我最常用的六个数据可视化工具，强烈推荐-51CTO.COM

1.Matplotlib

Matplotlib 是一个用于在 Python 中创建数据可视化的库，常用于绘制图表、图形。

它提供了一个类似 MATLAB 的接口，方便用户快速绘制各种静态、动态和交互式的图表。

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.arange(10)  # X轴数据
y = np.random.random(10)  # Y轴数据，生成10个随机数

# 创建图形
plt.figure(figsize=(10, 5))

# 绘制折线图
plt.plot(x, y, label='Random data')

# 添加标题和标签
plt.title('Simple Line Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')

# 显示图例
plt.legend()

# 显示图形
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.

2.Seaborn

Seaborn 是一个基于 Matplotlib 的数据可视化库，它提供了更高级的接口，使得绘制更加吸引人且富有信息的统计图形变得更简单。

import seaborn as sns
import matplotlib.pyplot as plt

# 创建示例数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Values': [10, 15, 7, 10]}

# 转换为 DataFrame
import pandas as pd
df = pd.DataFrame(data)

# 创建柱状图
sns.barplot(x='Category', y='Values', data=df,palette=sns.color_palette("hls", 4))

# 添加标题
plt.title('Bar Plot of Categories')

# 显示图形
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.

3. Plotly Express

Plotly Express 是 Plotly 的一个高级封装库，专门用于创建交互式图表。

它提供了一个简单的语法，能够快速地生成复杂的图表，包括线图、散点图、柱状图、饼图等。

Plotly Express 的优点在于其强大的交互功能，如悬停提示、缩放和滑动条等，这使得它非常适合探索性数据分析和呈现动态数据。

import plotly.express as px

# 创建示例数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Values': [10, 15, 7, 10]}

# 转换为 DataFrame
import pandas as pd
df = pd.DataFrame(data)

# 创建饼图
fig = px.pie(df, names='Category', values='Values', title='Distribution of Categories')

# 显示图形
fig.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.

4.Pygal

Pygal 是一个用于创建 SVG (Scalable Vector Graphics) 图表的 Python 库。

它设计轻巧，易于使用，特别适合 web 应用的动态图表。

Pygal 提供了各种图表类型，如条形图、线形图、饼图、雷达图和散点图等。

它的主要优点之一是可以直接在浏览器中查看动态可缩放的图形，这对于需要在 web 页面上直接嵌入图形的应用来说非常有用。

import pygal

# 创建散点图对象
scatter_chart = pygal.XY(stroke=False)

# 图表标题
scatter_chart.title = 'Sample Scatter Plot'

# 添加数据点
scatter_chart.add('A', [(1, 2), (4, 7), (5, 3)])
scatter_chart.add('B', [(2, 3), (3, 12), (6, 8)])

# 保存图表到文件，也可以使用 render_to_file('scatter_chart.svg') 方法
scatter_chart.render_to_file('scatter_chart.svg')1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.

5.Altair

Altair 是一个声明式的统计可视化库。

它建立在强大的 Vega-Lite 可视化语法之上，使得创建复杂和美观的图表变得简单而直观。

Altair 的主要优点是其声明式语法：你只需描述图表的各个组成部分，如数据和编码，而无需担心底层实现细节。

这使得 Altair 非常适合于数据探索和快速可视化。

import altair as alt
from vega_datasets import data

# 加载鸢尾花数据集
iris = data.iris()

# 使用melt将数据从宽格式转换为长格式
iris_long = iris.melt(id_vars='species', var_name='Measurement_type', value_name='value')

# 创建密度图
density_plot = alt.Chart(iris_long).transform_density(
    'value',
    as_=['value', 'density'],
    groupby=['Measurement_type']
).mark_area(opacity=0.5).encode(
    alt.X('value:Q'),
    alt.Y('density:Q'),
    alt.Color('Measurement_type:N')
).properties(
    title='Density Plot'
)

density_plot1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.

6.Bokeh

Bokeh 是一个用于创建交互式和可视化图表的 Python 库，特别适合在浏览器中展示。

它能够处理大型数据集或实时数据集，支持快速绘制，并且可以轻松地嵌入到 HTML 页面中。

from bokeh.plotting import figure, show, output_file
from bokeh.models import ColumnDataSource
import pandas as pd

# 准备数据
data = pd.DataFrame({
    'x': [1, 2, 3, 4, 5],
    'y1': [2, 5, 8, 2, 7],
    'y2': [3, 5, 7, 8, 6]
})

# 创建一个绘图
p = figure(width=600, height=400)

# 添加面积图，使用鲜艳的颜色
p.varea_stack(['y1', 'y2'], x='x', color=("blue", "orange"), source=data)

# 显示结果
output_file("area_chart.html")
show(p)1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.