10个python数据可视化库_10个适用于好几个学科的Python数据可视化库，帮你做图表...

序言

文中的文本及图片来自互联网,仅作学习培训、沟通交流应用,不具备一切商业行为,如有什么问题请立即在线留言以作解决。

今日大家会介绍一下10个适用好几个课程的Python大数据可视化库，在其中有名非常大的也是有不为人知的。

1、matplotlib

2个条形图

matplotlib 是Python数据可视化程序库的鼻祖。历经十几年它依然是Python使用人最常见的画图片库。它的设计方案与在1980时代被设计方案的商业化的编程语言MATLAB十分贴近。

因为 matplotlib 是第一个 Python 数据可视化程序库，有很多其他程序库全是创建在它的基本上或是立即启用它。

例如pandas和Seaborn便是matplotlib的业务外包，他们让你能用越来越少的编码去启用 matplotlib的方式。

尽管用 matplotlib 能够很便捷的获得数据信息的大概信息内容，可是假如要更便捷简易地制做可供发布的图表也不那麼非常容易了。

如同Chris Moffitt 在“Python数据分析工具介绍”中提及的一样：“作用十分强劲，也比较复杂。”

matplotlib 那拥有 明显九十年代气场的默认设置做图设计风格也是被调侃很多年。将要发售的matplotlib 2.0 称为会包括很多更时尚潮流的设计风格。

开发者：John D. Hunter

2、Seaborn

Violinplot (Michael Waskom)

Seaborn运用了matplotlib，用简约的编码来制做漂亮的图表。

Seaborn跟matplotlib较大 的差别便是它的默认设置制图设计风格和色彩的搭配都具备当代艺术美。

因为Seaborn是搭建在matplotlib的基本上的，你需要掌握matplotlib进而来调节Seaborn的默认设置主要参数。

开发者: Michael Waskom

3、ggplot

Small multiples (ŷhat)

ggplot 根据R的一个做图包 ggplot2, 另外运用了来源于 《图像语法》(The Grammar of Graphics)中的定义。

ggplot 跟 matplotlib 的不同点是它容许你累加不一样的涂层来进行一幅图。例如你能从轴刚开始，随后再加上点，再加上线，移动平均线这些。

尽管《图像语法》获得了“贴近创造性思维”的做图方式的五星好评，可是习惯matplotlib的客户很有可能必须一些時间来融入这一新思路方法。

ggplot的创作者提及 ggplot 并不适感用以制做十分人性化的图象。它为了更好地实际操作的简约而放弃了图象复杂性。

ggplot is tightly integrated with pandas, so it’s best to store your data in a DataFrame when using ggplot.

ggplot跟pandas的融合度十分高，因此 如果你应用它的情况下，最好是将你的数据信息读成 DataFrame。

开发者: ŷhat

4、Bokeh

Interactive weather statistics for three cities (Continuum Analytics)

跟ggplot一样， Bokeh 也是根据《图形语法》的定义。

可是跟ggplot不一样的是，它彻底根据Python而不是从R引入回来的。

它的优点取决于它能用以制做可互动，可立即用以互联网的图表。图表能够輸出为JSON目标，HTML文本文档或是可互动的网络技术应用。

Boken也适用数据流分析和实时数据。Bokeh为不一样的客户出示了三种操纵水准。

最大的操纵水准用以迅速绘图，关键用以制做常见图象， 比如柱形图，盒状图，条形图。

中等水平操纵水准跟matplotlib一样容许你操纵图象的基本元素(比如布局图中的点)。

最少的操纵水准关键朝向开发者和前端工程师。

它沒有初始值，你得界定图表的每一个原素。

开发者: Continuum Analytics

5、pygal

Box plot (Florian Mounier)

pygal 跟 Bokeh 和 Plotly 一样，出示可立即置入网页浏览器的可互动图象。

跟别的二者的关键差别取决于它能够将图表輸出为SVG格式。

假如你的信息量相对性小，SVG就足够了。可是假如给你不计其数的数据信息点，SVG的3D渲染全过程会越来越比较慢。

因为全部的图表都被封裝变成方式，并且默认设置的设计风格也很美，用两行编码就可以非常容易地制做出好看的图表。

开发者: Florian Mounier

6、Plotly

Line plot (Plotly)

你或许听闻过在线制图专用工具Plotly，可是你了解你能根据Python应用它么？

Plotly 跟 Bokeh 一样着眼于互动图表的制做，可是它出示在其他库文件难以寻找的几类图表种类，例如等值线图，树形图和三维图表。

开发者: Plotly

7、geoplotlib

Choropleth (Andrea Cuttone)

geoplotlib 是一个用以制作地图和自然地理有关数据信息的辅助工具。

你能用它来制做多种多样地形图，例如等价地区图， 关注度图，点相对密度图。

你务必安裝 Pyglet (一个面向对象设计插口)来应用geoplotlib。但是由于绝大多数Python的数据分析工具不出示地形图，有一个职业画地图的专用工具也是挺便捷的。

开发者: Andrea Cuttone

8、Gleam

Scatter plot with trend line (David Robinson)

Gleam 使用了R中 Shiny 的设计灵感。它容许你只运用 Python 程序流程将你的剖析变为可互动的网络技术应用，你不用会用HTML CSS 或是 JaveScript。

Gleam 能够应用一切一种 Python 的数据可视化库。

如果你建立一个图表的情况下，你能在上面再加上一个域，那样客户可以用它来对数据信息排列和过虑了。

开发者: David Robinson

9、missingno

Nullity matrix (Aleksey Bilogur)

缺少数据信息是说不出的痛。

missingno 用图象的方法给你可以迅速评定数据信息缺少的状况，而不是在数据分析表里边举步维艰。

你能依据数据信息的详细度对数据信息开展排列或过虑，或是依据关注度图或树状图来考虑到对数据信息开展调整。

开发者: Aleksey Bilogur

10、Leather

Chart grid with consistent scales (Christopher Groskopf)

Leather的最好界定来源于它的创作者 Christopher Groskopf。

“Leather 适用如今就必须一个图表而且对图表是否极致并不在意的人。”

它能够用以全部的基本数据类型随后形成SVG图象，那样在你调节图象尺寸的情况下就不容易损害图象品质。

开发者: Christopher Groskopf