matplotlib库的五个优点和缺点

Posted 2023-05-05

Matplotlib是一款广泛使用的Python绘图库，它具有以下五个优点：

1. 易用性：Matplotlib可以轻松创建各种类型的图表（如线图、柱状图、饼图等），而且支持自定义设置和高度可视化效果。

2. 交互性：Matplotlib提供丰富的交互式功能，比如鼠标指针悬停提示、拖动和缩放等，使得数据分析更加方便和快捷。

3. 兼容性：Matplotlib支持多种操作系统和绘图环境（如Jupyter Notebook、PyCharm等），并且能够与其他常用的科学计算库（如Numpy、Pandas等）无缝集成。

4. 社区活跃：Matplotlib有一个庞大的社区支持，不断地推出新的版本和更新，可以帮助用户及时了解最新技术和优化。

5. 可扩展性：Matplotlib支持自定义插件、主题、样式和色彩等，用户可以根据自己的需要进行定制和扩展。

然而，Matplotlib也存在以下缺点：

1. 学习曲线陡峭：对于初学者来说，Matplotlib的语法相对较为复杂，需要花费一定时间进行学习和掌握。

2. 某些默认设置不佳：Matplotlib的某些默认设置（如刻度、标签等）可能不符合用户的实际需求，需要手动进行调整。

3. 速度较慢：Matplotlib的绘图速度相对较慢，当需要绘制大型数据集时，可能需要等待较长时间才能完成。

4. 图形样式不够丰富：Matplotlib提供的图形样式相对较少，如果需要创建更多样化的图形，可能需要自己编写代码，或者使用其他可视化库。

5. 不支持动态更新：Matplotlib不直接支持实时更新和动态展示数据，对于需要实时数据可视化的应用场景，可能需要使用其他辅助工具。 参考技术A matplotlib 是 Python 中常用的数据可视化库，其优点和缺点如下：
优点：
1. 易于使用：matplotlib 提供了简单易用的 API，使得用户可以轻松地创建各种类型的图表。
2. 支持多种图表类型：matplotlib 支持多种类型的图表，包括线图、散点图、柱状图、饼图、热力图等，可以满足不同需求的数据可视化需求。
3. 可定制性强：matplotlib 提供了丰富的参数设置和样式定制选项，用户可以根据自己的需求对图表进行个性化定制。
4. 支持多种输出格式：matplotlib 支持多种输出格式，包括 PNG、PDF、SVG、EPS 等，方便用户将图表嵌入到文档中或者在网页上展示。
5. 社区活跃：matplotlib 是一个开源项目，拥有庞大的用户社区和开发者社区，用户可以从社区中获取支持和帮助。
缺点：
1. 代码复杂：matplotlib 的 API 比较复杂，需要一定的学习成本，特别是对于初学者来说，可能需要花费一定的时间来掌握。
2. 默认样式较丑：matplotlib 默认的样式比较丑，需要用户自己进行样式定制，才能得到美观的图表。
3. 不支持动画效果：matplotlib 不支持动画效果，如果需要实现动画效果，需要使用其他库。
4. 不支持交互式可视化：matplotlib 不支持交互式可视化，用户无法通过鼠标交互来控制图表的展示。
5. 不支持大数据量的可视化：matplotlib 对于大数据量的可视化支持不够好，可能会导致图表渲染速度较慢。 参考技术B 优点：
1.Matplotlib可以创建各种各样的图表，如散点图，折线图，柱形图，热图，2D和3D图等。
2.可以使用Matplotlib与其他科学计算库（如NumPy）进行无缝集成。
3.它支持LaTeX文本，这样用户可以很容易地创建图表的标签和标题。
4.它可以与GUI工具包（如PyQt和wxPython）集成，这使得创建图形用户界面变得容易。
5.它有一个功能丰富的命令式接口，可以很容易地自定义和控制图表。
缺点：
1.Matplotlib的文档有时不够全面，并且可能会令人困惑。
2.它不支持交互式图形。
3.用户可能需要一些时间才能熟悉Matplotlib的绘图API。
4.它可能不能高效地处理大型数据集。
5.在某些情况下，它可能会生成不太可靠的图像。 参考技术C 优点：
1. 拥有丰富的调色板，可以方便地自定义图表外观；
2. 拥有各种图表，可以方便地绘制线图，柱状图，3D图表等等；
3. 集成了Python，可以方便地使用Python代码编写图表；
4. 支持跨平台，可以在Windows，Linux和Mac等多个平台上运行；
5. 拥有大量的文档，可以方便地获取帮助。
缺点：
1. 对于非常复杂的图表，它仍然有一定的局限性；
2. 不支持触摸屏操作，不适合界面操作；
3. 对于非常大的数据集，可能会受到内存的限制；
4. 3D图表的制作比较复杂，需要花费更多的时间和精力；
5. 部分图表可能不太美观，需要花费更多的时间进行调整。

从青铜到王者，进阶数据可视化2.0的五个Python库!

源 / 程序君       文 / A九离

数据可视化的工具和程序库已经极大丰盛，当你习惯其中一种或数种时，你会干得很出色，但是如果你因此而沾沾自喜，就会错失从青铜到王者的新工具和程序库。如果你仍然坚持使用Matplotlib（这太神奇了），Seaborn（这也很神奇），Pandas（基本，简单的可视化）和Bokeh，那么你真的需要停下来了解一下新事物了。例如，python中有许多令人惊叹的可视化库，而且通用化程度已经很高，例如下面这五个：

Plotly

Cufflinks

Folium

Altair + Vega

D3.js（个人认为最好的选择，因为我也用JS写代码）

如果您了解并使用上面提到的库，那么您就处于进化的正确轨道上。它们可以帮助生成一些令人拍案的可视化效果，语法也不难。一般来说，我更喜欢Plotly+Cufflinks和 D3.js. 以下详细道来：

Plotly

Plotly是一个开源，交互式和基于浏览器的Python图形库。可以创建能在仪表板或网站中使用的交互式图表（您可以将它们保存为html文件或静态图像）。Plotly基于plotly.js，而plotly.js又基于D3.js，因此它是一个高级图表库，与Bokeh一样，Plotly的 强项是制作交互式图 ，有超过30种图表类型， 提供了一些在大多数库中没有的图表 ，如等高线图、树状图、科学图表、统计图表、3D图表、金融图表等。 plotly最棒的一点是可以在Jupyter笔记本或独立的HTML页面中使用 。您也可以在他们的网站上在线使用它，但我更喜欢离线使用它，您也可以将可视化保存为图像，非常易于使用也非常实用。

– 在Jupyter Notebook中使用Plotly的方法（离线）

首先，安装plotly库。

pip install plotly

然后打开jupyter笔记本并键入：

from plotly import __version__ 
from plotly.offline import download_plotlyjs，init_notebook_mode，plot，iplot 
init_notebook_mode（connected = True）

语法超简单！在P andas中 ，你使用 dataframe.plot （） ，在这里，您使用 dataframe.iplot（）。 这个 “ i ” 改变了可视化的整个定义。

只需一行代码，我生成了下面这个散点图。您可以根据需要自定义它。请记住指定模式标记，否则您将获得一些线条。

请注意，随着数据的增加，plotly会开始卡滞。所以，只有当数据点的小于500K时，我才会使用plotly。

Cufflinks

Cufflinks将Plotly直接绑定到pandas数据帧。这种组合非常惊人，结合了Pandas的灵活性，比Plotly更有效，语法甚至比plotly简单。使用plotly的Python库，您可以使用DataFrame的系列和索引来描述图形，但是使用Cufflinks可以直接绘制它。正如下面这个例子：

df = cf.datagen.lines（）
py.iplot（[{ 
 'x'：df.index，
 'y'：df [col]，
 'name'：col 
} <strong>for</strong> col <strong>in</strong> df.columns]）

with plotly

df.iplot（kind= 'scatter'）

with cufflinks

Cufflinks使得图表绘制更加容易。您甚至还 可以使用Cufflinks生成令人惊叹的3D图表 。我只用几行代码生成了下面这个3D图表。

用Cufflinks生成的3D图表

你可以随时在Jupyter Notebook中试用它。

– 快速窍门：

在配置中设置：

c.NotebookApp.iopub_data_rate_limit = 1.0e10

按以下方式导入：

import plotly.graph_objs as go
import plotly.plotly as py 
import cufflinks as cf 
from plotly.offline import iplot，init_notebook_mode 
cf.go_offline（）
#Set global theme 
cf.set_config_file（world_readable = True，theme ='pearl'，offline = True ）
init_notebook_mode（）

接下来，我将谈论另一个神库——Viz库。

Folium

Folium建立在Python生态系统的数据优势和Leaflet.js库的映射优势之上。您可以在python中操作数据，然后通过folium在Leaflet地图中将其可视化。Folium是一个用于绘制空间数据的“神库”。你还可以使用folium生成热图和等值区域图。让我们了解一下folium：

地图定义为 folium.Map 对象，可在folium顶部添加其他folium对象。

您可以为Folium渲染的地图使用不同的地图图层，例如MapBox，OpenStreetMap和其他几个图层，你可以查看 此github库文件夹 或 此文档页面 。

你还可以选择不同的地图投影。有许多投影可供选择。

让我们用美国失业的Geojson生成一个Choropleth地图。以下是片段：

map = folium.Map([43, -100], zoom_start=4)
choropleth = folium.Choropleth(
 geo_data=us_states,
 data=state_data,
 columns=['State', 'Unemployment'],
 key_on='feature.id',
 fill_color='YlGn',
 name='Unenployment',
 show=<strong>False</strong>,
).add_to(m)
<em># 底层的GeoJson和StepColormap对象是可访问的</em>
print(type(choropleth.geojson))
print(type(choropleth.color_scale))
folium.LayerControl(collapsed=<strong>False</strong>).add_to(m)
map.save(os.path.join('results', 'GeoChoro.html'))
map

这只是一个基本的地图，你可以添加标记，弹出窗口等等。可以是下面的leaflet和folium生成的地图

Altair + Vega

Altair是一个声明性统计可视化库，基于Vega和Vega-Lite。

声明意味着只需要提供数据列与编码通道之间的链接，例如x轴，y轴，颜色等，其余的绘图细节它会自动处理。声明使Altair变得简单，友好和一致。使用Altair可以轻松设计出有效且美观的可视化代码。

Altair使您能够使用强大而简洁的可视化语法快速开发各种统计可视化图表。如果您使用的是Jupyter Notebook，则需要按以下方式安装它。它还包括一些示例vega数据集。

pip install -U altair vega_datasets notebook vega

Altair主要依赖Vega，为了使图表在屏幕上可见，你需要安装Vega，并且还需要为每个新会话运行此命令：

alt.renderers.enable(‘notebook’)

Altair中的数据是围绕Pandas Dataframe构建的。统计可视化最明显的特征是以整洁的Dataframes开始。您还可以将绘图另存为图像或在vega编辑器中打开它以获得更多选项。Altair可能不是最好的，但绝对值得一试。

下面这个例子，我使用了汽车数据集;

import altair as alt
from vega_datasets import data
source = data.cars()
brush = alt.selection(type='interval')
points = alt.Chart().mark_point().encode(
 x='Horsepower:Q',
 y='Miles_per_Gallon:Q',
 color=alt.condition(brush, 'Origin:N', alt.value('lightgray'))
).add_selection(
 brush
)
bars = alt.Chart().mark_bar().encode(
 y='Origin:N',
 color='Origin:N',
 x='count(Origin):Q'
).transform_filter(
 brush
)
alt.vconcat(points, bars, data=source)

Altair和Vega生成的分散图和直方图

D3.js（数据驱动文档DDD）

D3.js是一个JavaScript库，根据数据操作文档。您可以使用HTML，SVG和CSS将数据变成活灵活现的图表。D3并不要求您将自己绑定到任何专有框架，因为现代浏览器拥有D3所需的一切，它还用于组合强大的可视化组件和数据驱动的DOM操作方法。

D3.js是目前市场上最好的数据可视化库。 您可以将它与python一起使用，也可以与R一起使用。最初，它可以与JavaScript一起使用，因为JS具有广泛的功能并且需要大量的学习和经验，但是如果你是JS专业人员则不需要犹豫。虽然 Python 和 R 使D3.js变得更简单，但只是一点点！总之D3.js是绝对不会错的上佳之选。

D3py有3个主要依赖项：

NumPy

Pandas

NetworkX

我建议你使用JavaScript或R，而不是python，因为版本已经过时，最后一次更新是在2016年。而且只是D3.js的一个瘦的python包装器。

R提供D3可视化接口。使用 r2d3 ，您可以将数据从R绑定到D3可视化。使用 r2d3 创建的D3可视化就像RStudio，R Markdown文档和Shiny应用程序中的R图一样工作。您可以按如下方式从CRAN 安装 r2d3 软件包：

install.packages(“r2d3”)

你可以做一些惊人的可视化，例如下面这几个：

Sequences Sunburst — Kerry Rodden’s Block (Source)

年度活动统计— Kunal Dhariwal (Me, lol)

从基础到高端，您可以使用D3.js构建任何东西，不要忘记尝试一下。

-END-

转载声明：本文选自「程序君 」。

重磅推出全新学习模式
用打卡学Python
每天30分钟
30天学会Python编程

世界正在奖励坚持学习的人！