可视化工具不知道怎么选？深度评测5大Python数据可视化工具

数据说明

---

本文使用的数据为Pyecharts中的faker数据

from pyecharts.faker import Faker

x = Faker.choose()

y1 = Faker.values()

y2 = Faker.values()

x为一列品牌名称，y1/y2为一列相同长度的无意义数据，接下来让我们使用不同的库对这组数据进行可视化！

01

Pyecharts

Echarts是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而Python是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了，支持**30+**种图表。在pyecharts中制作条形图首先需要导入相关库

from pyecharts import options as opts

from pyecharts.charts import Bar

接着是绘图并不做任何任何调整，首先创建一个Bar实例，接着添加x轴y轴数据，注意仅接收list格式数据，最后添加标题并设置在notebook中直接展示。总体来说还是比较符合正常的作图逻辑，整体代码量并不多。

c = (

Bar()

.add_xaxis(x)

.add_yaxis(“商家A”, y1)

.add_yaxis(“商家B”, y2)

.set_global_opts(title_opts=opts.TitleOpts(title=“Pyecharts—柱状图”, subtitle=“”))

).render_notebook()

默认生成的两系列柱状图如下：

可以看到，该图支持交互式展示与点击，默认生成的样式也较为美观，并且Pyecharts有详细的中文文档与demo，网上关于Pyecharts的讨论也较多，如果是刚接触的读者也能比较快的上手。当然如果对默认样式不满意的话，可以进行一些调整，由于文档十分完整，所以代码修改起来并不困难，比如可以修改主题并设置一些标记线、DataZoom，添加小组件等

总体来说，由于Pyecharts是基于Echarts制作的，因此生成图表比较美观，并且官方中文文档对相关设置讲解非常详细，有关Pyecharts的讨论也非常多，所以如果在使用过程中有相关疑问也很容易通过检索找到答案，但遗憾的是不支持使用pandas中的series数据，需要转换为list才可以使用，不过整体还是让我很满意的一款可视化库。主观评分:85分

02

Matplotlib

Matplotlib应该是最广泛使用的Python可视化工具，支持的图形种类非常多，使用Matplotlib制作相同效果的图需要先导入相关库，并且并不支持原生中文所以还要设置下中文显示

import matplotlib.pyplot as plt

import numpy as np

plt.rcParams[‘font.sans-serif’] = [‘SimHei’]

接着就是绘图，但是相比较于pyecharts大多是往写好的代码里面添加数据、配置不同，matplotlib大多数需要我们自己写代码，所以代码量可能稍多一点

width = 0.35

x1 = np.arange(len(x))

fig, ax = plt.subplots()

rects1 = ax.bar(x1 - width/2, y1, width, label=‘商家A’)

rects2 = ax.bar(x1 + width/2, y2, width, label=‘商家B’)

ax.set_title(‘Matplotlib—柱状图’)

ax.set_xticks(x1)

ax.set_xticklabels(x)

ax.legend()

plt.show()

最后生成的默认图像如下

默认配色不是很好看但也没有很难看，看起来更学术一点，但是不支持交互式点击查看等操作，虽然代码量更多一点，但是由于Matplotlib的火热，网上关于matplotlib的资料比Pyecharts要多很多，所以写代码与调整代码的过程也并不复杂，整体主观评分77分

03

Plotly

Plotly也是一款非常强大的Python可视化库，Plotly内置完整的交互能力及编辑工具，支持在线和离线模式，提供稳定的API以便与现有应用集成，既可以在web浏览器中展示数据图表，也可以存入本地拷贝。但是由于官方未提供中文文档，网上关于Plotly的教程也仅限于官方的一些demo，对于一些详细的参数设置并没有太多资料，首先还是先导入相关库并设置notebook显示

import plotly

import plotly.offline as py

import plotly.graph_objs as go

plotly.offline.init_notebook_mode(connected=True)

接下来是绘图代码，首先要对数据先进行处理，剩下的基础配置其实和Pyecharts比较类似

trace0 = go.Bar(

x = x,

y = y1,

name = ‘商家A’,

)

trace1 = go.Bar(

x = x,

y = y2,

name = ‘商家B’,

)

data = [trace0,trace1]

layout = go.Layout(

title={

‘text’: “Plotly-柱状图”,

‘y’:0.9,

‘x’:0.5,

‘xanchor’: ‘center’,

‘yanchor’: ‘top’})

fig = go.Figure(data=data, layout=layout)

py.iplot(fig)

默认样式生成的图如上，配色也不难看，并且可以看到是支持交互式操作的，同时是默认添加toolbox小组件，可以更方便的查看，支持30多种图形，总体来说还是比较优秀的一个可视化工具，但是如果真要熟练使用的话可能需要一点时间用于查找相关资料，因为网上关于Plotly的资料不多，大多是基本使用的简单教程，如果想查找一些细节的操作比如我为了查找让标题居中的方法，百度之后用Google在国外某论坛找到类似问题并找到设置，主观评分：76分

04

Bokeh

Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别，它可以做出像D3.js简洁漂亮的交互可视化效果，但是使用难度低于D3.js，首先还是导入相关库

from bokeh.transform import dodge

import pandas as pd

from bokeh.core.properties import value

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

from bokeh.io import output_notebook
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

img_convert/6c361282296f86381401c05e862fe4e9.png)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）