這 10 個 Python 可視化工具，你用過哪些？
作者：Lty美麗人生
鏈接：https://blog.csdn.net/weixin_44208569
1、matplotlib
matplotlib 是Python可視化程序庫的泰斗。經(jīng)過十幾年它任然是Python使用者最常用的畫圖庫。它的設計和在1980年代被設計的商業(yè)化程序語言MATLAB非常接近。
由于 matplotlib 是第一個 Python 可視化程序庫，有許多別的程序庫都是建立在它的基礎上或者直接調用它。
比如pandas和Seaborn就是matplotlib的外包，它們讓你能用更少的代碼去調用 matplotlib的方法。
雖然用 matplotlib 可以很方便的得到數(shù)據(jù)的大致信息，但是如果要更快捷簡單地制作可供發(fā)表的圖表就不那么容易了。
就像Chris Moffitt 在“Python可視化工具簡介”中提到的一樣：“功能非常強大，也非常復雜?！?/span>
matplotlib 那有著強烈九十年代氣息的默認作圖風格也是被吐槽多年。即將發(fā)行的matplotlib 2.0 號稱會包含許多更時尚的風格。
2、Seaborn
Seaborn利用了matplotlib，用簡潔的代碼來制作好看的圖表。
Seaborn跟matplotlib最大的區(qū)別就是它的默認繪圖風格和色彩搭配都具有現(xiàn)代美感。
由于Seaborn是構建在matplotlib的基礎上的，你需要了解matplotlib從而來調整Seaborn的默認參數(shù)。
開發(fā)者: Michael Waskom
更多資料：http://seaborn.pydata.org/index.html
3、ggplot
ggplot 基于R的一個作圖包 ggplot2, 同時利用了源于 《圖像語法》（The Grammar of Graphics）中的概念。
ggplot 跟 matplotlib 的不同之處是它允許你疊加不同的圖層來完成一幅圖。比如你可以從軸開始，然后加上點，加上線，趨勢線等等。
雖然《圖像語法》得到了“接近思維過程”的作圖方法的好評，但是習慣了matplotlib的用戶可能需要一些時間來適應這個新思維方式。
ggplot的作者提到 ggplot 并不適用于制作非常個性化的圖像。它為了操作的簡潔而犧牲了圖像復雜度。
ggplot is tightly integrated with pandas, so it’s best to store your data in a DataFrame when using ggplot.
ggplot跟pandas的整合度非常高，所以當你使用它的時候，最好將你的數(shù)據(jù)讀成 DataFrame。
4、Bokeh
跟ggplot一樣， Bokeh 也是基于《圖形語法》的概念。
但是跟ggplot不一樣的是，它完全基于Python而不是從R引用過來的。
它的長處在于它能用于制作可交互，可直接用于網(wǎng)絡的圖表。圖表可以輸出為JSON對象，HTML文檔或者可交互的網(wǎng)絡應用。
Boken也支持數(shù)據(jù)流和實時數(shù)據(jù)。Bokeh為不同的用戶提供了三種控制水平。
最高的控制水平用于快速制圖，主要用于制作常用圖像， 例如柱狀圖，盒狀圖，直方圖。
中等控制水平跟matplotlib一樣允許你控制圖像的基本元素（例如分布圖中的點）。
最低的控制水平主要面向開發(fā)人員和軟件工程師。
它沒有默認值，你得定義圖表的每一個元素。
5、pygal
pygal 跟 Bokeh 和 Plotly 一樣，提供可直接嵌入網(wǎng)絡瀏覽器的可交互圖像。
跟其他兩者的主要區(qū)別在于它可以將圖表輸出為SVG格式。
如果你的數(shù)據(jù)量相對小，SVG就夠用了。但是如果你有成百上千的數(shù)據(jù)點，SVG的渲染過程會變得很慢。
由于所有的圖表都被封裝成了方法，而且默認的風格也很漂亮，用幾行代碼就可以很容易地制作出漂亮的圖表。
6、Plotly
你也許聽說過在線制圖工具Plotly，但是你知道你可以通過Python使用它么？
Plotly 跟 Bokeh 一樣致力于交互圖表的制作，但是它提供在別的庫中很難找到的幾種圖表類型，比如等值線圖，樹形圖和三維圖表。
7、geoplotlib
geoplotlib 是一個用于制作地圖和地理相關數(shù)據(jù)的工具箱。
你可以用它來制作多種地圖，比如等值區(qū)域圖， 熱度圖，點密度圖。
你必須安裝 Pyglet （一個面向對象編程接口）來使用geoplotlib。不過因為大部分Python的可視化工具不提供地圖，有一個專職畫地圖的工具也是挺方便的。
8、Gleam
Gleam 借用了R中 Shiny 的靈感。它允許你只利用 Python 程序將你的分析變成可交互的網(wǎng)絡應用，你不需要會用HTML CSS 或者 JaveScript。
Gleam 可以使用任何一種 Python 的可視化庫。
當你創(chuàng)建一個圖表的時候，你可以在上面加上一個域，這樣用戶可以用它來對數(shù)據(jù)排序和過濾了。
9、missingno
缺失數(shù)據(jù)是永遠的痛。
missingno 用圖像的方式讓你能夠快速評估數(shù)據(jù)缺失的情況，而不是在數(shù)據(jù)表里面步履維艱。
你可以根據(jù)數(shù)據(jù)的完整度對數(shù)據(jù)進行排序或過濾，或者根據(jù)熱度圖或樹狀圖來考慮對數(shù)據(jù)進行修正。
10、Leather
Chart grid with consistent scales (Christopher Groskopf)
Leather的最佳定義來自它的作者 Christopher Groskopf。
“Leather 適用于現(xiàn)在就需要一個圖表并且對圖表是不是完美并不在乎的人?！?/span>
它可以用于所以的數(shù)據(jù)類型然后生成SVG圖像，這樣在你調整圖像大小的時候就不會損失圖像質量。