最简单的python可视化包（这里有8个流行的Python可视化工具包）

最简单的python可视化包（这里有8个流行的Python可视化工具包）你可能会问，「Aaron，ggplot 是 R 中最常用的可视化包，但你不是要写 Python 的包吗？」。人们已经在 Python 中实现了 ggplot2，复制了这个包从美化到语法的一切内容。ggplot(2)把这三个包放在一起有几个原因：首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的，当你在用 Seaborn 或 Pandas 中的 df.plot() 时，用的其实是别人用 Matplotlib 写的代码。因此，这些图在美化方面是相似的，自定义图时用的语法也都非常相似。第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图，当然也许它可能不那么美观。import matplotlib.pyplot as plt import scipy.stats as stats #model2 is a regression

喜欢用 Python 做项目的小伙伴不免会遇到这种情况：做图表时，用哪种好看又实用的可视化工具包呢？之前文章里出现过漂亮的图表时，也总有读者在后台留言问该图表时用什么工具做的。下面，作者介绍了八种在 Python 中实现的可视化工具包，其中有些包还能用在其它语言中。快来试试你喜欢哪个？

用 Python 创建图形的方法有很多，但是哪种方法是最好的呢？当我们做可视化之前，要先明确一些关于图像目标的问题：你是想初步了解数据的分布情况？想展示时给人们留下深刻印象？也许你想给某人展示一个内在的形象，一个中庸的形象？

本文将介绍一些常用的 Python 可视化包，包括这些包的优缺点以及分别适用于什么样的场景。这篇文章只扩展到 2D 图，为下一次讲 3D 图和商业报表（dashboard）留了一些空间，不过这次要讲的包中，许多都可以很好地支持 3D 图和商业报表。

Matplotlib、Seaborn 和 Pandas

把这三个包放在一起有几个原因：首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的，当你在用 Seaborn 或 Pandas 中的 df.plot() 时，用的其实是别人用 Matplotlib 写的代码。因此，这些图在美化方面是相似的，自定义图时用的语法也都非常相似。

第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图，当然也许它可能不那么美观。

import matplotlib.pyplot as plt import scipy.stats as stats #model2 is a regression model log_resid = model2.predict(X_test)-y_test stats.probplot(log_resid dist="norm" plot=plt) plt.title("Normal Q-Q plot") plt.show()

最终证明，Matplotlib 及其相关工具的效率很高，但就演示而言它们并不是最好的工具。

ggplot(2)

你可能会问，「Aaron，ggplot 是 R 中最常用的可视化包，但你不是要写 Python 的包吗？」。人们已经在 Python 中实现了 ggplot2，复制了这个包从美化到语法的一切内容。

在我看过的所有材料中，它的一切都和 ggplot2 很像，但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法，导致 Python 版本不兼容。

如果你想在 R 中用真正的 ggplot（除了依赖关系外，它们的外观、感觉以及语法都是一样的），我在另外一篇文章中对此进行过讨论。

也就是说，如果你一定要在 Python 中用 ggplot，那你就必须要安装 0.19.2 版的 Pandas，但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。

ggplot2（我觉得也包括 Python 的 ggplot）举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图，然后分别添加不同的特征；也就是说，你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。

下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图，设置美化属性和数据，然后添加点、主题以及坐标轴和标题标签。

#All Salaries ggplot(data=df aes(x=season_start y=salary colour=team)) geom_point() theme(legend.position="none") labs(title = 'Salary Over Time' x='Year' y='Salary ($)')

Bokeh

Bokeh 很美。从概念上讲，Bokeh 类似于 ggplot，它们都是用图形语法来构建图片，但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点，我根据 538 Masculinity Survey 数据集写了制作直方图的代码：

import pandas as pd from bokeh.plotting import figure from bokeh.io import show # is_masc is a one-hot encoded dataframe of responses to the question: # "Do you identify as masculine?" #Dataframe Prep counts = is_masc.sum() resps = is_masc.columns #Bokeh p2 = figure(title='Do You View Yourself As Masculine?' x_axis_label='Response' y_axis_label='Count' x_range=list(resps)) p2.vbar(x=resps top=counts width=0.6 fill_color='red' line_color='black') show(p2) #Pandas counts.plot(kind='bar')

用 Bokeh 表示调查结果

红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗？」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。

我写的代码大部分都用于标记坐标轴和标题，以及为条形图添加颜色和边框。在制作美观且表现力强的图片时，我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。

用 Pandas 表示相同的数据

蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的，但目的不同。在探索性设置中，用 Pandas 写一行代码查看数据很方便，但 Bokeh 的美化功能非常强大。

Bokeh 提供的所有便利都要在 matplotlib 中自定义，包括 x 轴标签的角度、背景线、y 轴刻度以及字体（大小、斜体、粗体）等。下图展示了一些随机趋势，其自定义程度更高：使用了图例和不同的颜色和线条。

Bokeh 还是制作交互式商业报表的绝佳工具。

Plotly

Plotly 非常强大，但用它设置和创建图形都要花费大量时间，而且都不直观。在用 Plotly 忙活了大半个上午后，我几乎什么都没做出来，干脆直接去吃饭了。我只创建了不带坐标标签的条形图，以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点：

• 安装时要有 API 秘钥，还要注册，不是只用 pip 安装就可以；
• Plotly 所绘制的数据和布局对象是独一无二的，但并不直观；
• 图片布局对我来说没有用（40 行代码毫无意义！）

但它也有优点，而且设置中的所有缺点都有相应的解决方法：

• 你可以在 Plotly 网站和 Python 环境中编辑图片；
• 支持交互式图片和商业报表；
• Plotly 与 Mapbox 合作，可以自定义地图；
• 很有潜力绘制优秀图形。

以下是我针对这个包编写的代码：

#plot 1 - barplot # **note** - the layout lines do nothing and trip no errors data = [go.Bar(x=team_ave_df.team y=team_ave_df.turnovers_per_mp)] layout = go.Layout( title=go.layout.Title( text='Turnovers per Minute by Team' xref='paper' x=0 ) xaxis=go.layout.XAxis( title = go.layout.xaxis.Title( text='Team' font=dict( family='Courier New monospace' size=18 color='#7f7f7f' ) ) ) yaxis=go.layout.YAxis( title = go.layout.yaxis.Title( text='Average Turnovers/Minute' font=dict( family='Courier New monospace' size=18 color='#7f7f7f' ) ) ) autosize=True hovermode='closest') py.iplot(figure_or_data=data layout=layout filename='jupyter-plot' sharing='public' fileopt='overwrite') #plot 2 - attempt at a scatterplot data = [go.Scatter(x=player_year.minutes_played y=player_year.salary marker=go.scatter.Marker(color='red' size=3))] layout = go.Layout(title="test" xaxis=dict(title='why') yaxis=dict(title='plotly')) py.iplot(figure_or_data=data layout=layout filename='jupyter-plot2' sharing='public') [Image: image.png]

表示不同 NBA 球队每分钟平均失误数的条形图。

表示薪水和在 NBA 的打球时间之间关系的散点图

总体来说，开箱即用的美化工具看起来很好，但我多次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展示了 Plotly 的潜力，以及我为什么要在它身上花好几个小时：

Plotly 页面上的一些示例图

Pygal

Pygal 的名气就不那么大了，和其它常用的绘图包一样，它也是用图形框架语法来构建图像的。由于绘图目标比较简单，因此这是一个相对简单的绘图包。使用 Pygal 非常简单：

• 实例化图片；
• 用图片目标属性格式化；
• 用 figure.add() 将数据添加到图片中。

我在使用 Pygal 的过程中遇到的主要问题在于图片渲染。必须要用 render_to_file 选项，然后在 web 浏览器中打开文件，才能看见我刚刚构建的东西。

最终看来这是值得的，因为图片是交互式的，有令人满意而且便于自定义的美化功能。总而言之，这个包看起来不错，但在文件的创建和渲染部分比较麻烦。

Networkx

虽然 Networkx 是基于 matplotlib 的，但它仍是图形分析和可视化的绝佳解决方案。图形和网络不是我的专业领域，但 Networkx 可以快速简便地用图形表示网络之间的连接。以下是我针对一个简单图形构建的不同的表示，以及一些从斯坦福 SNAP 下载的代码（关于绘制小型 facebook 网络）。

我按编号（1~10）用颜色编码了每个节点，代码如下：

options = { 'node_color' : range(len(G)) 'node_size' : 300 'width' : 1 'with_labels' : False 'cmap' : plt.cm.coolwarm } nx.draw(G **options)

用于可视化上面提到的稀疏 Facebook 图形的代码如下：

import itertools import networkx as nx import matplotlib.pyplot as plt f = open('data/facebook/1684.circles' 'r') circles = [line.split() for line in f] f.close() network = [] for circ in circles: cleaned = [int(val) for val in circ[1:]] network.append(cleaned) G = nx.Graph() for v in network: G.add_nodes_from(v) edges = [itertools.combinations(net 2) for net in network] for edge_group in edges: G.add_edges_from(edge_group) options = { 'node_color' : 'lime' 'node_size' : 3 'width' : 1 'with_labels' : False } nx.draw(G **options)

这个图形非常稀疏，Networkx 通过最大化每个集群的间隔展现了这种稀疏化。

有很多数据可视化的包，但没法说哪个是最好的。希望阅读本文后，你可以了解到在不同的情境下，该如何使用不同的美化工具和代码。

原文链接：https://towardsdatascience.com/reviewing-python-visualization-packages-fa7fe12e622b