不会做图表？十个Python数据可视化库来帮你！("Python数据可视化入门：10大实用库助你轻松制作图表！")

原创

ithorizon 6个月前 (10-20) 阅读数 31 #后端开发

Python数据可视化入门：10大实用库助你轻松制作图表！

一、引言

在当今数据驱动的时代，数据可视化已成为数据分析中不可或缺的一环。通过将数据转化为图表，我们可以更直观地懂得数据背后的含义，发现数据之间的相关性，以及做出更明智的决策。Python作为一种强劲的编程语言，提供了丰盈的数据可视化库，帮助开发者轻松制作出各种图表。本文将为您介绍10大实用的Python数据可视化库，让您轻松入门数据可视化。

二、Matplotlib

Matplotlib是Python中最古老、最广泛使用的数据可视化库之一。它赞成多种图表类型，包括线图、条形图、散点图、饼图等。Matplotlib的API设计类似于MATLAB，促使熟悉MATLAB的用户能够迅速上手。


import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
plt.plot(x, y)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('线图示例')
plt.show()

三、Seaborn

Seaborn是基于Matplotlib的高级数据可视化库，它专门用于统计图形的绘制。Seaborn可以自动处理数据的分组和汇总，促使绘制复杂化的统计图表变得单纯。


import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.barplot(x="day", y="total_bill", data=tips)
plt.show()

四、Pandas Visualization

Pandas Visualization是基于Matplotlib和Seaborn的Pandas数据可视化工具。它为Pandas DataFrame提供了便捷的绘图方法，促使数据可视化更加单纯。


import pandas as pd
data = {'Year': [2015, 2016, 2017, 2018, 2019],
        'Sales': [1500, 1800, 2000, 2400, 2900]}
df = pd.DataFrame(data)
df.plot(x='Year', y='Sales', kind='line')
plt.show()

五、Plotly

Plotly是一个交互式数据可视化库，赞成多种图表类型，如折线图、条形图、散点图、地图等。Plotly的特点是图表具有交互性，可以缩放、拖动和自定义。


import plotly.express as px
data = px.data.gapminder().query("country=='Canada'")
fig = px.line(data, x='year', y='pop')
fig.show()

六、Bokeh

Bokeh是一个专门用于创建交互式图表的库，它赞成在浏览器中展示图表。Bokeh适用于大规模数据集，并且可以轻松嵌入到Web应用程序中。


from bokeh.plotting import figure, show, output_file
from bokeh.models import ColumnDataSource
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
source = ColumnDataSource(data=dict(x=x, y=y))
p = figure(title="Line Chart Example", x_axis_label='X轴', y_axis_label='Y轴')
p.line('x', 'y', source=source, legend_label="Temp")
output_file("line.html", title="line example")
show(p)

七、Pygal

Pygal是一个单纯易用的Python数据可视化库，它提供了多种图表类型，包括线图、条形图、饼图等。Pygal生成的图表具有交互性，并且可以导出为SVG或PNG格式。


from pygal.style import LightStyle
from pygal图表 import Line
chart = Line(style=LightStyle)
chart.title = 'Pygal Line Chart'
chart.add('Series 1', [1, 3, 6, 10, 15, 21])
chart.render_to_file('line_chart.svg')

八、Altair

Altair是基于Vega和Vega-Lite的Python数据可视化库。它通过单纯的API提供丰盈的图表类型，并且可以轻松处理大型数据集。


import altair as alt
data = alt.Data(url='data.csv')
bar = alt.Chart(data).mark_bar().encode(
    x='Category:N',
    y='Sales:Q'
)
bar.display()

九、Dash

Dash是一个用于构建交互式Web应用程序的库，它基于Plotly。Dash可以轻松地将Python代码转化为Web应用程序，而无需编写HTML或JavaScript。


import dash
import dash_core_components as dcc
import dash_html_components as html
app = dash.Dash(__name__)
app.layout = html.Div([
    dcc.Graph(
        id='example-graph',
        figure={
            'data': [
                {'x': [1, 2, 3], 'y': [4, 1, 2]}
            ],
            'layout': {
                'title': 'Dash Data Visualization'
            }
        }
    )
])
if __name__ == '__main__':
    app.run_server(debug=True)

十、Vincent

Vincent是一个基于Vega的Python数据可视化库，它提供了一个单纯易用的API，用于创建交互式图表。Vincent可以生成多种图表类型，包括折线图、条形图、散点图等。


from vincent import Visualization, Column, Data, Axis
data = Data(data=[[1, 2, 3], [4, 5, 6], [7, 8, 9]])
vis = Visualization(data, ['x'], ['y'], 'line')
vis.axis['x'].title = 'X轴'
vis.axis['y'].title = 'Y轴'
vis.to_json()