今天我们会介绍一下10个适用于多个学科的Python数据可视化库,其中有名气很大的也有鲜为人知的
1、matplotlib保姆级教程??Matplotlib 1.4W 字教程(收藏吃灰去吧~~)
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么容易了。
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
保姆级教程??Matplotlib太臃肿,试试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
保姆级教程??R可视化16|《ggplot2:数据分析与图形艺术》最新版(第三版)笔记合集
Small multiples (??hat)
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 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: ??hat
更多资料:http://ggplot.yhathq.com/
4、Bokeh
保姆级教程??Interactive Web Plotting with Bokeh-GitHub 16.4K stars
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
保姆级教程??Python可视化|pygal37-pygal用法及示例
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
保姆级教程??有“亿点点”钟情Plotly.express-(入门篇)
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使用它么?
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保姆级教程??11个S级工具,满足「地理空间数据可视化」的一切幻想
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 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。
开发者: Christopher Groskopf
更多资料:https://leather.readthedocs.io/en/latest/index.html
-推荐阅读-
Python可视化130 篇保姆级教程
最有价值50图表(python实现代码)
《ggplot2:数据分析与图形艺术》最新中文版
如何驾驭ggplot2?<Part3>
30个统计图绘制原理 使用场景 R代码
最有价值30 图表(ggplot2实现代码)
R Graphics Cookbook超长中译教程
Python从入门到入魔
R可视化终极合集YYDS
Perl入门合集
生物信息精进
统计学精进
玩坏Jupyter Notebook
-END-