这里有8个流行的Python可视化工具包，你喜欢哪一个？

喜欢用 Python 作项目的小伙伴难免会遇到这种状况：作图表时，用哪一种好看又实用的可视化工具包呢？以前文章里出现过漂亮的图表时，也总有读者在后台留言问该图表时用什么工具作的。下面，做者介绍了八种在 Python 中实现的可视化工具包，其中有些包还能用在其它语言中。快来试试你喜欢哪一个？

选自Medium，做者：Aaron Frederick，机器之心编译，参与：李诗萌、王淑婷。

用 Python 建立图形的方法有不少，可是哪一种方法是最好的呢？当咱们作可视化以前，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状况？想展现时给人们留下深入印象？也许你想给某人展现一个内在的形象，一个中庸的形象？

本文将介绍一些经常使用的 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，不过此次要讲的包中，许多均可以很好地支持 3D 图和商业报表。

Matplotlib、Seaborn 和 Pandas

把这三个包放在一块儿有几个缘由：首先 Seaborn 和 Pandas 是创建在 Matplotlib 之上的，当你在用 Seaborn 或 Pandas 中的 df.plot() 时，用的实际上是别人用 Matplotlib 写的代码。所以，这些图在美化方面是类似的，自定义图时用的语法也都很是类似。

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，但要作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使人难以置信（因此不要简单地将其排除在演示所用的包以外！），但还有其它更适合作展现的工具。

Matplotlib 还能够选择样式（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 及相关工具所作的示例图：

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。为了展现结果，我将每一个球队的工资用颜色标成条形图，来讲明球员加入哪一支球队才能得到更好的待遇。

import seaborn as snsimport matplotlib.pyplot as pltcolor_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))复制代码

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现如何用尽可能少的线条作出一张有用的图，固然也许它可能不那么美观。

import matplotlib.pyplot as pltimport scipy.stats as stats#model2 is a regression modellog_resid = model2.predict(X_test)-y_teststats.probplot(log_resid, dist="norm", plot=plt)plt.title("Normal Q-Q plot")plt.show()复制代码

最终证实，Matplotlib 及其相关工具的效率很高，但就演示而言它们并非最好的工具。

ggplot(2)

你可能会问，「Aaron，ggplot 是 R 中最经常使用的可视化包，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。

在我看过的全部材料中，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，致使 Python 版本不兼容。

若是你想在 R 中用真正的 ggplot（除了依赖关系外，它们的外观、感受以及语法都是同样的），我在另一篇文章中对此进行过讨论。

也就是说，若是你必定要在 Python 中用 ggplot，那你就必需要安装 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下降 Pandas 的版本。

ggplot2（我以为也包括 Python 的 ggplot）举足轻重的缘由是它们用「图形语法」来构建图片。基本前提是你能够实例化图，而后分别添加不一样的特征；也就是说，你能够分别对标题、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。咱们先用 ggplot 实例化图，设置美化属性和数据，而后添加点、主题以及坐标轴和标题标签。

#All Salariesggplot(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 ($)')复制代码

Bokeh

Bokeh 很美。从概念上讲，Bokeh 相似于 ggplot，它们都是用图形语法来构建图片，但 Bokeh 具有能够作出专业图形和商业报表且便于使用的界面。为了说明这一点，我根据 538 Masculinity Survey 数据集写了制做直方图的代码：

import pandas as pdfrom bokeh.plotting import figurefrom bokeh.io import show# is_masc is a one-hot encoded dataframe of responses to the question:# "Do you identify as masculine?"#Dataframe Prepcounts = is_masc.sum()resps = is_masc.columns#Bokehp2 = 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)#Pandascounts.plot(kind='bar')复制代码

用 Bokeh 表示调查结果

红色的条形图表示 538 我的关于「你认为本身有男子汉气概吗？」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。

我写的代码大部分都用于标记坐标轴和标题，以及为条形图添加颜色和边框。在制做美观且表现力强的图片时，我更倾向于使用 Bokeh——它已经帮咱们完成了大量美化工做。

用 Pandas 表示相同的数据

蓝色的图是上面的第 17 行代码。这两个直方图的值是同样的，但目的不一样。在探索性设置中，用 Pandas 写一行代码查看数据很方便，但 Bokeh 的美化功能很是强大。

Bokeh 提供的全部便利都要在 matplotlib 中自定义，包括 x 轴标签的角度、背景线、y 轴刻度以及字体（大小、斜体、粗体）等。下图展现了一些随机趋势，其自定义程度更高：使用了图例和不一样的颜色和线条。

Bokeh 仍是制做交互式商业报表的绝佳工具。

Plotly

Plotly 很是强大，但用它设置和建立图形都要花费大量时间，并且都不直观。在用 Plotly 忙活了大半个上午后，我几乎什么都没作出来，干脆直接去吃饭了。我只建立了不带坐标标签的条形图，以及没法删掉线条的「散点图」。Ploty 入门时有一些要注意的点。

• 安装时要有 API 秘钥，还要注册，不是只用 pip 安装就能够；

• Plotly 所绘制的数据和布局对象是独一无二的，但并不直观；

• 图片布局对我来讲没有用（40 行代码毫无心义！）

但它也有优势，并且设置中的全部缺点都有相应的解决方法：

• 你能够在 Plotly 网站和 Python 环境中编辑图片；

• 支持交互式图片和商业报表；

• Plotly 与 Mapbox 合做，能够自定义地图；

• 颇有潜力绘制优秀图形。

如下是我针对这个包编写的代码：

#plot 1 - barplot# **note** - the layout lines do nothing and trip no errorsdata = [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, layout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite')#plot 2 - attempt at a scatterplotdata = [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, layout=layout, filename='jupyter-plot2', sharing='public')[Image: image.png]复制代码

表示不一样 NBA 球队每分钟平均失误数的条形图。表示薪水和在 NBA 的打球时间之间关系的散点图

整体来讲，开箱即用的美化工具看起来很好，但我屡次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展现了 Plotly 的潜力，以及我为何要在它身上花好几个小时：

Plotly 页面上的一些示例图

Pygal

Pygal 的名气就不那么大了，和其它经常使用的绘图包同样，它也是用图形框架语法来构建图像的。因为绘图目标比较简单，所以这是一个相对简单的绘图包。使用 Pygal 很是简单：

• 实例化图片；

• 用图片目标属性格式化；

• 用 figure.add() 将数据添加到图片中。

我在使用 Pygal 的过程当中遇到的主要问题在于图片渲染。必需要用 render_to_file 选项，而后在 web 浏览器中打开文件，才能看见我刚刚构建的东西。

最终看来这是值得的，由于图片是交互式的，有使人满意并且便于自定义的美化功能。总而言之，这个包看起来不错，但在文件的建立和渲染部分比较麻烦。

Networkx

虽然 Networkx 是基于 matplotlib 的，但它还是图形分析和可视化的绝佳解决方案。图形和网络不是个人专业领域，但 Networkx 能够快速简便地用图形表示网络之间的链接。如下是我针对一个简单图形构建的不一样的表示，以及一些从斯坦福 SNAP 下载的代码（关于绘制小型 Facebook 网络）。

我按编号（1~10）用颜色编码了每一个节点，代码以下：

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

用于可视化上面提到的稀疏 Facebook 图形的代码以下：

import itertoolsimport networkx as nximport matplotlib.pyplot as pltf = 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)复制代码

这个图形很是稀疏，Networkx 经过最大化每一个集群的间隔展示了这种稀疏化。

有不少数据可视化的包，但无法说哪一个是最好的。但愿阅读本文后，你能够了解到在不一样的情境下，该如何使用不一样的美化工具和代码。

原文连接：

towardsdatascience.com/reviewing-p…