在本文中，我们将向您展示各种用于可视化的 Python 库及其功能。

在当今时代，查看分析结果并推断结果通常比通过文本数据或 CSV 文件来了解结果更方便。

因此，数据可视化是一种找到复杂问题答案的简单方法。它还允许用户比表格更有效地表达他们的结果。

Python 中的数据可视化

Python 提供了几个绘图库，包括 Matplotlib、Seaborn 和许多其他数据可视化包，每个库都具有独特的功能，可以创建信息丰富、自定义且吸引人的图表，以最简单、最有效的方式呈现数据。

Matplotlib

Matplotlib 是一个用于创建静态、动态和交互式可视化的 Python 绘图库。它的计算数学扩展是 NumPy。

尽管已有十多年的历史，但它仍然是 Python 世界中最受欢迎的绘图库。它的设计类似于 MATLAB，这是一种在 20 世纪 80 年代开发的许可编程语言。由于 matplotlib 是第一个 Python 数据可视化库，因此许多其他库都是在其基础上构建的，或者旨在在研究过程中与它协同工作。

功能

• 一些库，例如 pandas 和 Seaborn，充当 matplotlib"包装器"。它们通过减少所需的代码量简化了各种 matplotlib 方法的使用。

• 尽管 matplotlib 非常适合可视化细节，但它对于快速轻松地创建出版质量的图表来说并不实用。

Plotly

Plotly 是一个免费的开源图形库，用于创建数据可视化。Plotly (plotly.py) 是一个基于 Plotly JavaScript 库 (plotly.js) 构建的 Python 库，可用于创建基于 Web 的数据可视化，这些可视化可以使用 Dash 显示在 Jupyter 笔记本或 Web 应用程序中，或保存为单独的 HTML 文件。Plotly 提供 40 多种不同的图表类型，包括散点图、直方图、折线图、条形图、饼图、误差线、箱线图、多轴、迷你图、树状图、3-D 图表等。 Plotly 中还提供等高线图，这在其他数据可视化库中并不常见。除此之外，Plotly 无需网络连接即可使用。

功能

• Plotly 支持散点图、直方图、折线图、条形图、饼图、误差线、箱线图、多轴、迷你图、树状图、3-D 图表和其他图表类型。

• Plotly 中还提供等高线图，这在其他数据可视化库中并不常见。Plotly 也无需网络连接即可使用。

Seaborn

Seaborn 是一个 Python 库，可让您创建统计图形。它拥有先进的软件，可生成具有视觉吸引力和信息丰富的统计图形。 Matplotlib 主要用于数据科学家的教育和研究，而 Seaborn 用于出版物和现实世界的演示。 Seaborn 现在是事实上的 Python 数据可视化库。

功能

• Seaborn 利用 matplotlib 的强大功能，仅用几行代码即可创建漂亮的图表。

• 主要区别在于，其默认设计和调色板旨在更具视觉吸引力和传统性。

• Matplotlib 用于创建图形。

• 其面向数据集的绘图机制可与包含整个数据集的数据框和向量配合使用，在内部执行概念映射和统计聚合以生成富有洞察力的图表。

• Seaborn 是一个完全可访问的 Python 库，我们可以使用 pip install 函数将其安装在我们的 Python 环境中。

• 它旨在使可视化成为数据探索和理解的关键组成部分。

GGplot

ggplot 是一个多功能的 Python 绘图库，最初是在 R 中实现的。它是一种领域特定语言，用于创建领域特定可视化，主要用于数据分析。

Ggplot 允许仅用两行代码以简单的方式绘制图形。另一方面，用 matplotlib 编写的相同代码非常复杂，涉及多行代码。因此，ggplot 使图形编码更容易。它是一个极其有价值的 Python 库。

要使用 ggplot 的所有功能，您必须使用 pandas。

功能

• 与 matplotlib 不同，ggplot 允许您叠加元素以创建完整的图。例如，您可以从轴开始，然后添加点、线、趋势线等。

• 尽管"图形语法"被誉为"直观"的绘图工具，但经验丰富的 matplotlib 用户可能会发现很难适应这种新范式。

• 据作者介绍，ggplot 不适用于高度个性化的图形。它放弃了复杂性，转而采用更简单的绘图过程。

Altair

Altair 是一个 Python 统计数据可视化库。它基于 Vega 和 Vega-Lite，它们是用于创建、保存和共享交互式数据可视化设计的声明性语言。 Altair 可用于快速创建漂亮的数据可视化图表，例如条形图、饼图、直方图、散点图、误差图、功率谱、茎图等。Altair 需要 Python 3.6、入口点、jsonschema、NumPy、Pandas 和 Toolz，所有这些都会随 Altair 安装命令自动安装。要在 Altair 中获取数据可视化，请打开 Jupyter Notebook 或 JupyterLab 并执行任何代码。 Altair 的源代码目前可在 GitHub 上找到。

功能

• Altair 只需编写少量代码即可生成漂亮的数据可视化图表，例如条形图、饼图、直方图、散点图、误差图、功率谱、干图等。

• Altair 有 Python 3.6、入口点、jsonschema、NumPy、Pandas 和 Toolz 等要求，这些要求均由 Altair 设置命令自动激活。

Bokeh

图形语法是 Bokeh 的基础，Bokeh 是一个类似于 ggplot 的库。但是，它是一个尚未从 R 导入的 Python 库。生成可交互的 Web 就绪图表，可以以多种格式输出，包括 HTML 文档和 JSON 对象。

Bokeh 一直被认为是最受欢迎的实时流和数据处理库之一。

Bokeh 提供三个级别的用户:高级、中级和低级。高级用户可以轻松快速地创建直方图和条形图。中级用户可以使用 matplotlib 框架来创建散点图的点。

功能

• 能够生成可交互、可用于网络的图表，并可方便地导出为 JSON 对象、HTML 文件或交互式网络服务，这是其主要优势。

• Bokeh 还提供广播和实时统计数据。

• Bokeh 提供三种布局，功能各不相同，以适应不同的用户风格。

• 最高级别允许创建简单的地图。它可以生成流行的图表，例如条形图、箱线图和直方图。

Pygal

Pygal 是一个 Python 数据可视化库，专门用于制作性感图表!(正如其网站上所述!)虽然 Pygal 与 Plotly 或 Bokeh 类似，因为它可以生成可嵌入网页并通过网络浏览器访问的数据可视化图表，但主要区别在于它可以生成 SVG 或可缩放矢量图形形式的图表。这些 SVG 可确保您能够清晰地查看图表，且不会损失任何质量，即使它们被缩放也是如此。但是，SVG 仅适用于较小的数据集，因为太多数据点会使渲染变得困难，并且图表可能会变得迟缓。

功能

• 操作系统上的 Pygal 库可用于创建简单的图形。

• 此库可与流行的 Python Web 界面(如 flask 和 Django)结合使用，以在网页上生成动态和交互式图形。

• Pygal 可以创建诸如线、条形图、直方图、XY、饼图、雷达、框、点等图形。

• 图表和图形还可以导出为多种格式，包括 SVG、PNG、Etree 等。 Pygal 最适合涉及快速简单图表的小型 Web 应用程序。

Geoplotlib

Geoplotlib 是一个用于可视化地理数据的开源 Python 工具箱。它支持以纯 Python 创建硬件加速的交互式可视化，包括点图、核密度估计、空间图、Voronoi 镶嵌、shapefile 和各种其他常见空间可视化的实现。

Geoplotlib 可以生成各种地图，包括等效面积图、热图和点密度图。

功能

• 大多数数据可视化库对创建地图或处理地理数据的支持并不多，这就是 geoplotlib 如此重要的 Python 库的原因。

• 它特别方便创建地理地图，提供各种地图类型，如点密度图、分级统计图和符号图。

结论

在本文中，我们了解了最流行的可视化 Python 库及其功能。

---

• Python 参考教程 - 该教程包含有关 Python 的更多信息:https://www.w3schools.cn/python/