数据可视化

静态

Seaborn

Seaborn利用了matplotlib，用简洁的代码来制作好看的图表。Seaborn跟matplotlib最大的区别就是它的默认绘图风格和色彩搭配都具有现代美感。由于Seaborn是构建在matplotlib的基础上的，你需要了解matplotlib从而来调整Seaborn的默认参数。

matplotlib

matplotlib 是Python可视化程序库的泰斗。经过十几年它仍然是Python使用者最常用的画图库。它的设计和在1980年代被设计的商业化程序语言MATLAB非常接近。
由于 matplotlib 是第一个 Python 可视化程序库，有许多别的程序库都是建立在它的基础上或者直接调用它。比如pandas和Seaborn就是matplotlib的外包，它们让你能用更少的代码去调用 matplotlib的方法。
虽然用matplotlib可以很方便的得到数据的大致信息，但是如果要更快捷简单地制作可供发表的图表就不那么容易了。就像Chris Moffitt 在“Python可视化工具简介”中提到的一样：“功能非常强大，也非常复杂。”
matplotlib 那有着强烈九十年代气息的默认作图风格也是被吐槽多年。即将发行的matplotlib 2.0 号称会包含许多更时尚的风格。

ggplot

ggplot 基于R的一个作图包 ggplot2, 同时利用了源于 《图像语法》（The Grammar of Graphics）中的概念。ggplot 跟 matplotlib 的不同之处是它允许你叠加不同的图层来完成一幅图。比如你可以从轴开始，然后加上点，加上线，趋势线等等。虽然《图像语法》得到了“接近思维过程”的作图方法的好评，但是习惯了matplotlib的用户可能需要一些时间来适应这个新思维方式。
ggplot的作者提到 ggplot 并不适用于制作非常个性化的图像。它为了操作的简洁而牺牲了图像复杂度。
ggplot is tightly integrated with pandas, so it’s best to store your data in a DataFrame when using ggplot.
ggplot跟pandas的整合度非常高，所以当你使用它的时候，最好将你的数据读成 DataFrame。

geoplotlib

geoplotlib 是一个用于制作地图和地理相关数据的工具箱。你可以用它来制作多种地图，比如等值区域图， 热度图，点密度图。你必须安装 Pyglet （一个面向对象编程接口）来使用geoplotlib。 不过因为大部分Python的可视化工具不提供地图，有一个专职画地图的工具也是挺方便的。

missingno

缺失数据是永远的痛。missingno 用图像的方式让你能够快速评估数据缺失的情况，而不是在数据表里面步履维艰。你可以根据数据的完整度对数据进行排序或过滤，或者根据热度图或树状图来考虑对数据进行修正。

leather

Leather的最佳定义来自它的作者 Christopher Groskopf：“Leather 适用于现在就需要一个图表并且对图表是不是完美并不在乎的人。”它可以用于所以的数据类型然后生成SVG图像，这样在你调整图像大小的时候就不会损失图像质量。这个库很新，一些文档还没有最后完成。图像成品非常基础——但是这就是设计目标。

folium

Folium建立在Python生态系统的数据优势和Leaflet.js库的映射优势之上。您可以在python中操作数据，然后通过folium在Leaflet地图中将其可视化。Folium是一个用于绘制空间数据的“神库”。你还可以使用folium生成热图和等值区域图。让我们了解一下folium

Altair + Vega

Altair是一个声明性统计可视化库，基于Vega和Vega-Lite。
声明意味着只需要提供数据列与编码通道之间的链接，例如x轴，y轴，颜色等，其余的绘图细节它会自动处理。声明使Altair变得简单，友好和一致。使用Altair可以轻松设计出有效且美观的可视化代码。

动态交互

Bokeh

跟ggplot一样， Bokeh 也是基于《图形语法》的概念。但是跟ggplot不一样的是，它完全基于Python而不是从R引用过来的。它的长处在于它能用于制作可交互，可直接用于网络的图表。图表可以输出为JSON对象，HTML文档或者可交互的网络应用。Boken也支持数据流和实时数据。
Bokeh为不同的用户提供了三种控制水平。最高的控制水平用于快速制图，主要用于制作常用图像， 例如柱状图，盒状图，直方图。中等控制水平跟matplotlib一样允许你控制图像的基本元素（例如分布图中的点）。最低的控制水平主要面向开发人员和软件工程师。它没有默认值，你得定义图表的每一个元素。

pygal

pygal 跟 Bokeh 和 Plotly 一样，提供可直接嵌入网络浏览器的可交互图像。跟其他两者的主要区别在于它可以将图表输出为SVG格式。如果你的数据量相对小，SVG就够用了。但是如果你有成百上千的数据点，SVG的渲染过程会变得很慢。
由于所有的图表都被封装成了方法，而且默认的风格也很漂亮，用几行代码就可以很容易地制作出漂亮的图表。

Plotly

你也许听说过在线制图工具Plotly，但是你知道你可以通过Python notebook使用它么？Plotly 跟 Bokeh 一样致力于交互图表的制作，但是它提供在别的库中很难找到的几种图表类型，比如等值线图，树形图和三维图表。

Gleam

Gleam 借用了R中 Shiny 的灵感。 它允许你只利用 Python 程序将你的分析变成可交互的网络应用，你不需要会用HTML CSS 或者 JaveScript。Gleam 可以使用任何一种 Python 的可视化库。当你创建一个图表的时候，你可以在上面加上一个域，这样用户可以用它来对数据排序和过滤了

wandb

PyTorch 62.只需10分钟带你完美入门轻量级可视化工具wandb

Cufflinks