有哪些流行的Python可視化工具包

這篇文章主要講解了“有哪些流行的Python可視化工具包”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來(lái)研究和學(xué)習(xí)“有哪些流行的Python可視化工具包”吧！

Matplotlib、Seaborn 和 Pandas

把這三個(gè)包放在一起有幾個(gè)原因：首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的，當(dāng)你在用 Seaborn 或 Pandas 中的 df.plot() 時(shí)，用的其實(shí)是別人用 Matplotlib 寫(xiě)的代碼。因此，這些圖在美化方面是相似的，自定義圖時(shí)用的語(yǔ)法也都非常相似。

當(dāng)提到這些可視化工具時(shí)，我想到三個(gè)詞：探索（Exploratory）、數(shù)據(jù)（Data）、分析（Analysis）。這些包都很適合第一次探索數(shù)據(jù)，但要做演示時(shí)用這些包就不夠了。

Matplotlib 是比較低級(jí)的庫(kù)，但它所支持的自定義程度令人難以置信（所以不要簡(jiǎn)單地將其排除在演示所用的包之外?。?，但還有其它更適合做展示的工具。

Matplotlib 還可以選擇樣式（style selection），它模擬了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相關(guān)工具所做的示例圖：

在處理籃球隊(duì)薪資數(shù)據(jù)時(shí)，我想找出薪資中位數(shù)最高的團(tuán)隊(duì)。為了展示結(jié)果，我將每個(gè)球隊(duì)的工資用顏色標(biāo)成條形圖，來(lái)說(shuō)明球員加入哪一支球隊(duì)才能獲得更好的待遇。

import seaborn as sns  import matplotlib.pyplot as plt  color_order = ['xkcd:cerulean', 'xkcd:ocean',                  'xkcd:black','xkcd:royal purple',                  'xkcd:royal purple', 'xkcd:navy blue',                  'xkcd:powder blue', 'xkcd:light maroon',                   'xkcd:lightish blue','xkcd:navy']  sns.barplot(x=top10.Team,              y=top10.Salary,              palette=color_order).set_title('Teams with Highest Median Salary')  plt.ticklabel_format(style='sci', axis='y', scilimits=(0,0))

第二個(gè)圖是回歸實(shí)驗(yàn)殘差的 Q-Q 圖。這張圖的主要目的是展示如何用盡量少的線(xiàn)條做出一張有用的圖，當(dāng)然也許它可能不那么美觀。

import matplotlib.pyplot as plt  import scipy.stats as stats  #model2 is a regression model  log_resid = model2.predict(X_test)-y_test  stats.probplot(log_resid, dist="norm", plot=plt)  plt.title("Normal Q-Q plot")  plt.show()

最終證明，Matplotlib 及其相關(guān)工具的效率很高，但就演示而言它們并不是最好的工具。

ggplot(2)

你可能會(huì)問(wèn)，「Aaron，ggplot 是 R 中最常用的可視化包，但你不是要寫(xiě) Python 的包嗎？」。人們已經(jīng)在 Python 中實(shí)現(xiàn)了 ggplot2，復(fù)制了這個(gè)包從美化到語(yǔ)法的一切內(nèi)容。

在我看過(guò)的所有材料中，它的一切都和 ggplot2 很像，但這個(gè)包的好處是它依賴(lài)于 Pandas Python 包。不過(guò) Pandas Python 包最近棄用了一些方法，導(dǎo)致 Python 版本不兼容。

如果你想在 R 中用真正的 ggplot（除了依賴(lài)關(guān)系外，它們的外觀、感覺(jué)以及語(yǔ)法都是一樣的），我在另外一篇文章中對(duì)此進(jìn)行過(guò)討論。

也就是說(shuō)，如果你一定要在 Python 中用 ggplot，那你就必須要安裝 0.19.2 版的 Pandas，但我建議你最好不要為了使用較低級(jí)的繪圖包而降低 Pandas 的版本。

ggplot2（我覺(jué)得也包括 Python 的 ggplot）舉足輕重的原因是它們用「圖形語(yǔ)法」來(lái)構(gòu)建圖片?；厩疤崾悄憧梢詫?shí)例化圖，然后分別添加不同的特征；也就是說(shuō)，你可以分別對(duì)標(biāo)題、坐標(biāo)軸、數(shù)據(jù)點(diǎn)以及趨勢(shì)線(xiàn)等進(jìn)行美化。

下面是 ggplot 代碼的簡(jiǎn)單示例。我們先用 ggplot 實(shí)例化圖，設(shè)置美化屬性和數(shù)據(jù)，然后添加點(diǎn)、主題以及坐標(biāo)軸和標(biāo)題標(biāo)簽。

#All Salaries  ggplot(data=df, aes(x=season_start, y=salary, colour=team)) +    geom_point() +    theme(legend.position="none") +    labs(title = 'Salary Over Time', x='Year', y='Salary ($)')

Bokeh

Bokeh 很美。從概念上講，Bokeh 類(lèi)似于 ggplot，它們都是用圖形語(yǔ)法來(lái)構(gòu)建圖片，但 Bokeh 具備可以做出專(zhuān)業(yè)圖形和商業(yè)報(bào)表且便于使用的界面。為了說(shuō)明這一點(diǎn)，我根據(jù) 538 Masculinity Survey 數(shù)據(jù)集寫(xiě)了制作直方圖的代碼：

import pandas as pd  from bokeh.plotting import figure  from bokeh.io import show  # is_masc is a one-hot encoded dataframe of responses to the question:  # "Do you identify as masculine?"  #Dataframe Prep  counts = is_masc.sum()  resps = is_masc.columns  #Bokeh  p2 = figure(title='Do You View Yourself As Masculine?',            x_axis_label='Response',            y_axis_label='Count',            x_range=list(resps))  p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black')  show(p2)  #Pandas  counts.plot(kind='bar')

用 Bokeh 表示調(diào)查結(jié)果

紅色的條形圖表示 538 個(gè)人關(guān)于「你認(rèn)為自己有男子漢氣概嗎？」這一問(wèn)題的答案。9~14 行的 Bokeh 代碼構(gòu)建了優(yōu)雅且專(zhuān)業(yè)的響應(yīng)計(jì)數(shù)直方圖——字體大小、y 軸刻度和格式等都很合理。

我寫(xiě)的代碼大部分都用于標(biāo)記坐標(biāo)軸和標(biāo)題，以及為條形圖添加顏色和邊框。在制作美觀且表現(xiàn)力強(qiáng)的圖片時(shí)，我更傾向于使用 Bokeh——它已經(jīng)幫我們完成了大量美化工作。

用 Pandas 表示相同的數(shù)據(jù)

藍(lán)色的圖是上面的第 17 行代碼。這兩個(gè)直方圖的值是一樣的，但目的不同。在探索性設(shè)置中，用 Pandas 寫(xiě)一行代碼查看數(shù)據(jù)很方便，但 Bokeh 的美化功能非常強(qiáng)大。

Bokeh 提供的所有便利都要在 matplotlib 中自定義，包括 x 軸標(biāo)簽的角度、背景線(xiàn)、y 軸刻度以及字體（大小、斜體、粗體）等。下圖展示了一些隨機(jī)趨勢(shì)，其自定義程度更高：使用了圖例和不同的顏色和線(xiàn)條。

Bokeh 還是制作交互式商業(yè)報(bào)表的絕佳工具。

Plotly

Plotly 非常強(qiáng)大，但用它設(shè)置和創(chuàng)建圖形都要花費(fèi)大量時(shí)間，而且都不直觀。在用 Plotly 忙活了大半個(gè)上午后，我?guī)缀跏裁炊紱](méi)做出來(lái)，干脆直接去吃飯了。我只創(chuàng)建了不帶坐標(biāo)標(biāo)簽的條形圖，以及無(wú)法刪掉線(xiàn)條的「散點(diǎn)圖」。Ploty 入門(mén)時(shí)有一些要注意的點(diǎn)：

•  安裝時(shí)要有 API 秘鑰，還要注冊(cè)，不是只用 pip 安裝就可以；

•  Plotly 所繪制的數(shù)據(jù)和布局對(duì)象是獨(dú)一無(wú)二的，但并不直觀；

•  圖片布局對(duì)我來(lái)說(shuō)沒(méi)有用（40 行代碼毫無(wú)意義！）

但它也有優(yōu)點(diǎn)，而且設(shè)置中的所有缺點(diǎn)都有相應(yīng)的解決方法：

•  你可以在 Plotly 網(wǎng)站和 Python 環(huán)境中編輯圖片；

•  支持交互式圖片和商業(yè)報(bào)表；

•  Plotly 與 Mapbox 合作，可以自定義地圖；

•  很有潛力繪制優(yōu)秀圖形。

以下是我針對(duì)這個(gè)包編寫(xiě)的代碼：

#plot 1 - barplot  # **note** - the layout lines do nothing and trip no errors  data = [go.Bar(x=team_ave_df.team,                y=team_ave_df.turnovers_per_mp)]  layout = go.Layout(      title=go.layout.Title(          text='Turnovers per Minute by Team',          xref='paper',          x=0      ),      xaxis=go.layout.XAxis(          title = go.layout.xaxis.Title(              text='Team',              font=dict(                      family='Courier New, monospace',                      size=18,                      color='#7f7f7f'                  )          )      ),      yaxis=go.layout.YAxis(          title = go.layout.yaxis.Title(              text='Average Turnovers/Minute',              font=dict(                      family='Courier New, monospace',                      size=18,                      color='#7f7f7f'                  )         )      ),      autosize=True,      hovermode='closest')  py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite') #plot 2 - attempt at a scatterplot  data = [go.Scatter(x=player_year.minutes_played,                    y=player_year.salary,                    marker=go.scatter.Marker(color='red',                                            size=3))]  layout = go.Layout(title="test",                  xaxis=dict(title='why'),                  yaxis=dict(title='plotly'))  py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot2', sharing='public')  [Image: image.png]

表示不同 NBA 球隊(duì)每分鐘平均失誤數(shù)的條形圖

表示薪水和在 NBA 的打球時(shí)間之間關(guān)系的散點(diǎn)圖

總體來(lái)說(shuō)，開(kāi)箱即用的美化工具看起來(lái)很好，但我多次嘗試逐字復(fù)制文檔和修改坐標(biāo)軸標(biāo)簽時(shí)卻失敗了。但下面的圖展示了 Plotly 的潛力，以及我為什么要在它身上花好幾個(gè)小時(shí)：

Plotly 頁(yè)面上的一些示例圖

Pygal

Pygal 的名氣就不那么大了，和其它常用的繪圖包一樣，它也是用圖形框架語(yǔ)法來(lái)構(gòu)建圖像的。由于繪圖目標(biāo)比較簡(jiǎn)單，因此這是一個(gè)相對(duì)簡(jiǎn)單的繪圖包。使用 Pygal 非常簡(jiǎn)單：

•  實(shí)例化圖片；

•  用圖片目標(biāo)屬性格式化；

•  用 figure.add() 將數(shù)據(jù)添加到圖片中。

我在使用 Pygal 的過(guò)程中遇到的主要問(wèn)題在于圖片渲染。必須要用 render_to_file 選項(xiàng)，然后在 web 瀏覽器中打開(kāi)文件，才能看見(jiàn)我剛剛構(gòu)建的東西。

最終看來(lái)這是值得的，因?yàn)閳D片是交互式的，有令人滿(mǎn)意而且便于自定義的美化功能?？偠灾@個(gè)包看起來(lái)不錯(cuò)，但在文件的創(chuàng)建和渲染部分比較麻煩。

Networkx

雖然 Networkx 是基于 matplotlib 的，但它仍是圖形分析和可視化的絕佳解決方案。圖形和網(wǎng)絡(luò)不是我的專(zhuān)業(yè)領(lǐng)域，但 Networkx 可以快速簡(jiǎn)便地用圖形表示網(wǎng)絡(luò)之間的連接。以下是我針對(duì)一個(gè)簡(jiǎn)單圖形構(gòu)建的不同的表示，以及一些從斯坦福 SNAP 下載的代碼（關(guān)于繪制小型 Facebook 網(wǎng)絡(luò)）。

我按編號(hào)（1~10）用顏色編碼了每個(gè)節(jié)點(diǎn)，代碼如下：

options = {      'node_color' : range(len(G)),      'node_size' : 300,      'width' : 1,      'with_labels' : False,      'cmap' : plt.cm.coolwarm  }  nx.draw(G, **options)

用于可視化上面提到的稀疏 Facebook 圖形的代碼如下：

import itertools  import networkx as nx  import matplotlib.pyplot as plt  f = open('data/facebook/1684.circles', 'r')  circles = [line.split() for line in f]  f.close()  network = []  for circ in circles:      cleaned = [int(val) for val in circ[1:]]      network.append(cleaned)  G = nx.Graph()  for v in network:      G.add_nodes_from(v)  edges = [itertools.combinations(net,2) for net in network]  for edge_group in edges:      G.add_edges_from(edge_group)  options = {      'node_color' : 'lime',      'node_size' : 3,      'width' : 1,      'with_labels' : False,  }  nx.draw(G, **options)

這個(gè)圖形非常稀疏，Networkx 通過(guò)最大化每個(gè)集群的間隔展現(xiàn)了這種稀疏化。

有很多數(shù)據(jù)可視化的包，但沒(méi)法說(shuō)哪個(gè)是最好的。希望閱讀本文后，你可以了解到在不同的情境下，該如何使用不同的美化工具和代碼。

感謝各位的閱讀，以上就是“有哪些流行的Python可視化工具包”的內(nèi)容了，經(jīng)過(guò)本文的學(xué)習(xí)后，相信大家對(duì)有哪些流行的Python可視化工具包這一問(wèn)題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！