介绍 10 个 Python 数据可视化库！

　　作者：Lty美丽人生

　　链接：https://blog.csdn.net/weixin_44208569

　　大家好，我是猫哥～

　　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。

　　/ 01 / matplotlib

　　两个直方图

　　matplotlib 是Python可视化程序库的泰斗。经过十几年它仍然是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/

　　/ 02 / 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

　　/ 03 / ggplot

　　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的作者提到 ggplot 并不适用于制作非常个性化的图像。它为了操作的简洁而牺牲了图像复杂度。

　　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/

　　/ 04 / Bokeh

　　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/

　　/ 05 / pygal

　　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

　　/ 06 / Plotly

　　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/

　　/ 07 / geoplotlib

　　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

　　/ 08 / 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

　　/ 09 / 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的最佳定义来自它的作者 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