盘点12个Python数据可视化库，通吃任何领域

↑↑↑点击上方蓝字，回复资料，10个G的惊喜

在数据可视化的研究热潮中，如何让数据生动呈现，成了一个具有挑战性的任务，随之也出现了大量的可视化软件。相对于其他商业可视化软件，Python是开源且免费的，而且具有易上手、效果好的优点。

探索式分析最大的优势在于，可以让业务人员在海量数据中“自由发挥”，不受数据模型的限制。通过探索式分析和可视化，业务人员可以快速发现业务中存在的问题。

Matplotlib是Python数据可视化库的元老，尽管它已有十多年的历史，但仍然是Python社区中使用最广泛的绘图库，编写几行代码即可生成线图、直方图、功率谱密度图、条形图、错误图、散点图等。

Seaborn利用Matplotlib的强大功能，只用几行代码就能创建出漂亮的图表。它们的关键区别在于，Seaborn的默认款式和调色板设计更加美观和现代。由于Seaborn是在Matplotlib基础上构建的，因此用户还需要了解Matplotlib以便调整Seaborn的默认值。

Seaborn同Matplotlib一样，也是Python进行数据可视化分析的重要第三方包。

Seaborn在Matplotlib的基础上进行了更高级的API封装，使用户绘图更加容易，所绘图形更加漂亮。Seaborn是基于Matplotlib的一个模块，专用于统计可视化，可以和Pandas进行无缝连接，使可视化的初学者更容易上手。

相对于Matplotlib，Seaborn语法更简洁，两者的关系类似于Numpy和Pandas的关系。但是需要注意的是，应该把Seaborn视为Matplotlib的补充，而不是替代物。

Pyecharts是我国开发人员开发的，相比较Matplotlib、Seaborn等可视化库，Pyecharts十分符合国内用户的使用习惯。

Pyecharts的目的是实现Echarts与Python的对接，以便在Python中使用Echarts生成图表。

数据可视化可以是静态的也可以是交互的，交互式的数据可视化是指人们使用计算机和移动设备深入图表和图形的具体细节，然后用交互的方式改变他们看到的数据。Python交互式可视化库主要包括如下几个。

Bokeh基于JavaScript实现交互式可视化，它是原生Python语法，它可以在Web浏览器中实现美观的视觉效果。

它的优势在于能够创建交互式的网站图，可以很容易地将数据输出为JSON对象、HTML文档或交互式Web应用程序。Bokeh还支持流媒体和实时数据。

HoloViews是一个开源的Python库，旨在使数据分析和可视化更加简便，可以用非常少的代码行完成数据分析和可视化。

Plotly是一个数据可视化的在线平台，与Bokeh一样，Plotly的强项在于制作交互式视图，但它提供了一些在大多数库中没有的图表，如等高线图、树状图和3D图表。可以在线绘制条形图、散点图、饼图、直方图等多种图形，可以画出很多媲美Tableau的高质量图。

与Bokeh和Plotly一样，pygal提供了可以嵌入Web浏览器的交互式视图。区别在于，它能够将图表输出为SVG格式。如果用户使用较小的数据集，则输出位SVG格式的图像就可以了，但是如果用户制作的图表包含数十万个数据点，那么它们就会很难被渲染并变得反应迟钝。

plotnine是Python中图形语法的一种实现，它基于ggplot2包，语法绘图功能强大，可以轻松将数据映射到构成图的可视对象，然后创建自定义的图形。plotnine提供各种不同的可视化视图，易于适应定制化输出，安装十分简单，用户可以通过pip install plotnine命令直接安装。

Altair是一个专为Python编写，它可以让数据科学家更多地关注数据本身和其内在的联系。

因为是基于Vega-Lite（交互式图形语法）的声明性统计可视化库，Altair API具有简单、友好、一致等特点。

ggplot是基于R语言的ggplot2包和Python的绘图系统。ggplot的运行方式与Matplotlib不同，它允许用户对组件进行分层以创建完整的绘图。例如，用户可以从轴开始画，然后添加点，接着添加线、趋势线等。虽然图形语法被认为是绘图的“直观”方法，但经验丰富的Matplotlib用户可能需要时间来适应这个新的方式。

图书推荐

▊《Python商业数据可视化实战（全彩）》