7 个必会的数据可视化库

​Matplotlib

Matplotlib 有助于创建二维数组图，它允许用户通过散点图、折线图、条形图和直方图等来探索趋势、行为模式和相关性。

https://github.com/matplotlib/matplotlib

Matplotlib 的主要特点

• Matplotlib 支持多种绘图类型，包括线图、散点图、条形图、直方图、饼图、3D 图表等。

• 它有很棒的绘图自定义选项。用户可以控制绘图元素的外观，例如颜色、标记、线条样式和标签。

• 支持创建动画可视化。

• 支持多个后端，允许用户根据其特定用例选择合适的后端。后端包括用于用户界面的交互式后端和用于将绘图保存为图像文件的非交互式后端。

• Matplotlib 库提供了示例图和代码片段的集合，可作为用户学习和调整代码以满足其特定需求的宝贵资源。

Seaborn

Seaborn 也是 Python 中流行的可视化库之一。它对于用 Python 进行数据集的统计表示特别有用。Seaborn 基于 Matplotlib 构建，受益于其灵活性以及与 NumPy 和 Pandas 库的集成，理解和编写起来非常容易和快速。

https://github.com/mwaskom/seaborn

Seaborn 的主要特点

• Seaborn 提供了一个高级界面，用于创建美观的统计图形。

• 它专注于统计数据可视化，对于可视化数据集中的复杂关系特别有效。

• Seaborn 旨在通过有吸引力的调色板和默认设置生成具有视觉吸引力的绘图。

• 为分类数据提供专门的绘图，包括条形图、计数图、箱线图、小提琴图等。

• 与 Pandas DataFrames 的无缝集成简化了结构化数据的处理，并有助于直接从 DataFrame 列快速创建绘图。

Plotly

Plotly 被许多用户誉为最好的 Python 可视化库，是一个交互式、开源且全面的工具，用于在 Python 中创建声明性可视化。它提供了丰富的可视化效果，包括科学图表、3D 图表、统计图表和金融图表。Plotly 图表非常适合 Jupyter 笔记本和独立 HTML 文件，可以在线无缝查看。

Plotly 的主要特点

• Plotly 提供了强大的交互式绘图功能。用户可以缩放、平移和悬停在数据点上以获取更多信息，从而增强对复杂数据集的探索。

• 它支持多种绘图类型，包括折线图、散点图、条形图、直方图、箱线图、3D 图、分区统计图等。

• 用户可以在 Plotly Chart Studio 上托管和发布可视化效果，或将其嵌入到 Web 应用程序和仪表板中。

• 与 Jupyter Notebook 集成并支持动画。

• Plotly Express 是一种高级 API，它简化了用更少的代码创建常见绘图。

Bokeh

Bokeh 是交互式 Python 可视化包之一。它为复杂的用例提供高性能的交互式绘图和图表。可以使用自定义 JavaScript 轻松修改图表。由于其易于兼容的特性，它可以与 Pandas 和 Jupyter Notebook 一起使用。

https://github.com/bokeh/bokeh

Bokeh 的主要特点

• 出色的交互式可视化：用户可以平移、缩放并将鼠标悬停在数据点上以进行动态探索。

• Bokeh 提供高级和低级 API，以满足不同偏好和需求的用户。

• 在线共享选项以及与 Jupyter Notebooks 的集成。

• 支持流数据进行实时分析和监控。

• 用于自定义绘图样式的选项，包括颜色、标记、布局和注释。

Plotnine

Plotnine 是基于 ggplot2 的图形语法的实现。该包支持根据数据框中的数据创建复杂的绘图。默认设置有助于创建出版物质量的绘图，而无需进行大量设置和调整。

Plotnine 的主要优点之一是其简单性和易用性。它的语法直观且富有表现力，因此用户只需几行代码即可创建复杂的绘图。

https://github.com/has2k1/plotnine

Plotnine 的主要特点

• 它遵循图形语法，这是一种创建可视化的系统方法。它提供了一种结构化的方式来表达视觉意图，使用户可以轻松地用简单的代码表达复杂的想法。

• 提供高级抽象，以便用最少的代码创建复杂的可视化。用户可以使用简洁直观的语法创建复杂的绘图。

• 具有精心设计的默认美学的美观可视化。

• 用户可以轻松添加自定义主题、比例和几何图形，以根据其特定需求定制可视化效果。

​

Altair

Altair 是一个简单、友好且一致的 Python 声明性可视化库，构建于 Vega-Lite 语法之上。声明性方法与 Seaborn 中的相同，使用户可以自由地专注于解释数据，而不是编写正确的语法。然而，这种方法也有一个缺点：用户对自定义可视化的控制较少。

Altair 是 Python 可视化软件包之一，它提供非常令人愉快且引人注目的数据可视化，但与 Seaborn 相比，需要更多的精力来理解和编写。

https://github.com/altair-viz/altair

Altair 的主要特点

• 声明性语法可以轻松地使用简洁且人类可读的代码创建复杂的可视化。

• 用户可以向绘图添加交互性，例如工具提示、缩放、平移和选择，以增强对数据的探索。

• Altair 可以根据数据和用户的规格自动选择适当的图表类型。

• 支持多种图表类型，包括散点图、折线图、条形图、直方图、热图等。

• Altair 允许用户将数据直接绑定到可视化。

Holoviews

Holoviews 是一个 Python 库，用于使用高级声明性语法创建交互式可视化。它通过提供简洁而富有表现力的方式来创建复杂的绘图，从而简化了数据可视化的过程。Holoviews 的主要原则是数据可视化应该尽可能直接和简单。

https://github.com/holoviz/holoviews

Holoviews 的主要特点

• Holoviews 提供高级抽象，可以用最少的代码创建复杂的可视化。

• 它使用声明性语法，可以轻松创建富有表现力的可视化效果，而无需大量代码。

• 支持交互式可视化，允许用户通过缩放、平移和悬停等交互式工具动态探索数据。

• 与 Pandas DataFrames 集成，简化了处理结构化数据和基于 DataFrame 列创建可视化的过程。

• 这个 Python 图形可视化库旨在高效处理大型数据集，使其适合大数据的交互式探索。

​