Python中数据可视化经典库都有哪些？

Posted 2023-03-27

Python有很多经典的数据可视化库，比较经典的数据可视化库有下面几个。

matplotlib

是Python编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+，向应用程序嵌入式绘图提供了应用程序接口。

pyplot 是 matplotlib 的一个模块，它提供了一个类似 MATLAB 的接口。 matplotlib 被设计得用起来像 MATLAB，具有使用 Python 的能力。

优点：绘图质量高，可绘制出版物质量级别的图形。代码够简单，易于理解和扩展，使绘图变得轻松，通过Matplotlib可以很轻松地画一些或简单或复杂的图形，几行代码即可生成直方图、条形图、散点图、密度图等等，最重要的是免费和开源。

pandas

Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。需要说明的是它不是“熊猫”，名字衍生自术语 "panel data"（面板数据）和 "Python data analysis"（Python 数据分析）。

优点：是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观的处理关系型、标记型数据。对于数据分析专业人士，它是数据分析及可视化的利器。

seaborn

Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。

它是基于matplotlib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能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物，它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式。

优点：matplotlib高度封装，代码量少，图表漂亮。比起matplotlib具有更美观、更现代的调色板设计等优点。

scikit-plot

这是一个跟机器学习有效结合的绘图库。想要深入学习的小伙伴参见其github仓库，这里不再赘述了。

优点：Scikit-Plot是由ReiichiroNakano创建的用在机器学习的可视化工具，能最快速简洁的画出用Matplotlib要写很多行语句才能画出的图。关键是对于机器学习相关可视化处理，该库有较好的支持。

Networkx

networkx是Python的一个包，用于构建和操作复杂的图结构，提供分析图的算法。图是由顶点、边和可选的属性构成的数据结构，顶点表示数据，边是由两个顶点唯一确定的，表示两个顶点之间的关系。顶点和边也可以拥有更多的属性，以存储更多的信息。

优点：用于创建、操纵和研究复杂网络的结构、以及学习复杂网络的结构、功能及其动力学。

上面是我的回答，希望对您有所帮助！

参考技术A 1、Matplotlib
Matplotlib是Python中众多数据可视化库的鼻祖，其设计风格与20世纪80年代设计的商业化程序语言MATLAB十分接近，具有很多强大且复杂的可视化功能。Matplotlib包含多种类型的API，可以采用多种方式绘制图表并对图表进行定制。
2、Seaborn
Seaborn是基于Matplotlib进行高级封装的可视化库，它支持交互式界面，使绘制图标的功能变得更简单，且图表的色彩更具吸引力，可以画出丰富多样的统计图表。
3、ggplot
ggplot是基于Matplotlib并旨在以简单方式提高Matplotlib可视化感染力的库，它采用叠加图层的形式绘制图形。例如先绘制坐标轴所在的图层，再绘制点所在的图层，最后绘制线所在的图层，但其并不适用于个性化定制图形。此外，ggplot2为R语言准备了一个接口，其中的API虽然不适用于Python，但适用于R语言并且功能十分强大。
4、Bokeh
Bokeh是一个交互式的可视化库，支持使用web浏览器展示，可使用快速简单的方式将大型数据集转换成高性能的、可交互的、结构简单的图表。
5、Pygal
Pygal是一个可缩放矢量图表库，用于生成可在浏览器中打开的SVG格式的图表，这种图表能够在不同比例的屏幕上自动缩放，方便用户交互。
6、Pyecharts
Pyecharts是一个生成ECharts的库，生成的ECharts凭借良好的交互性、精巧的设计得到了众多开发者的认可。 参考技术B 数据可视化是展示数据、理解数据的有效手段，常用的Python数据可视化库如下：
1.Matplotlib：第一个Python可视化库，有许多别的程序库都是建立在其基础上或者直接调用该库，可以很方便地得到数据的大致信息，功能非常强大，但也非常复杂。
2.Seaborn：利用Matplotlib，用简洁的代码来制作好看的图表，与Matplotlib最大的区别为默认绘图风格和色彩搭配都具有现代美感。
3.ggplot：基于R的一个作图库的ggplot2，同时利用了源于《图像语法》中的概念，允许叠加不同的图层来完成一幅图，并不适用于制作非常个性化的图像，为操作的简洁度而牺牲了图像的复杂度。
4.Bokeh：与ggplot很相似，但与ggplot不同之处为它完全基于Python而不是从R处引用。长处在于能用于制作可交互、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。
5.Plotly：可以通过Python notebook使用，与bokeh一样致力于交互图表的制作，但提供在别的库中几乎没有的几种图表类型，如等值线图、树形图和三维图表。
6.pygal：与Bokeh和Plotly一样，提供可直接嵌入网络浏览器的可交互图像。与其他两者的主要区别在于可将图表输出为SVG格式，所有的图表都被封装成方法，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。
7.geoplotlib：用于制作地图和地理相关数据的工具箱。可用来制作多种地图，比如等值区域图、热度图、点密度图等，必须安装Pyglet方可使用。
8.missingno：用图像的方式快速评估数据缺失的情况，可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对数据进行修正。

最受欢迎的 15 大 Python 库都有哪些

1、Pandas：是一个Python包，旨在通过“标记”和“关系”数据进行工作，简单直观。它设计用于快速简单的数据操作、聚合和可视化，是数据整理的完美工具。
2、Numpy：是专门为Python中科学计算而设计的软件集合，它为Python中的n维数组和矩阵的操作提供了大量有用的功能。该库提供了NumPy数组类型的数学运算向量化，可以改善性能，从而加快执行速度。
3、SciPy：是一个工程和科学软件库，包含线性代数，优化，集成和统计的模块。SciPy库的主要功能是建立在NumPy上，通过其特定子模块提供有效的数值例程，并作为数字积分、优化和其他例程。
4、Matplotlib：为轻松生成简单而强大的可视化而量身定制，它使Python成为像MatLab或Mathematica这样的科学工具的竞争对手。
5、Seaborn：主要关注统计模型的可视化(包括热图)，Seaborn高度依赖于Matplotlib。
6、Bokeh：独立于Matplotlib，主要焦点是交互性，它通过现代浏览器以数据驱动文档的风格呈现。
7、Plotly：是一个基于Web用于构建可视化的工具箱，提供API给一些编程语言(Python在内)。
8、Scikits：是Scikits
Stack额外的软件包，专为像图像处理和机器学习辅助等特定功能而设计。它建立在SciPy之上，中集成了有质量的代码和良好的文档、简单易用并且十分高效，是使用Python进行机器学习的实际行业标准。
9、Theano：是一个Python软件包，它定义了与NumPy类似的多维数组，以及数学运算和表达式。此库是被编译的，可实现在所有架构上的高效运行。
10、TensorFlow：是数据流图计算的开源库，旨在满足谷歌对训练神经网络的高需求，并且是基于神经网络的机器学习系统DistBelief的继任者，可以在大型数据集上快速训练神经网络。
11、Keras：是一个用Python编写的开源的库，用于在高层的接口上构建神经网络。它简单易懂，具有高级可扩展性。
12、NLTK：主要用于符号学和统计学自然语言处理(NLP) 的常见任务，旨在促进NLP及相关领域(语言学，认知科学人工智能等)的教学和研究。
13、Gensim：是一个用于Python的开源库，为有向量空间模型和主题模型的工作提供了使用工具。这个库是为了高效处理大量文本而设计，不仅可以进行内存处理，还可以通过广泛使用NumPy数据结构和SciPy操作来获得更高的效率。 参考技术A Igor Bobriakov
近年来，Python 在数据科学行业扮演着越来越重要的角色。因此，我根据近来的使用体验，在本文中列出了对数据科学家、工程师们最有用的那些库。
由于这些库都开源了，我们从Github上引入了提交数，贡献者数和其他指标，这可以作为库流行程度的参考指标。
核心库1. NumPy (提交数: 15980, 贡献者数: 522)
当开始处理Python中的科学任务，Python的SciPy Stack肯定可以提供帮助，它是专门为Python中科学计算而设计的软件集合（不要混淆SciPy库，它是SciPy Stack的一部分，和SciPy Stack的社区）这样我们开始来看一下吧。然而，SciPy Stack相当庞大，其中有十几个库，我们把焦点放在核心包上（特别是最重要的）。
关于建立科学计算栈，最基本的包是Numpy（全称为Numerical Python）。它为Python中的n维数组和矩阵的操作提供了大量有用的功能。该库提供了NumPy数组类型的数学运算向量化，可以改善性能，从而加快执行速度。
2. SciPy (提交数: 17213, 贡献者数: 489)
SciPy是一个工程和科学软件库。雷锋网再次提醒，你需要理解SciPy Stack和SciPy库之间的区别。
SciPy包含线性代数，优化，集成和统计的模块。SciPy库的主要功能是建立在NumPy上，从而它的数组大量的使用了NumPy的。它通过其特定子模块提供有效的数值例程，并作为数字积分、优化和其他例程。SciPy的所有子模块中的功能都有详细的说明 ——又是一个SciPy非常有帮助的点。
3. Pandas (提交数: 15089, 贡献者数：762)
Pandas是一个Python包，旨在通过“标记”和“关系”数据进行工作，简单直观。Pandas是数据整理的完美工具。它设计用于快速简单的数据操作，聚合和可视化。
库中有两个主要的数据结构：
“系列”（Series），一维

“数据帧”（Data Frames），二维

例如，当您要从这两种类型的结构中接收到一个新的Dataframe时，通过传递一个Series，您将收到一个单独的行到DataFrame的DF：

这里稍微列出了你可以用Pandas做的事情：
轻松删除并添加数据帧（DataFrame）中的列
将数据结构转换为数据帧（DataFrame）对象
处理丢失的数据，表示为NaN
功能强大的分组
Google趋势记录

trends.google.com
GitHub请求历史记录

datascience.com/trends
可视化4.Matplotlib (提交数: 21754, 贡献者数: 588)
又一个SciPy Stack核心软件包以及 Python库，Matplotlib为轻松生成简单而强大的可视化而量身定制。它是一个顶尖的软件（在NumPy，SciPy和Pandas的帮助下），它使Python成为像MatLab或Mathematica这样的科学工具的竞争对手。
然而，这个库是低层级的，这意味着你需要编写更多的代码才能达到高级的可视化效果，而且通常会比使用更多的高级工具付出更多的努力，但总体上这些努力是值得的。
只要付出一点你就可以做任何可视化：
线图
散点图
条形图和直方图
饼状图;
茎图
轮廓图
场图
频谱图
还有使用Matplotlib创建标签，网格，图例和许多其他格式化实体的功能。基本上，一切都是可定制的。
该库由不同的平台支持，并使用不同的GUI套件来描述所得到的可视化。不同的IDE（如IPython）都支持Matplotlib的功能。
还有一些额外的库可以使可视化变得更加容易。

5. Seaborn (提交数: 1699, 贡献者数: 71)
Seaborn主要关注统计模型的可视化；这种可视化包括热图，这些热图（heat map）总结数据但仍描绘整体分布。Seaborn基于Matplotlib，并高度依赖于此。

6. Bokeh (提交数: 15724, 贡献者数: 223)
另一个很不错的可视化库是Bokeh，它针对交互式可视化。与以前的库相比，它独立于Matplotlib。正如我们提到的，Bokeh的主要焦点是交互性，它通过现代浏览器以数据驱动文档（d3.js）的风格呈现。

7. Plotly (提交数: 2486, 贡献者数: 33)
最后，关于Plotly的话。它是一个基于Web用于构建可视化的工具箱，提供API给一些编程语言（Python在内）。在plot.ly网站上有一些强大的、上手即用的图形。为了使用Plotly，你将需要设置API密钥。图形将在服务器端处理，并发布到互联网，但有一种方法可以避免。

Google趋势记录

trends.google.com
GitHub请求历史记录

datascience.com/trends
机器学习8. SciKit-Learn (提交数：21793, 贡献者数：842)
Scikits是Scikits Stack额外的软件包，专为像图像处理和机器学习辅助等特定功能而设计。对于机器学习辅助，scikit-learn是所有软件包里最突出的一个。它建立在SciPy之上，并大量利用它的数学运算。
scikit-learn给常见的机器学习算法公开了一个简洁、一致的接口，可简单地将机器学习带入生产系统中。该库中集成了有质量的代码和良好的文档、简单易用并且十分高效，是使用Python进行机器学习的实际行业标准。
深度学习—— Keras / TensorFlow / Theano
在深度学习方面，Python中最着名和最便的库之一是Keras，它可以在TensorFlow或Theano框架上运行。让我们来看一下它们的一些细节。
9.Theano. (提交数：25870, 贡献者数：300)
首先让我们谈谈Theano。
Theano是一个Python软件包，它定义了与NumPy类似的多维数组，以及数学运算和表达式。此库是被编译的，可实现在所有架构上的高效运行。最初由蒙特利尔大学机器学习组开发，它主要用于满足机器学习的需求。
值得注意的是，Theano紧密结合了NumPy在低层次上的运算 。另外，该库还优化了GPU和CPU的使用，使数据密集型的计算平台性能更佳。
效率和稳定性微调保证了即使在数值很小的情况下，仍有更精确的结果，例如，即使只给出x的最小值，log（1 + x）仍能计算出合理的结果。
10. TensorFlow. (提交数: 16785,贡献者数: 795)
TensorFlow来自Google的开发人员，它是数据流图计算的开源库，为机器学习不断打磨。它旨在满足谷歌对训练神经网络的高需求，并且是基于神经网络的机器学习系统DistBelief的继任者。然而，TensorFlow并不限制于谷歌的科学应用范围 – 它可以通用于多种多样的现实应用中。
TensorFlow的关键特征是它的多层节点系统，可以在大型数据集上快速训练神经网络。这为谷歌的语音识别和图像对象识别提供了支持。
11. Keras. (提交数: 3519,贡献者数: 428)
最后我们来看看Keras。它是一个用Python编写的开源的库，用于在高层的接口上构建神经网络。它简单易懂，具有高级可扩展性。Keras使用Theano或TensorFlow作为后端，但微软现在正努力整合CNTK（微软的认知工具包）作为新的后端。
设计中的简约方法旨在通过建立紧凑型系统进行快速、简便的实验。
Keras真的容易上手，并在持续完善它的快速原型能力。它完全用Python编写，可被高度模块化和扩展。尽管它以易上手、简单和以高层次为导向，但是Keras足够有深度并且足够强大，去支持复杂的模型。
谷歌发展趋势历史

trends.google.com
GitHub请求历史记录

datascience.com/trends
自然语言处理12. NLTK (提交数: 12449,贡献者数: 196)
这个库的名称“Natural Language Toolkit”，代表自然语言工具包，顾名思义，它用于符号学和统计学自然语言处理（NLP) 的常见任务。 NLTK旨在促进NLP及相关领域（语言学，认知科学人工智能等）的教学和研究，目前受到重点关注。
NLTK的功能允许很多操作，例如文本标记，分类和标记，实体名称识别，建立语料库，可以显示语言内部和各句子间的依赖性、词根、语义推理等。所有的构建模块都可以为不同的任务构建复杂的研究系统，例如情绪分析，自动总结。
13. Gensim (提交数: 2878,贡献者数: 179)
它是一个用于Python的开源库，为有向量空间模型和主题模型的工作提供了使用工具。这个库是为了高效处理大量文本而设计的，所以不仅可以进行内存处理，还可以通过广泛使用NumPy数据结构和SciPy操作来获得更高的效率。Gensim高效也易于使用。
Gensim旨在与原始和非结构化的数字文本一起使用。 它实现了诸如hierarchical Dirichlet processes（HDP），潜在语义分析（LSA）和潜在Dirichlet分配（LDA）之类的算法，以及tf-idf，随机预测，word2vec和document2vec，便于检查一组文档中有重复模式的文本 （通常称为语料库）。所有的算法均是无监督的，意味着不需要任何参数，唯一的输入只有语料库。
谷歌发展趋势历史

trends.google.com
GitHub请求历史记录

datascience.com/trends
数据挖掘，统计学14. Scrapy (提交数: 6325,贡献者数: 243)
Scrapy库是用于从网络结构化检索数据（如联系人信息或URL）,可以用来设计crawling程序（也称为蜘蛛bots）。
它是开源的，使用用Python编写的。最开始只是如它的名字暗示的一样，只用来做scraping，但是它现在已经在完整的框架中发展，能够从API采集数据并作为通用的crawlers了。
该库在界面设计中标榜着“不要重复自己” 它推荐用户们编写泛化得到、可被重复使用的通用代码，从而构建和扩展大型的crawlers。
Scrapy的架构围绕着Spider class构建，这其中包含了crawler追从的一套指令。
15. Statsmodels (提交数: 8960,贡献者数: 119)
你可能从名字就猜出大概了，statsmodels使用户能够通过使用各种统计模型的估算方法进行数据挖掘，并执行统计判断和分析。
许多有用的特征是可被描述的，并通过使用线性回归模型，广义线性模型，离散选择模型，鲁棒线性模型，时间序列分析模型，各种估计方法得出统计结果。
这个库还提供了广泛的标定功能，专门用于大数据统计中的性能优化工作。
总结
许多数据科学家和工程师认为这些库是顶级的，并值得关注，或者需要或多或少了解它们。 以下是每个库在Github上的详细统计资料：
当然，这不是完全详尽的列表，还有许多其他的库和框架也是值得关注。一个很好的例子是SciKit的不同软件包各自专注一个特定的领域，如SciKit-Image是用于处理图像的