Press "Enter" to skip to content

不会做图表?10个Python数据可视化库来帮你!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

1、matplotlib

 

 

两个直方图

 

matplotlib 是Python可视化程序库的泰斗。经过十几年它任然是Python使用者最常用的画图库。它的设计和在1980年代被设计的商业化程序语言MATLAB非常接近。

 

由于 matplotlib 是第一个 Python 可视化程序库,有许多别的程序库都是建立在它的基础上或者直接调用它。

 

比如pandas和Seaborn就是matplotlib的外包,它们让你能用更少的代码去调用 matplotlib的方法。

 

虽然用 matplotlib 可以很方便的得到数据的大致信息,但是如果要更快捷简单地制作可供发表的图表就不那幺容易了。

 

就像Chris Moffitt 在“Python可视化工具简介”中提到的一样:“功能非常强大,也非常复杂。”

 

matplotlib 那有着强烈九十年代气息的默认作图风格也是被吐槽多年。即将发行的matplotlib 2.0 号称会包含许多更时尚的风格。

 

开发者:John D. Hunter

 

更多资料:​ ​http://matplotlib.org/​ ​​

 

2、Seaborn

 

 

Violinplot (Michael Waskom)

 

Seaborn利用了matplotlib,用简洁的代码来制作好看的图表。

 

Seaborn跟matplotlib最大的区别就是它的默认绘图风格和色彩搭配都具有现代美感。

 

由于Seaborn是构建在matplotlib的基础上的,你需要了解matplotlib从而来调整Seaborn的默认参数。

 

开发者: Michael Waskom

 

更多资料:​ ​http://seaborn.pydata.org/index.html​ ​​

 

3、ggplot

 

 

Small multiples (ŷhat)

 

ggplot 基于R的一个作图包 ggplot2, 同时利用了源于 《图像语法》(The Grammar of Graphics)中的概念。

 

ggplot 跟 matplotlib 的不同之处是它允许你叠加不同的图层来完成一幅图。比如你可以从轴开始,然后加上点,加上线,趋势线等等。

 

虽然《图像语法》得到了“接近思维过程”的作图方法的好评,但是习惯了matplotlib的用户可能需要一些时间来适应这个新思维方式。

 

ggplot的作者提到 ggplot 并不适用于制作非常个性化的图像。它为了操作的简洁而牺牲了图像复杂度。

 

ggplot is tightly integrated with pandas, so it’s best to store your data in a DataFrame when using ggplot.

 

ggplot跟pandas的整合度非常高,所以当你使用它的时候,最好将你的数据读成 DataFrame。

 

开发者: ŷhat

 

更多资料:​ ​http://ggplot.yhathq.com/​ ​​

 

4、Bokeh

 

 

Interactive weather statistics for three cities (Continuum Analytics)

 

跟ggplot一样, Bokeh 也是基于《图形语法》的概念。

 

但是跟ggplot不一样的是,它完全基于Python而不是从R引用过来的。

 

它的长处在于它能用于制作可交互,可直接用于网络的图表。图表可以输出为JSON对象,HTML文档或者可交互的网络应用。

 

Boken也支持数据流和实时数据。Bokeh为不同的用户提供了三种控制水平。

 

最高的控制水平用于快速制图,主要用于制作常用图像, 例如柱状图,盒状图,直方图。

 

中等控制水平跟matplotlib一样允许你控制图像的基本元素(例如分布图中的点)。

 

最低的控制水平主要面向开发人员和软件工程师。

 

它没有默认值,你得定义图表的每一个元素。

 

开发者: Continuum Analytics

 

更多资料:​ ​https://docs.bokeh.org/en/latest/​ ​​

 

5、pygal

 

 

Box plot (Florian Mounier)

 

pygal 跟 Bokeh 和 Plotly 一样,提供可直接嵌入网络浏览器的可交互图像。

 

跟其他两者的主要区别在于它可以将图表输出为SVG格式。

 

如果你的数据量相对小,SVG就够用了。但是如果你有成百上千的数据点,SVG的渲染过程会变得很慢。

 

由于所有的图表都被封装成了方法,而且默认的风格也很漂亮,用几行代码就可以很容易地制作出漂亮的图表。

 

开发者: Florian Mounier

 

更多资料:​ ​http://www.pygal.org/en/latest/index.html​ ​​

 

6、Plotly

 

 

Line plot (Plotly)

 

你也许听说过在线制图工具Plotly,但是你知道你可以通过Python使用它幺?

 

Plotly 跟 Bokeh 一样致力于交互图表的制作,但是它提供在别的库中很难找到的几种图表类型,比如等值线图,树形图和三维图表。

 

开发者: Plotly

 

更多资料:​ ​https://plotly.com/python/​ ​​

 

7、geoplotlib

 

 

Choropleth (Andrea Cuttone)

 

geoplotlib 是一个用于制作地图和地理相关数据的工具箱。

 

你可以用它来制作多种地图,比如等值区域图, 热度图,点密度图。

 

你必须安装 Pyglet (一个面向对象编程接口)来使用geoplotlib。不过因为大部分Python的可视化工具不提供地图,有一个专职画地图的工具也是挺方便的。

 

开发者: Andrea Cuttone

 

更多资料:​ ​https://github.com/andrea-cuttone/geoplotlib​ ​​

 

8、Gleam

 

 

Scatter plot with trend line (David Robinson)

 

Gleam 借用了R中 Shiny 的灵感。它允许你只利用 Python 程序将你的分析变成可交互的网络应用,你不需要会用HTML CSS 或者 JaveScript。

 

Gleam 可以使用任何一种 Python 的可视化库。

 

当你创建一个图表的时候,你可以在上面加上一个域,这样用户可以用它来对数据排序和过滤了。

 

开发者: David Robinson

 

更多资料:​ ​https://github.com/dgrtwo/gleam​ ​​

 

9、missingno

 

 

Nullity matrix (Aleksey Bilogur)

 

缺失数据是永远的痛。

 

missingno 用图像的方式让你能够快速评估数据缺失的情况,而不是在数据表里面步履维艰。

 

你可以根据数据的完整度对数据进行排序或过滤,或者根据热度图或树状图来考虑对数据进行修正。

 

开发者: Aleksey Bilogur

 

更多资料:​ ​https://github.com/ResidentMario/missingno​ ​​

 

10、Leather

 

 

 

Chart grid with consistent scales (Christopher Groskopf)

 

Leather的最佳定义来自它的作者 Christopher Groskopf。

 

“Leather 适用于现在就需要一个图表并且对图表是不是完美并不在乎的人。”

 

它可以用于所以的数据类型然后生成SVG图像,这样在你调整图像大小的时候就不会损失图像质量。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注