Python数据可视化工具测评：Python数据可视化工具测评
Python数据可视化工具测评：Python数据可视化工具测评frompyechartsimportoptionsasopts frompyecharts.chartsimportBar接着是绘图并不做任何任何调整，首先创建一个Bar实例，接着添加x轴y轴数据，注意仅接收list格式数据，最后添加标题并设置在notebook中直接展示。总体来说还是比较符合正常的作图逻辑，整体代码量并不多。Echarts是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而Python是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了，支持30 种图表。在pyecharts中制作条形图首先需要导入相关库本文使用的数据为Pyecharts中的faker数据from pyecharts.faker import Faker x= Faker.choose() y1 = Faker.val
刘早起 | 作者
早起Python | 来源
相信很多读者学习Python就是希望作出各种酷炫的可视化图表，当然你一定会听说过Matplotlib、Pyecharts、Seaborn、Plotly、Bokeh这五大工具，本文就将通过真实绘图来深度评测这五个Python数据可视化的库，看看到底这几种工具各有什么优缺点，在制作图表时该如何选择。
为了更清晰的了解这几款用于可视化的Python在作图时的异同，本文将使用同一组数据分别制作多系列条形图来对比，主要将通过以下几个指标来进行评测：
本文使用的数据为Pyecharts中的faker数据
from pyecharts.faker import Faker
x= Faker.choose()
y1 = Faker.values()
y2 = Faker.values()
x为一列品牌名称，y1/y2为一列相同长度的无意义数据，接下来让我们使用不同的库对这组数据进行可视化！
1.Pyecharts
Echarts是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而Python是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了，支持30 种图表。在pyecharts中制作条形图首先需要导入相关库
frompyechartsimportoptionsasopts
frompyecharts.chartsimportBar
接着是绘图并不做任何任何调整，首先创建一个Bar实例，接着添加x轴y轴数据，注意仅接收list格式数据，最后添加标题并设置在notebook中直接展示。总体来说还是比较符合正常的作图逻辑，整体代码量并不多。
c= (
Bar()
.add_xaxis(x)
.add_yaxis("商家A" y1)
.add_yaxis("商家B" y2)
.set_global_opts(title_opts=opts.TitleOpts(title="Pyecharts—柱状图" subtitle=""))
).render_notebook()
默认生成的两系列柱状图如下：
可以看到，该图支持交互式展示与点击，默认生成的样式也较为美观，并且Pyecharts有详细的中文文档与demo，网上关于Pyecharts的讨论也较多，如果是刚接触的读者也能比较快的上手。当然如果对默认样式不满意的话，可以进行一些调整，由于文档十分完整，所以代码修改起来并不困难，比如可以修改主题并设置一些标记线、DataZoom，添加小组件等
总体来说，由于Pyecharts是基于Echarts制作的，因此生成图表比较美观，并且官方中文文档对相关设置讲解非常详细，有关Pyecharts的讨论也非常多，所以如果在使用过程中有相关疑问也很容易通过检索找到答案，但遗憾的是不支持使用pandas中的series数据，需要转换为list才可以使用，不过整体还是让我很满意的一款可视化库。
主观评分：85分
2.Matplotlib
Matplotlib应该是最广泛使用的Python可视化工具，支持的图形种类非常多，使用Matplotlib制作相同效果的图需要先导入相关库，并且并不支持原生中文所以还要设置下中文显示
importmatplotlib.pyplotasplt
importnumpyasnp
plt.rcParams['font.sans-serif'] = ['SimHei']
接着就是绘图，但是相比较于pyecharts大多是往写好的代码里面添加数据、配置不同，matplotlib大多数需要我们自己写代码，所以代码量可能稍多一点
width =0.35
x1 = np.arange(len(x))
fig ax = plt.subplots()
rects1 = ax.bar(x1 - width/2 y1 width label='商家A')
rects2 = ax.bar(x1 width/2 y2 width label='商家B')
ax.set_title('Matplotlib—柱状图')
ax.set_xticks(x1)
ax.set_xticklabels(x)
ax.legend()
plt.show()
最后生成的默认图像如下
默认配色不是很好看但也没有很难看，看起来更学术一点，但是不支持交互式点击查看等操作，虽然代码量更多一点，但是由于Matplotlib的火热，网上关于matplotlib的资料比Pyecharts要多很多，所以写代码于调整代码的过程也并不复杂。
主观评分：77分
3.Plotly
Plotly也是一款非常强大的Python可视化库，Plotly内置完整的交互能力及编辑工具，支持在线和离线模式，提供稳定的API以便与现有应用集成，既可以在web浏览器中展示数据图表，也可以存入本地拷贝。但是由于官方未提供中文文档，网上关于Plotly的教程也仅限于官方的一些demo，对于一些详细的参数设置并没有太多资料，首先还是先导入相关库并设置notebook显示
importplotly
importplotly.offlineaspy
importplotly.graph_objsasgo
plotly.offline.init_notebook_mode(connected=True)
接下来是绘图代码，首先要对数据先进行处理，剩下的基础配置其实和Pyecharts比较类似
trace0 =go.Bar(
x=x
y= y1
name ='商家A'
)
trace1 =go.Bar(
x=x
y= y2
name ='商家B'
)
data = [trace0 trace1]
layout =go.Layout(
title={
'text':"Plotly-柱状图"
'y':0.9
'x':0.5
'xanchor':'center'
'yanchor':'top'})
fig =go.Figure(data=data layout=layout)
py.iplot(fig)
默认样式生成的图如上，配色也不难看，并且可以看到是支持交互式操作的，同时是默认添加toolbox小组件，可以更方便的查看，支持30多种图形，总体来说还是比较优秀的一个可视化工具，但是如果真要熟练使用的话可能需要一点时间用于查找相关资料，因为网上关于Plotly的资料不多，大多是基本使用的简单教程，如果想查找一些细节的操作比如我为了查找让标题居中的方法，百度之后用Google在国外某论坛找到类似问题并找到设置。
主观评分：76分
4.Bokeh
Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别，它可以做出像D3.js简洁漂亮的交互可视化效果，但是使用难度低于D3.js，首先还是导入相关库
frombokeh.transformimportdodge
importpandasaspd
frombokeh.core.propertiesimportvalue
importnumpyasnp
importmatplotlib.pyplotasplt
%matplotlib inline
frombokeh.ioimportoutput_notebook
output_notebook()# 导入notebook绘图模块
frombokeh.plottingimportfigure show
frombokeh.modelsimportColumnDataSource# 导入图表绘制、图标展示模块 # 导入ColumnDataSource模块 # 导入dodge、value模块
相关依赖比上面三个要多出很多，并且Bokeh有自己的数据结构ColumnDataSource，所以要先对数据进行转换，接着就是创建画布、添加数据及设置
df = pd.DataFrame({'商家A':y1 '商家B':y2}
index = x_)
_x = ['商家A' '商家B']# 系列名
data = {'index':x_}
foriin_x:
data[i] = df[i].tolist()# 生成数据，数据格式为dict
source= ColumnDataSource(data=data)# 将数据转化为ColumnDataSource对象
p = figure(x_range=x_ y_range=(0 150) plot_height=350 title="boken-柱状图" tools="crosshair pan wheel_zoom box_zoom reset box_select lasso_select")
p.vbar(x=dodge('index' -0.1 range=p.x_range) top='商家A' width=0.2 source=source color="#718dbf" legend=value("商家A"))
p.vbar(x=dodge('index' 0.1 range=p.x_range) top='商家B' width=0.2 source=source color="#e84d60" legend=value("商家B"))# dodge(field_name value range=None) → 转换成一个可分组的对象，value为元素的位置（配合width设置）
p.xgrid.grid_line_color = None
p.legend.location ="top_left"
p.legend.orientation ="horizontal"# 其他参数设置
show(p)
可以看到，Bokeh做出来的图也是支持交互的，不并且样式之类的看上去还是比较舒服的，不过上面这张图是经过调整颜色的，因为默认不对两个系列进行区分颜色
Bokeh一个很明显的特点就是代码量较上面三个工具要多了很多，大多是在数据的处理上，并且和Plotly一样，有关bokeh相关的中文资料也不多，大多是入门型的基本使用于介绍，虽然从官方给出的图来看能作出很多比pyecharts更精美的图，但是查找相关参数的设置上将会耗费一定时间。
主观评分：71分
5.Seaborn
从seaborn官网给出的标题就知道，seaborn是为了统计图表设计的，它是一种基于matplotlib的图形可视化库，也就是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图，还是我们的数据，使用Seaborn制作首先需要导入相关库，由于是基于Matplotlib，所以还是需要设置中文
importseabornassns
importmatplotlib.pyplotasplt
plt.rcParams['font.sans-serif'] = ['SimHei']
接下来只要一行代码就能生成我们要的图，默认配色也没有显得很难看
相比上面四种工具，从代码量上来看是非常简洁的，不过还是要先将数据转换为DataFrame格式，这里没在代码中体现，但依旧是最简短的代码，同时并不支持交互。并且Seaborn和Plotly、bokeh有一个共同的地方就是虽然强大，但是网上有关这三个库的教程、讨论都远少于Pyecharts与Matplotlib，如果是新手的话可能很难快速通过搜索解决你遇到的问题，而需要自己研究别人的代码。
主观评分：72分
以上就是对常见的5个Python数据可视化的评测，可能通过绘制条形图的方式去给每个工具打分不是非常合适，但我想你应该能够大致熟悉到每个库在绘图时的特点，同时也能在选择这些工具之前有一个简单的了解。
最后正如我们文中介绍的一样，不同工具的应用场景、目标用户都不完全相同，所以我们在选择工具时需要先思考自己的使用场景，并且需要评估绘制目标图形的难度，就像有些工具虽然强大但是资料太少，不要为了追求高级的样式而浪费太多时间！
如果你仍在犹豫学习哪一个工具的话，我的意见是：熟练掌握一个工具之后，了解其他工具即可！最后留一个彩蛋，大家可以猜一猜文中的雷达图是使用文中提到的哪一款工具制作。
- END -
本文已获得作者授权发布，二次转载请联系原作者
