最强合集！Python 数据可视化工具，你都用过哪些？

Python 的丰富软件包生态是其最大优势，但也让用户面临选择困难：我是否在使用最好的数据可视化工具？ 经过 10 年的思考，我决定分享我的见解，并用数据和图表支持我的观点，希望能成为这一主题的最佳参考。

上图展示了 GitHub 上按星号数量划分的 Python 包规模（主要用于装饰）。接下来，我们将通过决策树、量化指标和详细分析，帮助你选择最适合的工具。

如何选择？

如果你只想快速获取建议，可以参考以下决策树。但建议继续阅读，尝试不同选项。

这个简单的决策树帮助你选择 Python 数据可视化包。请勿仅依赖此图做决定，建议多尝试不同工具。

选择工具的关键在于你的需求：静态可视化（如文章插图）还是动态可视化（如网站或仪表板）。数据类型也很重要，许多工具专注于表格数据，而地理空间或图形数据则需要专门工具。

数据驱动的指标

你不想在已停止维护的包上浪费时间，同时可能相信开发者的集体智慧会引导出更有用的工具。以下指标量化了这些概念。

回顾过去几年 Python 软件包索引的下载量变化，几乎每个软件包看起来都在增长。

2020 年至 2024 年各包的 PyPI 下载量（对数尺度）

尽管下载量跨越多个数量级，但需注意，下载可能源于用户需求或其他包的依赖。例如，Seaborn 的下载量永远不会超过 Matplotlib，因为 Seaborn 依赖 Matplotlib。Altair 的下载量激增可能部分归因于它是 Streamlit 的依赖项。

GitHub 的 fork 和 star 数量是衡量项目受欢迎程度的指标，如下表所示，它们之间存在一定相关性。此外，贡献者数量和提交历史也能反映项目健康状况，Seaborn 的表现让我有些担忧。

十个 Python 数据可视化包的多指标热图

以下是针对这十个包的详细分析和评价。

Matplotlib——经典之选

matplotlib/matplotlib[1]PyPI: Matplotlib[2]

一句话推荐：如果你只需要一个包来制作静态可视化，选它。

我的看法：Matplotlib 已有 22 年历史，尽管其语法复杂，但它依然是下载量最高的 Python 数据可视化包。它不仅支持 Seaborn 等工具，还能让你实现任何静态图，只要你愿意投入精力。

Bokeh——美丽但复杂

bokeh/bokeh[3]PyPI: Bokeh[4]

一句话推荐：如果你需要完全控制动态可视化，且不介意多写代码，选它。

我的看法：Bokeh 能制作漂亮的交互式图表，但需要大量代码和示例学习。不过，其稳定性和文档近年来大幅提升，值得一试。

Plotly——企业首选

plotly/plotly.py[5]PyPI: Plotly[6]

一句话推荐：如果你需要快速制作高度动态的可视化，选它。

我的看法：Plotly 的 API 简单且能生成出色的交互图表。虽然开源，但主要由 Plotly 公司维护。

Seaborn——统计友好

mwaskom/seaborn[7]PyPI: Seaborn[8]

一句话推荐：如果你需要统计可视化，选它。

我的看法：Seaborn 提供美观的统计图表，且易于使用。如果不够，还可以用 Matplotlib 微调。但贡献者数量在 2024 年停滞，令人担忧。

Altair——优雅的语法

vega/altair[9]PyPI: Altair[10]

一句话推荐：如果你注重 API 的一致性和优雅性，选它。

我的看法：Altair 基于 Vega-Lite 的高级图形语法，提供清晰的思维模型，支持交互和静态图表，是一个强大的竞争者。

Plotnine——R 风格的语法

has2k1/plotnine[11]PyPI: Plotnine[12]

一句话推荐：如果你喜欢 R 的 ggplot2，但需要用 Python，选它。

我的看法：Plotnine 将 ggplot2 引入 Python，下载量近年来激增，可能不仅仅是怀旧。

Holoviews——多后端集成

holoviz/holoviews[13]PyPI: Holoviews[14]

一句话推荐：如果你需要高效生成静态和动态可视化，选它。

我的看法：Holoviews 通过元数据自动化可视化，支持 Matplotlib 和 Bokeh 渲染，但 hvPlot 的抽象级别更高。

Hvplot——高级集成

holoviz/hvplot[15]PyPI: Hvplot[16]

一句话推荐：如果你需要静态和动态可视化，且代码简洁，选它。

我的看法：Hvplot 提供高级 API，支持多后端，但调试时可能需要深入研究多个库的文档。

Datashader——大数据集

holoviz/datashader[17]PyPI: Datashader[18]

一句话推荐：如果你需要可视化海量数据，选它。

我的看法：Datashader 擅长将大数据集转化为精美可视化，但需要理解其管道概念。

Pyvista——3D 可视化

pyvista/pyvista[19]PyPI: Pyvista[20]

一句话推荐：如果你需要 3D 可视化，选它。

我的看法：PyVista 是 3D 和科学可视化的代表，足够 Python 化，不仅仅是 VTK 的集成。

参考资料

[1]matplotlib/matplotlib: https://github.com/matplotlib/matplotlib

[2]Matplotlib: https://pypi.org/project/Matplotlib

[3]bokeh/bokeh: https://github.com/bokeh/bokeh

[4]Bokeh: https://pypi.org/project/Bokeh

[5]plotly/plotly.py: https://github.com/plotly/plotly.py

[6]Plotly: https://pypi.org/project/Plotly

[7]mwaskom/seaborn: https://github.com/mwaskom/seaborn

[8]Seaborn: https://pypi.org/project/Seaborn

[9]vega/altair: https://github.com/vega/altair

[10]Altair: https://pypi.org/project/Altair

[11]has2k1/plotnine: https://github.com/has2k1/plotnine

[12]Plotnine: https://pypi.org/project/Plotnine

[13]holoviz/holoviews: https://github.com/holoviz/holoviews

[14]Holoviews: https://pypi.org/project/Holoviews

[15]holoviz/hvplot: https://github.com/holoviz/hvplot

[16]Hvplot: https://pypi.org/project/Hvplot

[17]holoviz/datashader: https://github.com/holoviz/datashader

[18]Datashader: https://pypi.org/project/Datashader

[19]pyvista/pyvista: https://github.com/pyvista/pyvista

[20]Pyvista: https://pypi.org/project/Pyvista