0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

关于8个流行的Python可视化工具包

电子工程师 来源:fqj 2019-05-05 09:02 次阅读

喜欢用 Python 做项目的小伙伴不免会遇到这种情况:做图表时,用哪种好看又实用的可视化工具包呢?之前文章里出现过漂亮的图表时,也总有读者在后台留言问该图表时用什么工具做的。下面,作者介绍了八种在 Python 中实现的可视化工具包,其中有些包还能用在其它语言中。快来试试你喜欢哪个?

用 Python 创建图形的方法有很多,但是哪种方法是最好的呢?当我们做可视化之前,要先明确一些关于图像目标的问题:你是想初步了解数据的分布情况?想展示时给人们留下深刻印象?也许你想给某人展示一个内在的形象,一个中庸的形象?

本文将介绍一些常用的 Python 可视化包,包括这些包的优缺点以及分别适用于什么样的场景。这篇文章只扩展到 2D 图,为下一次讲 3D 图和商业报表(dashboard)留了一些空间,不过这次要讲的包中,许多都可以很好地支持 3D 图和商业报表。

Matplotlib、Seaborn 和 Pandas

把这三个包放在一起有几个原因:首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的,当你在用 Seaborn 或 Pandas 中的 df.plot() 时,用的其实是别人用 Matplotlib 写的代码。因此,这些图在美化方面是相似的,自定义图时用的语法也都非常相似。

当提到这些可视化工具时,我想到三个词:探索(Exploratory)、数据(Data)、分析(Analysis)。这些包都很适合第一次探索数据,但要做演示时用这些包就不够了。

Matplotlib 是比较低级的库,但它所支持的自定义程度令人难以置信(所以不要简单地将其排除在演示所用的包之外!),但还有其它更适合做展示的工具。

Matplotlib 还可以选择样式(style selection),它模拟了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相关工具所做的示例图:

在处理篮球队薪资数据时,我想找出薪资中位数最高的团队。为了展示结果,我将每个球队的工资用颜色标成条形图,来说明球员加入哪一支球队才能获得更好的待遇。

importseabornassnsimportmatplotlib.pyplotaspltcolor_order=['xkcd:cerulean','xkcd:ocean',
'xkcd:black','xkcd:royalpurple',
'xkcd:royalpurple','xkcd:navyblue',
'xkcd:powderblue','xkcd:lightmaroon',
'xkcd:lightishblue','xkcd:navy']sns.barplot(x=top10.Team,
y=top10.Salary,
palette=color_order).set_title('TeamswithHighestMedianSalary')plt.ticklabel_format(style='sci',axis='y',scilimits=(0,0))

关于8个流行的Python可视化工具包

第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图,当然也许它可能不那么美观。

importmatplotlib.pyplotaspltimportscipy.statsasstats#model2isaregressionmodellog_resid=model2.predict(X_test)-y_teststats.probplot(log_resid,dist="norm",plot=plt)plt.title("NormalQ-Qplot")plt.show()

关于8个流行的Python可视化工具包

最终证明,Matplotlib 及其相关工具的效率很高,但就演示而言它们并不是最好的工具。

ggplot(2)

你可能会问,「Aaron,ggplot 是 R 中最常用的可视化包,但你不是要写 Python 的包吗?」。人们已经在 Python 中实现了 ggplot2,复制了这个包从美化到语法的一切内容。

在我看过的所有材料中,它的一切都和 ggplot2 很像,但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法,导致 Python 版本不兼容。

如果你想在 R 中用真正的 ggplot(除了依赖关系外,它们的外观、感觉以及语法都是一样的),我在另外一篇文章中对此进行过讨论。

也就是说,如果你一定要在 Python 中用 ggplot,那你就必须要安装 0.19.2 版的 Pandas,但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。

ggplot2(我觉得也包括 Python 的 ggplot)举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图,然后分别添加不同的特征;也就是说,你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。

下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图,设置美化属性和数据,然后添加点、主题以及坐标轴和标题标签

#AllSalariesggplot(data=df,aes(x=season_start,y=salary,colour=team))+geom_point()+theme(legend.position="none")+labs(title='SalaryOverTime',x='Year',y='Salary($)')

关于8个流行的Python可视化工具包

Bokeh

Bokeh 很美。从概念上讲,Bokeh 类似于 ggplot,它们都是用图形语法来构建图片,但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点,我根据 538 Masculinity Survey 数据集写了制作直方图的代码:

importpandasaspdfrombokeh.plottingimportfigurefrombokeh.ioimportshow#is_mascisaone-hotencodeddataframeofresponsestothequestion:#"Doyouidentifyasmasculine?"#DataframePrepcounts=is_masc.sum()resps=is_masc.columns#Bokehp2=figure(title='DoYouViewYourselfAsMasculine?',x_axis_label='Response',
y_axis_label='Count',
x_range=list(resps))p2.vbar(x=resps,top=counts,width=0.6,fill_color='red',line_color='black')show(p2)#Pandascounts.plot(kind='bar')

关于8个流行的Python可视化工具包

用 Bokeh 表示调查结果

红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗?」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。

我写的代码大部分都用于标记坐标轴和标题,以及为条形图添加颜色和边框。在制作美观且表现力强的图片时,我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。

关于8个流行的Python可视化工具包

用 Pandas 表示相同的数据

蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的,但目的不同。在探索性设置中,用 Pandas 写一行代码查看数据很方便,但 Bokeh 的美化功能非常强大。

Bokeh 提供的所有便利都要在 matplotlib 中自定义,包括 x 轴标签的角度、背景线、y 轴刻度以及字体(大小、斜体、粗体)等。下图展示了一些随机趋势,其自定义程度更高:使用了图例和不同的颜色和线条。

关于8个流行的Python可视化工具包

Bokeh 还是制作交互式商业报表的绝佳工具。

Plotly

Plotly 非常强大,但用它设置和创建图形都要花费大量时间,而且都不直观。在用 Plotly 忙活了大半个上午后,我几乎什么都没做出来,干脆直接去吃饭了。我只创建了不带坐标标签的条形图,以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点:

安装时要有 API 秘钥,还要注册,不是只用 pip 安装就可以;

Plotly 所绘制的数据和布局对象是独一无二的,但并不直观;

图片布局对我来说没有用(40 行代码毫无意义!)

但它也有优点,而且设置中的所有缺点都有相应的解决方法:

你可以在 Plotly 网站和 Python 环境中编辑图片;

支持交互式图片和商业报表;

Plotly 与 Mapbox 合作,可以自定义地图;

很有潜力绘制优秀图形。

以下是我针对这个包编写的代码:

#plot1-barplot#**note**-thelayoutlinesdonothingandtripnoerrorsdata=[go.Bar(x=team_ave_df.team,
y=team_ave_df.turnovers_per_mp)]layout=go.Layout(title=go.layout.Title(
text='TurnoversperMinutebyTeam',
xref='paper',x=0),xaxis=go.layout.XAxis(
title=go.layout.xaxis.Title(
text='Team',
font=dict(
family='CourierNew,monospace',
size=18,
color='#7f7f7f'
))),yaxis=go.layout.YAxis(
title=go.layout.yaxis.Title(
text='AverageTurnovers/Minute',
font=dict(
family='CourierNew,monospace',
size=18,
color='#7f7f7f'
))),autosize=True,hovermode='closest')py.iplot(figure_or_data=data,layout=layout,filename='jupyter-plot',sharing='public',fileopt='overwrite')#plot2-attemptatascatterplotdata=[go.Scatter(x=player_year.minutes_played,
y=player_year.salary,
marker=go.scatter.Marker(color='red',
size=3))]layout=go.Layout(title="test",
xaxis=dict(title='why'),
yaxis=dict(title='plotly'))py.iplot(figure_or_data=data,layout=layout,filename='jupyter-plot2',sharing='public')[Image:image.png]

关于8个流行的Python可视化工具包

表示不同 NBA 球队每分钟平均失误数的条形图。

关于8个流行的Python可视化工具包

表示薪水和在 NBA 的打球时间之间关系的散点图

总体来说,开箱即用的美化工具看起来很好,但我多次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展示了 Plotly 的潜力,以及我为什么要在它身上花好几个小时:

关于8个流行的Python可视化工具包

Plotly 页面上的一些示例图

Pygal

Pygal 的名气就不那么大了,和其它常用的绘图包一样,它也是用图形框架语法来构建图像的。由于绘图目标比较简单,因此这是一个相对简单的绘图包。使用 Pygal 非常简单:

实例化图片;

用图片目标属性格式化;

用 figure.add() 将数据添加到图片中。

我在使用 Pygal 的过程中遇到的主要问题在于图片渲染。必须要用 render_to_file 选项,然后在 web 浏览器中打开文件,才能看见我刚刚构建的东西。

最终看来这是值得的,因为图片是交互式的,有令人满意而且便于自定义的美化功能。总而言之,这个包看起来不错,但在文件的创建和渲染部分比较麻烦。

关于8个流行的Python可视化工具包

Networkx

虽然 Networkx 是基于 matplotlib 的,但它仍是图形分析和可视化的绝佳解决方案。图形和网络不是我的专业领域,但 Networkx 可以快速简便地用图形表示网络之间的连接。以下是我针对一个简单图形构建的不同的表示,以及一些从斯坦福 SNAP 下载的代码(关于绘制小型 Facebook 网络)。

我按编号(1~10)用颜色编码了每个节点,代码如下:

options={'node_color':range(len(G)),'node_size':300,'width':1,'with_labels':False,'cmap':plt.cm.coolwarm}nx.draw(G,**options)

用于可视化上面提到的稀疏 Facebook 图形的代码如下:

importitertoolsimportnetworkxasnximportmatplotlib.pyplotaspltf=open('data/facebook/1684.circles','r')circles=[line.split()forlineinf]f.close()network=[]forcircincircles:cleaned=[int(val)forvalincirc[1:]]network.append(cleaned)G=nx.Graph()forvinnetwork:G.add_nodes_from(v)edges=[itertools.combinations(net,2)fornetinnetwork]foredge_groupinedges:G.add_edges_from(edge_group)options={'node_color':'lime','node_size':3,'width':1,'with_labels':False,}nx.draw(G,**options)

这个图形非常稀疏,Networkx 通过最大化每个集群的间隔展现了这种稀疏化。

有很多数据可视化的包,但没法说哪个是最好的。希望阅读本文后,你可以了解到在不同的情境下,该如何使用不同的美化工具和代码。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 代码
    +关注

    关注

    30

    文章

    4536

    浏览量

    66499
  • python
    +关注

    关注

    51

    文章

    4657

    浏览量

    83380

原文标题:8 个流行的 Python 可视化工具包,你喜欢哪个?

文章出处:【微信号:DBDevs,微信公众号:数据分析与开发】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    Python人工智能学习工具包+入门与实践资料集锦

    和数据挖掘领域,有很多很多优秀的Python工具包可供使用,所以作Pythoner,也是相当幸福的。最近流行词,全栈工程师(fullstack engineer),这些
    发表于 11-22 14:46

    MongoDB可视化工具Compass的安装与使用

    MongoDB可视化工具Compass
    发表于 05-08 06:54

    从使用效果来看,数据可视化工具离不开数据中台吗?

    地总结,从数据可视化工具离不开数据中台。1、从智能分析效率看,数据中台能让企业数据可视化分析实现秒分析秒呈现。 数据可视化工具的秒分析秒呈现效果图和个人数据分析不同,企业级数据分析时一
    发表于 05-12 14:14

    能做数据治理的数据可视化工具,又快又灵活

    进行下一步的智能分析、可视化展现。但由于历史原因,部门不是自主研发就是向外购买适合自身的数据系统,这就导致同样的数据再不同的部门系统上的分析口径不一,BI数据可视化工具无法快速精准匹配数据,智能分析
    发表于 07-13 15:34

    Python数据可视化

    Python数据可视化:网易云音乐歌单
    发表于 07-19 08:30

    这样选数据可视化工具,更能选到适用的

    、简单度。一般来说简单点击就能秒分析秒呈现的数据可视化工具更佳。如奥威BI系列数据可视化工具所制作的报表中,仅需双击就能自行选择钻取方向。即使所需数据并不在一分析模型上,也能秒钻取分析秒呈现结果。4
    发表于 07-30 13:17

    怎样去使用RKNN ToolKit可视化工具

    RKNN ToolKit分别有哪几种使用工具呢?怎样去使用RKNN ToolKit可视化工具呢?
    发表于 02-21 07:28

    SpeedBI数据可视化工具:浏览器上做分析

    的数据源,如数据库、Excel、CSV等,从而满足不同用户的需求。 数据可视化图表多 SpeedBI数据分析云是一款数据可视化工具,提供包括折线图、树图、机器状态图、仪表盘等在内的数十种数据可视化图表
    发表于 08-22 10:55

    紧跟老板思维,这款数据可视化工具神了

    数据可视化工具就是这么一款神奇的BI工具,能随时紧跟老板思维变化,灵活高效地深度分析挖掘、直观呈现数据。 奥威BI数据可视化工具多维动态分析,随需而动,更灵活高效! 奥威BI数据可视化工具
    发表于 08-22 13:46

    六种Python的数据可视化包和工具比较

    本文概述并比较Python数据可视化包和工具,包括Pandas,Seaborn,ggplot,Bokeh,pygal,和Plotly。 介绍 在Python世界中,有大量数据
    发表于 11-15 12:45 1.3w次阅读
    六种<b class='flag-5'>Python</b>的数据<b class='flag-5'>可视化</b>包和<b class='flag-5'>工具</b>比较

    mongodb可视化工具如何使用_介绍一款好用 mongodb 可视化工具

    RockMongo是一个MongoDB管理工具,连接数据库的时候,输入 相应的地址用户名和密码就好了,一些小伙伴想知道mongodb可视化工具如何使用,下面就让小编为大家为什一下mongodb可视化工具使用方法并且介绍一款好用
    发表于 02-07 09:31 6935次阅读
    mongodb<b class='flag-5'>可视化工具</b>如何使用_介绍一款好用 mongodb <b class='flag-5'>可视化工具</b>

    数据可视化工具的图表主要分为哪些

    都说数据可视化工具的图表是预设好的,点击即生效,那么数据可视化工具都有多少图表,使用效果又是怎样的?就以奥威BI工具为例,聊聊数据可视化工具的图表以及
    发表于 10-09 11:34 1455次阅读

    不连外网的前提下能否使用数据可视化工具

    用户提问:看了这么多个数据可视化工具的介绍,似乎都需要有网络支持,但我们公司需要在不连外网的前提下做数据可视化分析,那怎么办?还能用数据可视化工具吗?
    发表于 10-09 10:58 229次阅读

    几款好用的可视化工具推荐

    。同时,利用可视化软件可以简洁、清晰地理解和记忆数据,并帮助我们发现数据中的模式和趋势。通过可视化工具,我们可以更容易地发现隐藏在数据背后的规律,从而发现新的洞察和机会。 因此,使用可视化工具具有以下优越性: 实时监测
    的头像 发表于 07-23 15:24 622次阅读
    几款好用的<b class='flag-5'>可视化工具</b>推荐

    一键生成可视化图表/大屏 这13款数据可视化工具很强大

    选择何种数据可视化工具。那么你来对地方了,往下看。 什么是数据可视化? 数据可视化是创建数据集趋势、模式和关键见解的可视化表示的过程。数据可视化工具
    的头像 发表于 12-19 17:27 891次阅读
    一键生成<b class='flag-5'>可视化</b>图表/大屏 这13款数据<b class='flag-5'>可视化工具</b>很强大