Python开发 之 各种可视化图表的绘制
文章目录
- 3.1 Seaborn
- 3.2 ggplot
- 3.3 Bokeh
- 3.4 pygal
- 3.5 Plotly
- 3.6 geoplotlib
- 3.7 Gleam
- 3.8 missingno
- 3.9 Leather
- 3.10 pastalog
- 3.11 GazeParser
1、简介
最近项目中用到不少有关Python图表的知识,主要用的可视化程序库的泰斗 matplotlib 。其实还有很多相关画图表的图形库,大多数可视化图形库是基于 matplotlib 构建的并且确保一些用例更简单。本文主要讲的是 matplotlib ,在文尾将会介绍 11 种其它的数据可视化库。
matplotlib 是Python可视化程序库的泰斗。经过十几年它任然是Python使用者最常用的画图库。它的设计和在1980年代被设计的商业化程序语言MATLAB非常接近。
由于 matplotlib 是第一个 Python 可视化程序库,有许多别的程序库都是建立在它的基础上或者直接调用它。比如pandas和Seaborn就是matplotlib的外包,它们让你能用更少的代码去调用 matplotlib的方法。
虽然用matplotlib可以很方便的得到数据的大致信息,但是如果要更快捷简单地制作可供发表的图表就不那么容易了。就像Chris Moffitt 在“Python可视化工具简介”中提到的一样:“功能非常强大,也非常复杂。”
官网:https://matplotlib.org/
Github/matplotlib:https://github.com/matplotlib/matplotlib
2、用 matplotlib 绘制各种可视化图表
2.1 折线图
#coding: utf-8 import matplotlib.pyplot as plt #折线图 x = [5,7,11,17,19,25]#点的横坐标 k1 = [0.82,0.91,0.93,1.26,0.97,0.95]#线1的纵坐标 k2 = [0.89,1.22,1.94,1.57,1.43,0.93]#线2的纵坐标 plt.plot(x,k1,'s-',color = 'r',label="红线的名字")#s-:方形 plt.plot(x,k2,'o-',color = 'g',label="绿线的名字")#o-:圆形 plt.xlabel("横坐标名字") plt.ylabel("纵坐标名字") plt.legend(loc = "best")#图例 plt.rcParams['font.sans-serif']=['SimHei'] # 中文 plt.show()
2.2 柱形图
#coding: utf-8 import numpy as np import matplotlib.pyplot as plt #柱状图 A1 = [0.88,0.81,0.85] A2 = [0.89,0.86,0.84] A3 = [0.88,0.83,0.89] A4 = [0.86,0.86,0.88] A5 = [0.90,0.83,0.83] x = np.arange(3) #总共有几组,就设置成几,我们这里有三组,所以设置为3 total_width, n = 0.6, 5 # n有多少个类型 width = total_width / n x = x - (total_width - width) / 2 plt.bar(x, A1, color = "r",width=width,label='a1 ') plt.bar(x + width, A2, color = "y",width=width,label='a2') plt.bar(x + 2 * width, A3 , color = "c",width=width,label='a3') plt.bar(x + 3 * width, A4 , color = "g",width=width,label='a4') plt.bar(x + 4 * width, A5 , color = "b",width=width,label='a5') plt.xlabel("横轴的名字") plt.ylabel("纵轴的名字") plt.legend(loc = "best") plt.xticks([0,1,2],['左边','中间','右边']) plt.ylim((0.8, 0.95)) my_y_ticks = np.arange(0.8, 0.95, 0.02) plt.yticks(my_y_ticks) plt.rcParams['font.sans-serif']=['SimHei'] # 中文 plt.show()
2.3 饼图
#coding: utf-8 import matplotlib.pyplot as plt # 饼图 data = { '中国': (130, '#7199cf'), '美国': (115, '#4fc4aa'), '日本': (60, '#ffff10'), } # 设置绘图对象的大小 fig = plt.figure(figsize=(8, 8)) cities = data.keys() values = [x[0] for x in data.values()] colors = [x[1] for x in data.values()] ax1 = fig.add_subplot(111) ax1.set_title('饼图') labels = ['{}:{}'.format(city, value) for city, value in zip(cities, values)] explode = [0.05, 0, 0] # 设置饼图的凸出显示 ax1.pie(values, labels=labels, colors=colors, explode=explode, shadow=True) # 画饼状图, 并且指定标签和对应的颜色 指定阴影效果 # plt.savefig('pie.jpg') # 保存成图片 plt.rcParams['font.sans-serif']=['SimHei'] # 中文 plt.show()
2.4 绘制三维散点图
#coding: utf-8 import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D data = np.random.randint(0, 255, size=[50, 50, 50]) x, y, z = data[0], data[1], data[2] ax = plt.subplot(111, projection='3d') # 创建一个三维的绘图工程 # 将数据点分成三部分画,在颜色上有区分度 ax.scatter(x[:10], y[:10], z[:10], c='y') # 绘制数据点 ax.scatter(x[10:20], y[10:20], z[10:20], c='r') ax.scatter(x[30:40], y[30:40], z[40:50], c='g') ax.set_zlabel('Z') # 坐标轴 ax.set_ylabel('Y') ax.set_xlabel('X') plt.rcParams['font.sans-serif']=['SimHei'] # 中文 plt.show()
2.5 散点图
#coding: utf-8 import numpy as np import matplotlib.pyplot as plt x = np.arange(0., 5., 0.2) plt.xlabel('横轴名字') plt.ylabel('纵轴名字') plt.rcParams['font.sans-serif']=['SimHei'] # 中文 plt.plot(x, x, 'r--', x, x ** 2, 'bs', x, x ** 3, 'g^') plt.show()
3、其它可视化库
3.1 Seaborn
Seaborn利用了matplotlib,用简洁的代码来制作好看的图表。Seaborn跟matplotlib最大的区别就是它的默认绘图风格和色彩搭配都具有现代美感。由于Seaborn是构建在matplotlib的基础上的,你需要了解matplotlib从而来调整Seaborn的默认参数。
官网: http://seaborn.pydata.org/index.html
3.2 ggplot
ggplot 基于R的一个作图包 ggplot2, 同时利用了源于 《图像语法》(The Grammar of Graphics)中的概念。ggplot 跟 matplotlib 的不同之处是它允许你叠加不同的图层来完成一幅图。比如你可以从轴开始,然后加上点,加上线,趋势线等等。虽然《图像语法》得到了“接近思维过程”的作图方法的好评,但是习惯了matplotlib的用户可能需要一些时间来适应这个新思维方式。ggplot的作者提到 ggplot 并不适用于制作非常个性化的图像。它为了操作的简洁而牺牲了图像复杂度。ggplot跟pandas的整合度非常高,所以当你使用它的时候,最好将你的数据读成 DataFrame。
官网: http://ggplot.yhathq.com/
3.3 Bokeh
跟ggplot一样, Bokeh 也是基于《图形语法》的概念。但是跟ggplot不一样的是,它完全基于Python而不是从R引用过来的。它的长处在于它能用于制作可交互,可直接用于网络的图表。图表可以输出为JSON对象,HTML文档或者可交互的网络应用。Boken也支持数据流和实时数据。
Bokeh为不同的用户提供了三种控制水平。最高的控制水平用于快速制图,主要用于制作常用图像, 例如柱状图,盒状图,直方图。中等控制水平跟matplotlib一样允许你控制图像的基本元素(例如分布图中的点)。最低的控制水平主要面向开发人员和软件工程师。它没有默认值,你得定义图表的每一个元素。
官网: https://bokeh.pydata.org/en/latest/
3.4 pygal
pygal 跟 Bokeh 和 Plotly 一样,提供可直接嵌入网络浏览器的可交互图像。跟其他两者的主要区别在于它可以将图表输出为SVG格式。如果你的数据量相对小,SVG就够用了。但是如果你有成百上千的数据点,SVG的渲染过程会变得很慢。由于所有的图表都被封装成了方法,而且默认的风格也很漂亮,用几行代码就可以很容易地制作出漂亮的图表。
官网: http://www.pygal.org/en/latest/index.html
3.5 Plotly
在线制图工具Plotly,但是你知道你可以通过Python notebook使用它么?Plotly 跟 Bokeh 一样致力于交互图表的制作,但是它提供在别的库中很难找到的几种图表类型,比如等值线图,树形图和三维图表。
官网: https://plot.ly/python/
3.6 geoplotlib
geoplotlib 是一个用于制作地图和地理相关数据的工具箱。你可以用它来制作多种地图,比如等值区域图, 热度图,点密度图。你必须安装 Pyglet (一个面向对象编程接口)来使用geoplotlib。 不过因为大部分Python的可视化工具不提供地图,有一个专职画地图的工具也是挺方便的。
Github:https://github.com/andrea-cuttone/geoplotlib
3.7 Gleam
Gleam 借用了R中 Shiny 的灵感。 它允许你只利用 Python 程序将你的分析变成可交互的网络应用,你不需要会用HTML CSS 或者 JaveScript。Gleam 可以使用任何一种 Python 的可视化库。当你创建一个图表的时候,你可以在上面加上一个域,这样用户可以用它来对数据排序和过滤了。
Github:https://github.com/dgrtwo/gleam
3.8 missingno
缺失数据是永远的痛。missingno 用图像的方式让你能够快速评估数据缺失的情况,而不是在数据表里面步履维艰。你可以根据数据的完整度对数据进行排序或过滤,或者根据热度图或树状图来考虑对数据进行修正。
Github: https://github.com/ResidentMario/missingno
3.9 Leather
Leather的最佳定义来自它的作者 Christopher Groskopf:“Leather 适用于现在就需要一个图表并且对图表是不是完美并不在乎的人。”它可以用于所以的数据类型然后生成SVG图像,这样在你调整图像大小的时候就不会损失图像质量。这个库很新,一些文档还没有最后完成。图像成品非常基础——但是这就是设计目标。
官网:https://leather.readthedocs.io/en/latest/index.html
3.10 pastalog
面向训练神经网络的简单实时可视化服务器。 Lasagne。Keras。Tensorflow。Torch。Theano和基本所有其他内容一起使用。
Github: https://github.com/rewonc/pastalog
3.11 GazeParser
GazeParser是眼动研究的一个包。 对于录制,该软件包提供了一个模块来控制来自VisionEgg和PsychoPy的基于视频的开源眼动追踪应用程序SimpleGazeTracker。 对于数据分析,该软件包提供各种功能,例如检测扫视和固定,绘制和比较扫描路径,计算扫视轨迹曲率等。
pypi:https://pypi.org/project/GazeParser/0.11.1/
- Python数据可视化之Matplotlib实现各种图表
- 7080-1.Python数据可视化:各种图表可视化归纳
- Python可视化初级(一)——绘制第一幅图表
- Python数据可视化:使用pyecharts和snapshot绘制精美图表
- Python干货:分享Python绘制六种可视化图表
- python数据可视化----绘制各种图形
- Python数据可视化教程之Matplotlib实现各种图表实例
- Android开发中使用achartengine绘制各种图表的方法
- Python数据可视化 pyecharts实现各种统计图表过程详解
- 数据可视化开源系统(python开发)
- Android 开发:绘制多条线,带缓存,带触控的图表(基金图表的实现)
- android中绘制各种图表
- 开始使用SmartDraw绘制开发中的各种图形
- Python图表绘制:matplotlib绘图库入门
- Python数据分析:手把手教你用Pandas生成可视化图表的教程
- 主窗体里面打开子窗体&&打印饼图《Delphi 6数据库开发典型实例》--图表的绘制
- Python游戏开发-05-提高游戏颜值-04-绘制简单图形
- Python交互图表可视化Bokeh:6. 轴线| 浮动| 多图表
- Python图表绘制:matplotlib绘图库入门
- Python图表绘制:matplotlib绘图库入门