需少量编码即可生成条形图、饼图、直方图、散点图、误差图、功率谱、茎叶图等图表的精美数据可视化。

• Altair 具有 Python 3.6、入口点、jsonschema、NumPy、Pandas 和 Toolz 等要求，这些都由 Altair 设置命令自动激活。

Bokeh

图形语法是 Bokeh 的基础，它类似于 ggplot 的库。但是，它是一个未从 R 导入的 Python 库。生成交互式、可用于 Web 的绘图，可以输出为多种格式，包括 HTML 文档和 JSON 对象。

Bokeh 长期以来一直被认为是实时流式传输和数据处理最流行的库之一。

Bokeh 为用户提供三个级别：高级、中级和低级。高级用户可以轻松快速地创建直方图和条形图。中级用户可以使用 matplotlib 框架为散点图创建点。

特性

• 其主要优势是能够生成交互式、可用于 Web 的绘图，这些绘图可以方便地导出为 JSON 对象、HTML 文件或交互式 Web 服务。

• Bokeh 还提供广播和实时统计。

• Bokeh 提供三种布局，其功能各不相同，以适应不同的用户风格。

• 最高级别允许创建简单的地图。它可以生成流行的图表，例如条形图、箱线图和直方图。

Pygal

Pygal 是一个 Python 数据可视化库，专门设计用于制作性感的图表！（正如他们的网站上所述！）虽然 Pygal 与 Plotly 或 Bokeh 类似，因为它生成的图表可以嵌入网页并通过 Web 浏览器访问，但主要区别在于它可以生成 SVG（可缩放矢量图形）形式的图表。这些 SVG 确保您可以清晰地看到图表而不会丢失任何质量，即使它们被缩放也是如此。但是，SVG 仅适用于较小的数据集，因为过多的数据点会使渲染变得困难，图表也会变得迟缓。

特性

• 操作系统上的 Pygal 库可用于创建简单的图表。

• 此库可以与流行的 Python Web 接口（如 flask 和 Django）结合使用，以在网页上生成动态且交互式的图表。

• Pygal 可以创建折线图、条形图、直方图、XY 图、饼图、雷达图、箱线图、点图等图表。

• 图表也可以导出为多种格式，包括 SVG、PNG、Etree 等。Pygal 最适合用于涉及快速简单图表的较小 Web 应用程序。

Geoplotlib

Geoplotlib 是一个用于可视化地理数据的开源 Python 工具箱。它允许创建纯 Python 中的硬件加速交互式可视化，并包括点地图、核密度估计、空间图、Voronoi 镶嵌、shapefile 和各种其他常见空间可视化的实现。

Geoplotlib可以生成各种地图，包括等面积地图、热力图和点密度图。

特性

• 大多数数据可视化库对创建地图或处理地理数据支持不足，这就是Geoplotlib作为Python库如此重要的原因。

• 它特别方便创建地理地图，并提供各种地图类型，例如点密度图、等值线图和符号地图。

结论

在本文中，我们学习了最流行的Python可视化库及其功能。