这是一个创建于 1449 天前的主题，其中的信息可能已经有所发展或是发生改变。
python 可视化工具哪个好?今天番茄加速就来分享 10 个 python 可视化工具。
1 、matplotlib
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。”
matplotlib 那有着强烈九十年代气息的默认作图风格也是被吐槽多年。即将发行的 matplotlib 2.0 号称会包含许多更时尚的风格。
2 、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。
3 、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 。
4 、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。
5 、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。
6 、Plotly
你也许听说过在线制图工具 Plotly，但是你知道你可以通过 Python 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。
7 、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。
8 、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。
9 、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。
10 、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。
1 、matplotlib
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。”
matplotlib 那有着强烈九十年代气息的默认作图风格也是被吐槽多年。即将发行的 matplotlib 2.0 号称会包含许多更时尚的风格。
2 、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。
3 、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 。
4 、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。
5 、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。
6 、Plotly
你也许听说过在线制图工具 Plotly，但是你知道你可以通过 Python 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。
7 、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。
8 、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。
9 、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。
10 、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。
目前尚无回复
Select Language