精挑细选的10个用于数据可视化Python库

Posted 2021-04-28 景略集智

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了精挑细选的10个用于数据可视化Python库相关的知识，希望对你有一定的参考价值。

其实 Python 里面就有不少库可以满足各种数据可视化的实践操作，其中有些库主要专注于某个具体领域，有些则可以用于各种任务。

今天我们就分享 10 个用于数据可视化的 Python 库，总有一款适合你！

Matplotlib

Matplotlib 是 Python 中的老牌数据可视化库，虽然已经推出了由十几年之久，但它目前仍是 Python 里使用最广泛的绘图库。

因为 matplotlib 是第一款用于数据可视化的库，因为后面的一些库比如 Pandas 和 seaborn 都是基于它创建的。

虽然 matplotlib 比较经典，但也因较为复杂和风格老旧而受到批评，不过最新的 2.X 版本的 matplotlib 已经大幅优化了这些问题。

Seaborn

借助 matplotlib 的强大性能，Seaborn 只需几行代码就能创建出很漂亮的图表。两者的关键区别是 seaborn 上的默认样式及颜色更为美观和现代感一些。由于 seaborn 基于 matplotlib 建立，所以你还需要知道怎么用 matplotlib 调整 seaborn 的默认设置。

Ggplot

Ggplot 基于 R 语言绘图系统 ggplot2 以及源自《The Grammar of Graphics》的概念。ggplot 的操作不同于 matplotlib，它能让组合不同的部件创建一个完整的图形。比如你可以先画一个轴，然后添加点，然后加上线，接着画上趋势线等。

据 ggplot 的设计者称，ggplot 的初衷并不是用于创建高度自定义的图形，而是提供一种更为简便的绘图方法。

Ggplot 和 Pandas 紧密相关，所以在使用 ggplot 的时候最好将数据保存在 DataFrame 中。

Bokeh

和ggplot一样，Bokeh的绘图理念也是基于《The Grammar of Graphics》这本书，不过不同的是，Bokeh 是原生的 Python 库，而非源自 R 语言。Bokeh 的强大之处是能够创建交互式、支持网页的图形，可以很容易的导出为 json 对象，html 文件或其它交互式网页应用。Bokeh 也支持数据流和实时数据。

Bokeh 提供了三种不同的界面，有不同的操作水平，分别对应不同的用户类型。最高水平是快速创建图形，包括创建常见图形如条形图、箱线图、直方图等的方法（适合新手）。中等水平大致和 matplotlib 相仿，让你可以掌控每个图表的基本组件，比如散点图中的点（适合有一定经验的人）。最低水平没有预先的默认设置，需要用户自定义图表中的所有元素（适合开发者和软件工程师）。

Pygal

Pygal 也能像 Bokeh 和 Plotly 一样提供交互式图形，可以嵌入浏览器中。主要不同之处在于 Pygal 能够输出 SVG 图形。在处理较小的数据集时，SVG 图形会让工作效果更好，不过在处理有成百上千个数据点这样的图形时，会出现卡顿。

因为每个图形类型都被打包为一种方法，内置风格也很美观，所以 Pygal 只需几行代码就能创建出非常漂亮的图表。

Plotly

Plotly 不单单是一个在线数据可视化平台，也可以在 Python 笔记本中使用。Plotly 也能像 Bokeh 一样制作交互式图形，而且可以创建大多数库无法创建的图形，比如等高线图、树枝形结构联系图和 3D 图形。

Geoplotlib

Geoplotlib 是一款可以创建地图和绘制地理数据的工具箱。你可以用它创建出多种地图类型，比如等高线图，热度图和密度图等。不过要使用 Geoplotlib，必须先安装好 Pyglet（一种面向对象的编程界面）。由于大多数 Python 数据可视化库并不能绘制地图，因此使用 Geoplotlib 能很好的解决这个问题。