这里有8个流行的Python可视化工具包，你喜欢哪个？

用 Python 创建图形的方法有很多，但是哪种方法是最好的呢?当我们做可视化之前，要先明确一些关于图像目标的问题：你是想初步了解数据的分布情况?想展示时给人们留下深刻印象?也许你想给某人展示一个内在的形象，一个中庸的形象?

本文将介绍一些常用的 Python 可视化包，包括这些包的优缺点以及分别适用于什么样的场景。这篇文章只扩展到 2D 图，为下一次讲 3D 图和商业报表(dashboard)留了一些空间，不过这次要讲的包中，许多都可以很好地支持 3D 图和商业报表。

Matplotlib、Seaborn 和 Pandas

把这三个包放在一起有几个原因：首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的，当你在用 Seaborn 或 Pandas 中的 df.plot() 时，用的其实是别人用 Matplotlib 写的代码。因此，这些图在美化方面是相似的，自定义图时用的语法也都非常相似。

当提到这些可视化工具时，我想到三个词：探索(Exploratory)、数据(Data)、分析(Analysis)。这些包都很适合第一次探索数据，但要做演示时用这些包就不够了。

Matplotlib 是比较低级的库，但它所支持的自定义程度令人难以置信(所以不要简单地将其排除在演示所用的包之外!)，但还有其它更适合做展示的工具。

Matplotlib 还可以选择样式(style selection)，它模拟了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相关工具所做的示例图：

在处理篮球队薪资数据时，我想找出薪资中位数最高的团队。为了展示结果，我将每个球队的工资用颜色标成条形图，来说明球员加入哪一支球队才能获得更好的待遇。

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)) 

第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图，当然也许它可能不那么美观。

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() 

最终证明，Matplotlib 及其相关工具的效率很高，但就演示而言它们并不是最好的工具。

ggplot(2)

你可能会问，「Aaron，ggplot 是 R 中最常用的可视化包，但你不是要写 Python 的包吗?」。人们已经在 Python 中实现了 ggplot2，复制了这个包从美化到语法的一切内容。

在我看过的所有材料中，它的一切都和 ggplot2 很像，但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法，导致 Python 版本不兼容。

如果你想在 R 中用真正的 ggplot(除了依赖关系外，它们的外观、感觉以及语法都是一样的)，我在另外一篇文章中对此进行过讨论。

也就是说，如果你一定要在 Python 中用 ggplot，那你就必须要安装 0.19.2 版的 Pandas，但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。

ggplot2(我觉得也包括 Python 的 ggplot)举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图，然后分别添加不同的特征;也就是说，你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。

下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图，设置美化属性和数据，然后添加点、主题以及坐标轴和标题标签。

#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

（编辑：新余站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!