|
|
51CTO旗下网站
|
|
移动端

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

为了更清晰的了解这几款用于可视化的Python在作图时的异同,本文将使用 同一组数据 分别制作多系列条形图来对比。

作者:编程歆妍来源:今日头条|2020-07-16 15:10

相信很多读者都听过 Matplotlib 、 Pyecharts 、 Seaborn 、 Plotly 、 Bokeh 这五大工具,学习Python就是希望做出各种酷炫的可视化图表,本文就将通过真实绘图来深度评测这五个Python数据可视化的库, 看看到底这几种工具各有什么优缺点,在制作图表时该如何选择。

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

指标说明

为了更清晰的了解这几款用于可视化的Python在作图时的异同,本文将使用 同一组数据 分别制作多系列条形图来对比,主要将通过以下几个指标来进行评测:

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

数据说明

本文使用的数据为Pyecharts中的faker数据

  1. from pyecharts.faker import Faker 
  2. x = Faker.choose() 
  3. y1 = Faker.values() 
  4. y2 = Faker.values() 
你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

x为一列品牌名称,y1/y2为一列相同长度的 无意义 数据,接下来让我们使用不同的库对这组数据进行可视化!

Pyecharts

Echarts 是一个由百度开源的数据可视化,凭借着良好的交互性,精巧的图表设计,得到了众多开发者的认可。而Python是一门富有表达力的语言,很适合用于数据处理。当数据分析遇上数据可视化时, pyecharts 诞生了,支持 30+ 种图表 。 在pyecharts中制作条形图首先需要导入相关库

  1. from pyecharts import options as opts 
  2. from pyecharts.charts import Bar 

接着是绘图并不做任何任何调整,首先创建一个Bar实例,接着添加x轴y轴数据,注意 仅接收list格式 数据,最后添加标题并设置在notebook中直接展示。总体来说还是比较符合正常的作图逻辑,整体 代码量并不多 。

  1. c = ( 
  2.     Bar() 
  3.     .add_xaxis(x) 
  4.     .add_yaxis("商家A", y1) 
  5.     .add_yaxis("商家B", y2) 
  6.     .set_global_opts(title_opts=opts.TitleOpts(title="Pyecharts—柱状图", subtitle="")) 
  7. ).render_notebook() 

默认生成的两系列柱状图如下:

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

可以看到,该图 支持交互式 展示与点击,默认生成的样式也较为美观,并且Pyecharts有详细的中文文档与demo,网上关于Pyecharts的讨论也较多,如果是刚接触的读者也能比较快的上手。 当然如果对默认样式不满意的话,可以进行一些调整,由于 文档十分完整 ,所以代码修改起来并不困难,比如可以修改主题并设置一些标 记线、DataZoom,添加小组件等

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

总体来说,由于Pyecharts是基于Echarts制作的,因此生成图表比较美观,并且 官方中文文档对相关设置讲解非常详细,有关Pyecharts的 讨论也非常多 ,所以如果在使用过程中有相关疑问也很容易通过检索找到答案,但遗憾的是不支持使用pandas中的series数据,需要 转换为list 才可以使用,不过整体还是让我很满意的一款可视化库。主观评分: 85 

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

Matplotlib

Matplotlib 应该是最广泛使用的Python可视化工具,支持的图形种类非常多,使用Matplotlib制作相同效果的图需要先导入相关库,并且并不支持原生中文所以还要设置下中文显示

  1. import matplotlib.pyplot as plt 
  2. import numpy as np 
  3. plt.rcParams['font.sans-serif'] = ['SimHei']  

接着就是绘图,但是相比较于pyecharts大多是往写好的代码里面添加数据、配置不同,matplotlib大多数需要我们自己写代码,所以 代码量可能稍多一点

  1. width = 0.35 
  2. x1 = np.arange(len(x))  
  3.  
  4. fig, ax = plt.subplots() 
  5. rects1 = ax.bar(x1 - width/2, y1, width, label='商家A'
  6. rects2 = ax.bar(x1 + width/2, y2, width, label='商家B'
  7.  
  8. ax.set_title('Matplotlib—柱状图'
  9. ax.set_xticks(x1) 
  10. ax.set_xticklabels(x) 
  11. ax.legend() 
  12.  
  13. plt.show() 

最后生成的默认图像如下

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

默认配色不是很好看但也没有很难看,看起来更学术一点,但是 不支持交互式 点击查看等操作,虽然代码量更多一点,但是由于Matplotlib的火热, 网上关于matplotlib的资料比Pyecharts要多很多 ,所以写代码与调整代码的过程也 并不复杂 ,整体主观评分77分

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

Plotly

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

Plotly 也是一款非常强大的Python可视化库, Plotly内置完整的交互能力及编辑工具,支持在线和离线模式,提供稳定的API以便于现有应用集成,既可以在web浏览器中展示数据图表,也可以存入本地拷贝 。 但是由于官方 未提供中文文档 ,网上关于Plotly的教程也仅限于官方的一些demo,对于一些详细的参数设置并 没有太多资料 ,首先还是先导入相关库并设置notebook显示

  1. import plotly 
  2. import plotly.offline as py 
  3. import plotly.graph_objs as go 
  4. plotly.offline.init_notebook_mode(connected=True) 

接下来是绘图代码, 首先要对数据先进行处理 ,剩下的基础配置其实和Pyecharts比较类似

  1. trace0 = go.Bar( 
  2.     x = x, 
  3.     y = y1, 
  4.     name = '商家A'
  5. trace1 = go.Bar( 
  6.     x = x, 
  7.     y = y2, 
  8.     name = '商家B'
  9. data = [trace0,trace1] 
  10. layout = go.Layout( 
  11.         title={ 
  12.         'text'"Plotly-柱状图"
  13.         'y':0.9
  14.         'x':0.5
  15.         'xanchor''center'
  16.         'yanchor''top'}) 
  17. fig = go.Figure(data=data, layout=layout) 
  18. py.iplot(fig) 
你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

默认样式生成的图如上, 配色也不难看 ,并且可以看到是 支持交互式 操作的,同时是默认添加toolbox小组件,可以更方便的查看, 支持30多种图形 ,总体来说还是比较优秀的一个可视化工具,但是如果真要熟练使用的话可能需要一点时间用于查找相关资料,因为网上 关于Plotly的资料不多 ,大多是基本使用的简单教程,如果想查找一些细节的操作比如我为了查找让标题居中的方法,百度之后用Google在国外某论坛找到类似问题并找到设置,主观评分: 76 

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

Bokeh

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

Bokeh 是一个专门针对Web浏览器的呈现功能的 交互式 可视化Python库。这是Bokeh与其它可视化库最核心的区别,它可以做出像 D3.js 简洁 漂亮的交互可视化效果,但是使用难度低于D3.js,首先还是导入相关库

  1. from bokeh.transform import dodge 
  2. import pandas as pd 
  3. from bokeh.core.properties import value 
  4. import numpy as np 
  5. import matplotlib.pyplot as plt 
  6. %matplotlib inline 
  7. from bokeh.io import output_notebook 
  8. output_notebook() # 导入notebook绘图模块 
  9. from bokeh.plotting import figure,show 
  10. from bokeh.models import ColumnDataSource# 导入图表绘制、图标展示模块 # 导入ColumnDataSource模块 # 导入dodge、value模块 

相关依赖比上面三个要多出很多,并且Bokeh有自己的数据结构 ColumnDataSource ,所以要先对数据进行转换,接着就是创建画布、添加数据及设置

  1. df = pd.DataFrame({'商家A':y1,'商家B':y2}, 
  2.                  index = x_) 
  3. _x = ['商家A','商家B']    # 系列名 
  4. data = {'index':x_} 
  5. for i in _x: 
  6.     data[i] = df[i].tolist()# 生成数据,数据格式为dict 
  7. source = ColumnDataSource(data=data)# 将数据转化为ColumnDataSource对象 
  8.  
  9. p = figure(x_range=x_, y_range=(0150), plot_height=350, title="boken-柱状图",tools="crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select"
  10.  
  11. p.vbar(x=dodge('index', -0.1, range=p.x_range), top='商家A', width=0.2, source=source,color="#718dbf", legend=value("商家A")) 
  12. p.vbar(x=dodge('index',  0.1, range=p.x_range), top='商家B', width=0.2, source=source,color="#e84d60", legend=value("商家B"))# dodge(field_name, value, range=None) → 转换成一个可分组的对象,value为元素的位置(配合width设置) 
  13. p.xgrid.grid_line_color = None 
  14. p.legend.location = "top_left" 
  15. p.legend.orientation = "horizontal" # 其他参数设置 
  16. show(p) 
你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

可以看到,Bokeh做出来的图也是 支持交互 的,不并且样式之类的看上去还是比较舒服的,不过上面这张图是经过调整颜色的,因为默认不对两个系列进行区分颜色

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

Bokeh一个很明显的特点就是 代码量较上面三个工具要多了很多 ,大多是在 数据的处理 上,并且和Plotly一样,有关bokeh相关的 中文资料也不多 ,大多是入门型的基本使用于介绍,虽然从官方给出的图来看能作出很多比pyecharts更精美的图,但是查找相关参数的设置上将会耗费一定时间,主观评分 71 分。

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

Seaborn

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

从 seaborn 官网给出的标题就知道,seaborn是为了 统计图表 设计的,它 是一种 基于matplotlib 的图形可视化库,也就 是在matplotlib的基础上进行了更高级的API封装,从而使得 作图更加容易 ,在大多数情况下使用seaborn就能做出很具有吸引力的图,而使用matplotlib就能制作具有更多特色的图,还是我们的数据,使用Seaborn制作首先需要导入相关库,由于是基于Matplotlib,所以还是 需要设置中文

  1. import seaborn as sns 
  2. import matplotlib.pyplot as plt 
  3. plt.rcParams['font.sans-serif'] = ['SimHei']  

接下来只要 一行代码 就能生成我们要的图,默认配色也没有显得很难看

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

相比上面四种工具,从 代码量 上来看是非常简洁的,不过还是要先将 数据转换 为DataFrame格式,这里没在代码中体现,但依旧是 最简短的代码 ,同时并不支持交互。并且Seaborn和Plotly、bokeh有一个共同的地方就是虽然强大,但是 网上有关这三个库的教程、讨论都远少于Pyecharts与Matplotlib ,如果是新手的话可能很难快速通过搜索解决你遇到的问题,而需要自己研究别人的代码,主观评分 72 

你知道怎么选可视化工具吗?深度评测5大Python数据可视化工具

小结

以上就是对常见的5个Python数据可视化的评测,可能通过绘制条形图的方式去给每个工具打分不是非常合适,但我想你应该能够大致熟悉到每个库在绘图时的特点,同时也能在选择这些工具之前有一个简单的了解。最后正如我们文中介绍的一样, 不同工具的应用场景、目标用户都不完全相同 ,所以我们在选择工具时需要 先思考自己的使用场景 ,并且需要评估绘制目标图形的难度,就像有些工具虽然强大但是资料太少,不要为了追求高级的样式而浪费太多时间!如果你仍在犹豫学习哪一个工具的话,我的意见是 :熟练掌握一个工具之后,了解其他工具即可 !

【编辑推荐】

  1. 13个Python超实用的编程技巧,越早知道越好
  2. 程序员开发利器?在线工具集锦
  3. 几行python代码实现钉钉自动打卡,网友:终于告别缺勤了
  4. 蚂蚁王益:Go+ 可有效补全 Python 的不足
  5. 一篇文章掌握 Python 内置 zip() 的全部内容
【责任编辑:张燕妮 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

大数据安全运维实战

大数据安全运维实战

CDH+Ambari
共20章 | 大数据陈浩

86人订阅学习

实操案例:Jenkins持续交付和持续部署

实操案例:Jenkins持续交付和持续部署

微服务架构下的自动化部署
共18章 | freshman411

176人订阅学习

思科交换网络安全指南

思科交换网络安全指南

安全才能无忧
共5章 | 思科小牛

108人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微