6个优秀可视化Python库

开发 后端
对使用哪个可视化工具感到困惑? 我为您分解了每个库的优缺点。如果您刚开始使用Python可视化,可能会不知所措的库和示例数量众多。

 对使用哪个可视化工具感到困惑? 我为您分解了每个库的优缺点

[[335022]]

动机

如果您刚开始使用Python可视化,可能会不知所措的库和示例数量众多:

  • Matplotlib
  • Seaborn
  • Plotly
  • Bokeh
  • Altair
  • Folium

如果您有一个等待可视化的DataFrame,应该选择哪一个? 在某些情况下,某些库可能比其他库更好。 本文将展示每种方法的优缺点。 到本文结尾,您应该能够区分每个库的不同功能,并可以更轻松地选择优秀库。

我们将通过使用样本数据集并使用每个库对其进行研究,着重于一些特定的属性:

互动性

您是否希望可视化是交互式的?

一些库(例如Matplotlib)将可视化效果呈现为图像。 因此,它们非常适合于解释概念(在纸质,幻灯片或演示文稿中)。

另一方面,像Altair,Bokeh和Plotly这样的库可让您创建交互式图形,以便用户可以深入并自己探索

语法和灵活性

每个库的语法有何不同? Matplotlib等较低级的库使您可以做想想得到的一切,但要付出更复杂的API的代价。 诸如Altair之类的某些库是非常声明性的,这使映射到您的数据更加容易。

数据类型和可视化

您是在处理特殊的用例,例如地理图,具有大数据还是使用仅由特定库支持的图类型?

数据

为了便于比较,我将使用本文从Github抓取的真实数据:

我爬取了超过1k的优秀机器学习Github配置文件,这就是我发现的

从Github上的优秀机器学习资料中获取见解

或从Datapane Blob获取直接数据。

 

  1. import datapane as dp 
  2.  
  3. dp.Blob.get(name='github_data', owner='khuyentran1401').download_df() 

 

如果要使用Blob,请记住预先使用令牌登录Datapane。 此过程应少于1分钟

Matplotlib

Matplotlib可能是最常见的用于可视化数据的Python库。 每个对数据科学感兴趣的人都可能至少使用过Matplotlib。

优点

1.容易看到数据的属性

分析数据时,快速查看分布可能是理想的。

例如,如果我想快速了解关注者最多的前100个用户的分布,通常使用Matplotlib就足够了。

 

  1. import matplotlib.pyplot as plt 
  2.  
  3. top_followers = new_profile.sort_values(by='followers', axis=0, ascending=False)[:100] 
  4.  
  5. fig = plt.figure() 
  6.  
  7. plt.bar(top_followers.user_name, 
  8.        top_followers.followers) 

即使Matplotlib的x轴看起来不太好,通过查看图表,我们也可以更好地理解数据的分布。

2.可以画任何东西

Matplotlib具有多种用途,这意味着它可以绘制您可以想象的任何图形。 Matplotlib的网站上包含非常全面的文档和图库中的各种图形,这使您可以轻松找到任何您能想到的疯狂情节的教程。

像这样的一些文字:

 

  1. fig = plt.figure() 
  2.  
  3. plt.text(0.6, 0.7, "learning"size=40, rotation=20., 
  4.          ha="center", va="center"
  5.          bbox=dict(boxstyle="round"
  6.                    ec=(1., 0.5, 0.5), 
  7.                    fc=(1., 0.8, 0.8), 
  8.                    ) 
  9.          ) 
  10.  
  11. plt.text(0.55, 0.6, "machine"size=40, rotation=-25., 
  12.          ha="right", va="top"
  13.          bbox=dict(boxstyle="square"
  14.                    ec=(1., 0.5, 0.5), 
  15.                    fc=(1., 0.8, 0.8), 
  16.                    ) 
  17.          ) 
  18.  
  19. plt.show() 

 

缺点

Matplotlib可以绘制任何内容,但绘制非基本图或调整图的外观可能会很复杂。

 

  1. correlation = new_profile.corr() 
  2.  
  3. fig, ax = plt.subplots() 
  4. im = plt.imshow(correlation) 
  5.  
  6. ax.set_xticklabels(correlation.columns) 
  7. ax.set_yticklabels(correlation.columns) 
  8.  
  9. plt.setp(ax.get_xticklabels(), rotation=45, ha="right"
  10.          rotation_mode="anchor"

 

即使该图足以使分布可视化,但如果您想将数据表示给其他人,您仍需要固定x轴,y轴,这需要很多工作。 这是因为Matplotlib具有非常低级的接口。

总结:Matplotlib可以绘制任何东西,但是复杂的绘图可能比其他库需要更多的代码

Seaborn

Seaborn是基于Matplotlib的Python数据可视化库。 它在库上提供了更高级别的包装器,使其更易于使用。

优点

1.更少的代码

它为类似的图提供了更高级别的界面。 换句话说,seaborn通常提供与matplotlib类似的图,但是用更少的代码和更好的设计。

我们使用与以前相同的数据来绘制图的相似热图。

 

  1. correlation = new_profile.corr() 
  2.  
  3. sns.heatmap(correlation, annot=True

我们无需设置x和y标签就可以获得更好的热图!

2.使常用地块更漂亮

当涉及流行图(例如条形图,箱形图,计数图,直方图等)时,许多人选择seaborn不仅是因为可以用更少的代码来创建它们,而且它们看起来也更漂亮。 正如我们在上面的示例中看到的,颜色看起来也比Matplotlib的默认颜色更好。

 

  1. sns.set(style="darkgrid"
  2. titanic = sns.load_dataset("titanic"
  3. ax = sns.countplot(x="class", data=titanic) 

 

缺点

Seaborn受到更多限制,并且没有matplotlib那样广泛的集合

要点:Seaborn是Matplotlib的更高版本。 尽管Seaborn并不像Matplotlib那样具有广泛的集合,但是它们却可以用更少的代码来使条形图,箱形图,热图等流行图看起来很漂亮。

Plotly

Plotly的Python图形库使创建交互式,具有出版物质量的图形变得容易。 它还可以创建类似于Matplotlib和seaborn的图表,例如折线图,散点图,面积图,条形图等。

优点

1. 像R

如果您喜欢R中的绘图,并且在切换到Python时错过了它的功能,那么Plotly使用Python可以提供相同质量的绘图!

我最喜欢的是Plotly Express,因为它真的很容易,而且用单行Python创建更好的图甚至更快。

 

  1. fig = px.scatter(new_profile[:100], 
  2.           x='followers'
  3.           y='total_stars'
  4.           color='forks'
  5.           size='contribution'
  6. fig.show() 

 

2.易于创建交互式图

使用Plotly还可以轻松创建交互式绘图。 交互式绘图不仅美观,而且还使查看者更容易查看每个数据点。

还记得我们之前使用matplotlib制作的条形图吗? 让我们看看Plotly的结果

 

  1. import plotly.express as px 
  2.  
  3. top_followers = new_profile.sort_values(by='followers', axis=0, ascending=False)[:100] 
  4.  
  5. fig = px.bar(top_followers,  
  6.              x='user_name',  
  7.              y='followers'
  8.             ) 
  9.  
  10. fig.show() 

 

使用大约相同的代码行,我们生成一个交互式绘图,我们可以将鼠标悬停在每个栏上,以查看该栏所代表的用户和关注者数量。 这意味着可视化的使用者可以自己进行浏览。

3.复杂的地块变得容易

使用Plotly,可以轻松创建一些通常很难创建的图。

例如,如果我们想创建一个地图以可视化Github用户的位置,我们可以找到他们的经度和纬度,如下所示,然后使用该数据在地图上发现用户的位置,如下所示

 

  1. import plotly.express as px 
  2. import datapane as dp 
  3.  
  4. location_df = dp.Blob.get(name='location_df', owner='khuyentran1401').download_df() 
  5.  
  6. m = px.scatter_geo(location_df, lat='latitude', lon='longitude'
  7.                  color='total_stars'size='forks'
  8.                  hover_data=['user_name','followers'], 
  9.                  title='Locations of Top Users'
  10.  
  11. m.show() 

 

只需几行代码,所有用户的位置就可以在地图上精美呈现。 气泡的颜色代表叉子的数量,大小代表星星的总数

缺点

尽管Plotly支持各种图,但仍然缺少一些常见图

例如,虽然seaborn具有sns.countplot()来计算数据中某个类别的出现次数,但Plotly没有计数图。 因此,我们需要预先执行groupby以便按类对数据进行分组。

 

  1. titanic = sns.load_dataset("titanic"
  2.  
  3. Group data by class 
  4. titanic_groupby = titanic.groupby(by='class').count()  
  5.  
  6. fig = px.bar(titanic_groupby, 
  7.       y='survived'
  8.       labels={'survived':'count'})  
  9. fig.show() 

 

我们需要更多代码来创建计数图,并且该图不会像seaborn那样自动显示出来。

要点:Plotly非常适合用很少的代码创建交互式且具有出版质量的图形。 但是,对于一些简单的图(例如计数图),使用seaborn会更简单

Altar

Altair是基于vega-lite的用于Python的声明式统计可视化库,非常适合需要大量统计转换的绘图。

优点

1.简单的可视化语法

用于创建可视化的语法很容易理解。 它仅需提及数据列与编码通道之间的链接,其余绘图将自动处理。 这听起来很抽象,但是在您处理数据时非常重要,它使信息可视化变得非常快速和直观。

例如,使用上面的泰坦尼克号数据,我们想计算每个班级的人数,我们所需要的只是在y_axis中使用count()

 

  1. import seaborn as sns 
  2. import altair as alt  
  3.  
  4. titanic = sns.load_dataset("titanic"
  5.  
  6. alt.Chart(titanic).mark_bar().encode( 
  7.     alt.X('class'), 
  8.     y='count()' 

 

2.易于转换数据

Altair还使创建图表时转换数据变得非常容易

例如,如果我们想找到泰坦尼克号中每个性别的平均年龄,而不是像Plotly那样预先进行转换,我们可以在代码中执行转换以创建图表。

 

  1. hireable = alt.Chart(titanic).mark_bar().encode( 
  2.     x='sex:N'
  3.     y='mean_age:Q' 
  4. ).transform_aggregate( 
  5.     mean_age='mean(age)'
  6.     groupby=['sex']) 
  7.  
  8. hireable 

 

这里的逻辑是使用transform_aggregate()来获取义数据(没有任何顺序的类别数据),或者使用:Q来确保mean_age是定量数据(值的度量,例如数字)

3.易于链接的图

Altair还允许您在图之间进行一些令人印象深刻的链接,例如使用间隔选择来过滤附加直方图的内容。

例如,如果我们想在间隔内可视化每个班级的人数,我们可以选择年龄和票价之间的一个点状图,我们可以这样做。

 

  1. brush = alt.selection(type='interval'
  2.  
  3. points = alt.Chart(titanic).mark_point().encode( 
  4.     x='age:Q'
  5.     y='fare:Q'
  6.     color=alt.condition(brush, 'class:N', alt.value('lightgray')) 
  7. ).add_selection( 
  8.     brush 
  9.  
  10. bars = alt.Chart(titanic).mark_bar().encode( 
  11.     y='class:N'
  12.     color='class:N'
  13.     x = 'count(class):Q' 
  14. ).transform_filter( 
  15.     brush 
  16.  
  17. points & bars 

 

当我们拖动鼠标以选择散点图中的间隔时,我们可以在下面的条形图中看到变化。 当与早期的转换和计算结合使用时,这意味着您可以创建一些非常互动的图,这些图可以进行即时计算-甚至不需要运行的Python服务器!

缺点

除非您指定自定义样式,否则简单的图表(如条形图)看起来不会像seaborn或Plotly。 Altair还不建议使用5000个以上样本的数据集,而是建议您在可视化之前汇总数据。

要点:Altair是复杂图表显示统计数据的理想选择。 Altair无法处理超过5000个样本的数据,并且与Plotly或Seaborn相比,某些简单图表的样式看起来不一样。

Bokeh

Bokeh是一个灵活的交互式可视化库,以Web浏览器为代表。

优点

  • Matplotlib的交互式版本

如果我们将在上述交互式可视化库中排名,那么Bokeh在与Matplotlib的相似性方面可能排名第一。

Matplotlib可以创建任何绘图,因为它是一个低级的可视化库。 Bokeh可以用作高级或低级接口; 因此,它可以创建Matplotlib创建的许多复杂图,但是用更少的代码行和更高的分辨率。

例如,Matplotlib的圆图

 

  1. import matplotlib.pyplot as plt 
  2.  
  3. fig, ax = plt.subplots() 
  4.  
  5. x = [1, 2, 3, 4, 5] 
  6. y = [2, 5, 8, 2, 7] 
  7.  
  8. for x,y in zip(x,y):  
  9.     ax.add_patch(plt.Circle((x, y), 0.5, edgecolor = "#f03b20",facecolor='#9ebcda', alpha=0.8)) 
  10.  
  11.  
  12. #Use adjustable='box-forced' to make the plot area square-shaped as well. 
  13. ax.set_aspect('equal', adjustable='datalim'
  14. ax.set_xbound(3, 4) 
  15.  
  16. ax.plot()   #Causes an autoscale update
  17. plt.show() 

 

也可以使用Bokeh以更好的分辨率和更多实用性创建

 

  1. from bokeh.io import output_file, show 
  2. from bokeh.models import Circle 
  3. from bokeh.plotting import figure 
  4.  
  5. reset_output() 
  6. output_notebook() 
  7.  
  8.  
  9. plot = figure(plot_width=400, plot_height=400, tools="tap", title="Select a circle"
  10. renderer = plot.circle([1, 2, 3, 4, 5], [2, 5, 8, 2, 7], size=50) 
  11.  
  12. selected_circle = Circle(fill_alpha=1, fill_color="firebrick", line_color=None) 
  13. nonselected_circle = Circle(fill_alpha=0.2, fill_color="blue", line_color="firebrick"
  14.  
  15. renderer.selection_glyph = selected_circle 
  16. renderer.nonselection_glyph = nonselected_circle 
  17.  
  18. show(plot) 

 

2.地块之间的联系

散景还可以使情节之间的链接变得非常容易。 在一个绘图中应用的更改将应用于具有类似变量的另一绘图。

例如,如果我们并排创建3个图形并想要观察它们之间的关系,则可以使用链接的笔刷

 

  1. from bokeh.layouts import gridplot, row 
  2. from bokeh.models import ColumnDataSource 
  3.  
  4. reset_output() 
  5. output_notebook() 
  6.  
  7. source = ColumnDataSource(new_profile) 
  8.  
  9. TOOLS = "box_select,lasso_select,help" 
  10. TOOLTIPS = [('user''@user_name'), 
  11.             ('followers''@followers'), 
  12.             ('following''@following'), 
  13.             ('forks''@forks'),  
  14.             ('contribution''@contribution')] 
  15.  
  16. s1 = figure(tooltips=TOOLTIPS, plot_width=300, plot_height=300, title=None, tools=TOOLS) 
  17. s1.circle(x='followers', y='following', source=source) 
  18.  
  19. s2 = figure(tooltips=TOOLTIPS, plot_width=300, plot_height=300, title=None, tools=TOOLS) 
  20. s2.circle(x='followers', y='forks', source=source) 
  21.  
  22. s3 = figure(tooltips=TOOLTIPS, plot_width=300, plot_height=300, title=None, tools=TOOLS) 
  23. s3.circle(x='followers', y='contribution', source=source) 
  24.  
  25. p = gridplot([[s1,s2,s3]]) 
  26. show(p) 

 

ColumnDataSource使数据可以在绘图之间共享。 因此,当我们将更改应用于一个图时,其他图也将相应地更改。

缺点

由于Bokeh是一个具有中级接口的库,因此与Matplotlib相比,它通常花费较少的代码,但产生与Seaborn,Altair或Plotly相同的图将花费更多的代码。

例如,要使用泰坦尼克号数据创建相同的计数图,除了需要预先转换数据外,如果我们希望图形看起来更漂亮,我们还需要设置条形和颜色的宽度

 

  1. from bokeh.transform import factor_cmap 
  2. from bokeh.palettes import Spectral6 
  3.  
  4. p = figure(x_range=list(titanic_groupby['class'])) 
  5. p.vbar(x='class'top='survived', source = titanic_groupby, 
  6.       fill_color=factor_cmap('class', palette=Spectral6, factors=list(titanic_groupby['class']) 
  7.       )) 
  8. show(p)如果我们不为条形图添加宽度,则条形图将看起来像这样 

 

 

因此,我们需要手动调整尺寸以使图更好

  1. from bokeh.transform import factor_cmap 
  2. from bokeh.palettes import Spectral6 
  3.  
  4. p = figure(x_range=list(titanic_groupby['class'])) 
  5. p.vbar(x='class'top='survived', width=0.9, source = titanic_groupby, 
  6.       fill_color=factor_cmap('class', palette=Spectral6, factors=list(titanic_groupby['class']) 
  7.       )) 
  8. show(p) 

如果要用更少的代码创建漂亮的条形图,与其他库相比,Bokeh可能就是缺点

要点:Bokeh是唯一一个界面范围从低到高的库,这使得生成通用和精美的图形变得容易。 但是,这样做的代价是,Bokeh通常需要更多代码来创建质量与其他库相似的图。

Folium

Folium使在交互式传单地图上的数据可视化变得容易。 该库具有来自OpenStreetMap,Mapbox和Stamen的许多内置磁贴集

优点

1.轻松创建带有标记的地图

尽管Plotly,Altair和Bokeh也使我们能够创建地图,但Folium使用开放的街道地图,以最少的代码使您更接近Google Map

还记得我们如何创建地图以使用Plotly可视化Github用户的位置吗? 我们可以用Folium使地图看起来更好

 

  1. import folium 
  2.  
  3. Load data 
  4. location_df = dp.Blob.get(name='location_df', owner='khuyentran1401').download_df()  
  5.  
  6. # Save latitudes, longitudes, and locations' names in a list 
  7. lats = location_df['latitude'
  8. lons = location_df['longitude'
  9. names = location_df['location'
  10.  
  11. Create a map with an initial location 
  12. m = folium.Map(location=[lats[0], lons[0]]) 
  13.  
  14. for lat, lon, name in zip(lats, lons, names): 
  15.    
  16.     # Create marker with other locations 
  17.     folium.Marker(location=[lat, lon], 
  18.                   popup= name,  
  19.                  icon=folium.Icon(color='green'
  20. ).add_to(m) 
  21.      

 

最初的地点在纽约布鲁克林。 缩小以查看地图上的其他位置。 通过一些代码行,我们创建了一个真实的地图,显示了用户的位置。

2.添加潜在的位置

如果我们想添加其他用户的潜在位置,Folium可以通过允许用户添加标记来简化操作

 

  1. # Code to generate map here 
  2. #.... 
  3.  
  4. # Enable adding more locations in the map 
  5. m = m.add_child(folium.ClickForMarker(popup='Potential Location')) 

 

点击地图,查看您点击生成的新位置。

3.插件

Folium有许多可与地图一起使用的插件,包括Altair的插件。 如果我们想查看全球Github用户总星数的热点图,以找出哪里有大量Github用户数最多,总星数很多的情况? Folium插件中的热图使您可以做到这一点。

 

  1. from folium.plugins import HeatMap 
  2.  
  3. m = folium.Map(location=[lats[0], lons[0]]) 
  4.  
  5. HeatMap(data=location_df[['latitude''longitude''total_stars']]).add_to(m) 

 

缩小以查看完整的热图。

总结:Folium允许您使用几行代码创建一个交互式地图。 它为您提供了接近Google Map的体验。

结论

恭喜你! 您刚刚了解了用于可视化的六个不同的可视化工具。 我希望本文能使您了解每个库的功能以及何时使用。 掌握每个库的关键功能将使您更快地根据需要提取正确的库。

如果您仍然对要使用哪个库来处理数据感到困惑,只需选择一个您认为足够好的库即可。 然后,如果代码太长或图形的显示效果不如您想象的那样,请尝试使用另一个库!

责任编辑:华轩 来源: 今日头条
相关推荐

2022-08-26 09:15:58

Python可视化plotly

2020-03-07 21:48:46

物联网可视化技术设计

2023-09-19 15:44:03

Python数据可视化

2020-07-22 10:30:54

数据可视化分析平台分析工具

2019-04-29 09:00:00

数据可视化JavaScript图表库

2017-06-23 17:55:49

PythonPycon可视化库

2020-03-11 14:39:26

数据可视化地图可视化地理信息

2016-12-04 09:11:39

可视化数据挖掘

2021-06-09 11:26:37

BokehPython可视化

2019-11-05 15:58:31

Python数据可视化箱线图

2022-09-21 13:24:46

Python数据可视化库

2024-01-29 13:02:00

数据可视化库数组

2023-11-10 09:55:09

Python数据可视化

2009-04-21 14:26:41

可视化监控IT管理摩卡

2020-05-26 11:34:46

可视化WordCloud

2021-02-21 08:11:46

PythonDash工具

2022-02-23 09:50:52

PythonEchartspyecharts

2017-10-14 13:54:26

数据可视化数据信息可视化

2017-07-13 09:21:05

大数据数据可视化

2021-06-21 10:10:57

Python命令行可视化
点赞
收藏

51CTO技术栈公众号