脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - 分享8个非常流行的 Python 可视化工具包

分享8个非常流行的 Python 可视化工具包

2021-07-02 00:20KotlinPython Python

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?今天小编给大家分享8个非常流行的 Python 可视化工具包,需要的朋友可以参考下

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。

?
1
2
3
4
5
6
7
8
9
10
11
import seaborn as sns
import matplotlib.pyplot as plt
color_order = ['xkcd:cerulean', 'xkcd:ocean',
    'xkcd:black','xkcd:royal purple',
    'xkcd:royal purple', 'xkcd:navy blue',
    'xkcd:powder blue', 'xkcd:light maroon',
    'xkcd:lightish blue','xkcd:navy']
sns.barplot(x=top10.team,
   y=top10.salary,
   palette=color_order).set_title('teams with highest median salary')
plt.ticklabel_format(style='sci', axis='y', scilimits=(0,0))

分享8个非常流行的 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。

?
1
2
3
4
5
6
7
import matplotlib.pyplot as plt
import scipy.stats as stats
#model2 is a regression model
log_resid = model2.predict(x_test)-y_test
stats.probplot(log_resid, dist="norm", plot=plt)
plt.title("normal q-q plot")
plt.show()

分享8个非常流行的 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。

?
1
2
3
4
5
#all salaries
ggplot(data=df, aes(x=season_start, y=salary, colour=team)) +
 geom_point() +
 theme(legend.position="none") +
 labs(title = 'salary over time', x='year', y='salary ($)')

分享8个非常流行的 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:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
import pandas as pd
from bokeh.plotting import figure
from bokeh.io import show
# is_masc is a one-hot encoded dataframe of responses to the question:
# "do you identify as masculine?"
#dataframe prep
counts = is_masc.sum()
resps = is_masc.columns
#bokeh
p2 = figure(title='do you view yourself as masculine?',
   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)
#pandas
counts.plot(kind='bar')

分享8个非常流行的 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。

分享8个非常流行的 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。

分享8个非常流行的 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:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
#plot 1 - barplot
# **note** - the layout lines do nothing and trip no errors
data = [go.bar(x=team_ave_df.team,
    y=team_ave_df.turnovers_per_mp)]
layout = go.layout(
 title=go.layout.title(
  text='turnovers per minute by team',
  xref='paper',
  x=0
 ),
 xaxis=go.layout.xaxis(
  title = go.layout.xaxis.title(
   text='team',
   font=dict(
     family='courier new, monospace',
     size=18,
     color='#7f7f7f'
    )
  )
 ),
 yaxis=go.layout.yaxis(
  title = go.layout.yaxis.title(
   text='average turnovers/minute',
   font=dict(
     family='courier new, monospace',
     size=18,
     color='#7f7f7f'
    )
  )
 ),
 autosize=true,
 hovermode='closest')
py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite')
#plot 2 - attempt at a scatterplot
data = [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]

分享8个非常流行的 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。

分享8个非常流行的 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:

分享8个非常流行的 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。

分享8个非常流行的 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)。

分享8个非常流行的 Python 可视化工具包

我按编号(1~10)用颜色编码了每个节点,代码如下:

?
1
2
3
4
5
6
7
8
options = {
 'node_color' : range(len(g)),
 'node_size' : 300,
 'width' : 1,
 'with_labels' : false,
 'cmap' : plt.cm.coolwarm
}
nx.draw(g, **options)

分享8个非常流行的 Python 可视化工具包

用于可视化上面提到的稀疏 facebook 图形的代码如下:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
import itertools
import networkx as nx
import matplotlib.pyplot as plt
f = open('data/facebook/1684.circles', 'r')
circles = [line.split() for line in f]
f.close()
network = []
for circ in circles:
 cleaned = [int(val) for val in circ[1:]]
 network.append(cleaned)
g = nx.graph()
for v in network:
 g.add_nodes_from(v)
edges = [itertools.combinations(net,2) for net in network]
for edge_group in edges:
 g.add_edges_from(edge_group)
options = {
 'node_color' : 'lime',
 'node_size' : 3,
 'width' : 1,
 'with_labels' : false,
}
nx.draw(g, **options)

分享8个非常流行的 Python 可视化工具包

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。

总结

以上所述是小编给大家介绍的8个非常流行的 python 可视化工具包,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持!

如果你觉得本文对你有帮助,欢迎转载,烦请注明出处,谢谢!

原文链接:https://mp.weixin.qq.com/s

延伸 · 阅读

精彩推荐