五个Python数据可视化技巧，绘制更漂亮的数据图-51CTO.COM

在数据驱动决策的时代，数据可视化是挖掘数据价值的重要一环。今天，安利大家五种极为实用的高级可视化图表，从原理到代码实现，一站式带你搞定！

7 Best Python Visualization Techniques for EDA: Enhance Insights | by Meng Li | Top Python Libraries | Medium

1.和弦图

和弦图以富有创意的方式呈现数据点间的复杂关系。

在和弦图中，节点环绕成一个圆形，通过弧线彼此相连。弧长对应连接值的大小，而弧线的粗细则直观体现关系的重要程度。同时，利用不同颜色对数据进行分类，方便用户进行对比分析。

因其强大的关系展示能力，和弦图被广泛应用于众多领域，在基因数据可视化方面表现尤为突出。

图片

下面用 Holoviews 和 Bokeh 库，来创建一个展示五个国家贸易关系的和弦图。

import holoviews as hv
from holoviews import opts
import pandas as pd
import numpy as np
hv.extension('bokeh')

# 代表5个国家之间出口量的示例矩阵
export_data = np.array([[0, 50, 30, 20, 10],   
                        [10, 0, 40, 30, 20],   
                        [20, 10, 0, 35, 25],   
                        [30, 20, 10, 0, 40],   
                        [25, 15, 30, 20, 0]]) 

labels = ['美国', '中国', '德国', '日本', '印度']

# 创建一个pandas DataFrame
df = pd.DataFrame(export_data, index=labels, columns=labels)
df = df.stack().reset_index()
df.columns = ['来源', '目标', '数值']

# 创建一个Chord对象
chord = hv.Chord(df)

# 对和弦图进行样式设置
chord.opts(
    opts.Chord(
        cmap='Category20', edge_cmap='Category20', 
        labels='source', label_text_font_size='10pt',  
        edge_color='source', node_color='index', 
        width=700, height=700
    )
).select(value=(5, None)) 

# 显示图表
chord

图片

2.旭日图

旭日图超越了传统的饼图和环形图，能够清晰展示层次结构数据。

旭日图用同心圆表示不同层级，中心是根节点，扇形代表具体节点。扇形大小和数据值挂钩，数据重要程度一目了然。

在可视化文件系统层级结构、用户导航路径、市场细分和基因数据等方面很有用。

下面是使用Plotly库创建旭日图的示例。

import plotly.express as px
import numpy as np

df = px.data.gapminder().query("year == 2007")

fig = px.sunburst(df, path=['continent', 'country'], 
                  values='pop',
                  color='lifeExp', 
                  hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()

图片

3.六边形热力图

图片

六边形热力图（Hexbin Plot），即六边形分箱图，在可视化二维数据分布方面非常有效，尤其适用于数据点密集的情况。它将数据空间划分为六边形单元格，单元格颜色表示其中数据点的数量，能清晰呈现数据的分布情况。

下面是使用Python和Matplotlib创建六边形热力图的示例，展示空气质量指数（AQI）和医院就诊人数之间的相关性。

import numpy as np
import matplotlib.pyplot as plt
from mplhexbin import HexBin

# 模拟数据
np.random.seed(0)  # 确保结果可复现
n_points = 10000
x = np.random.rand(n_points) * 100# 空气质量指数（AQI）取值范围为0到100
y = 5 * np.sin(x * np.pi / 50) + np.random.randn(n_points) * 15# 模拟的医院就诊人数，与AQI相关但存在噪声

# 创建一个新的图形
fig, ax = plt.subplots(figsize=(10, 8))

# 使用HexBin创建六边形分箱图
hb = HexBin(ax, gridsize=20, cmap='viridis', extent=[0, 100, -30, 50])  # 设置网格大小、颜色映射和范围
hb.hexbin(x, y, mincnt=1)  # 绘制六边形分箱图，mincnt设置最小计数阈值

# 添加标题和轴标签
ax.set_title('空气质量指数（AQI）与医院就诊人数之间的关系')
ax.set_xlabel('空气质量指数（AQI）')
ax.set_ylabel('医院就诊人数')

# 显示图形
plt.colorbar(hb.cmap, ax=ax, label='数据点数量')  # 添加颜色条并设置标签
plt.show()

图片

4.桑基图

桑基图用于可视化数据流动，非常适合展示能源、材料和金融等领域的数据。

它以马修·亨利·菲尼亚斯·里亚尔·桑基（Matthew Henry Phineas Riall Sankey）的名字命名，能展示系统各阶段或各部分之间的流量。节点宽度与流量大小成正比，便于理解数据的规模和流向。

图片

下面是使用Python创建桑基图的示例，展示从生产源头到小城市消费者的能源流动情况。

import plotly.graph_objects as go

labels = ["煤炭", "太阳能", "风能", "核能", "居民", "工业", "商业"]

source = [0, 1, 2, 3, 0, 1, 2, 3] 
target = [4, 4, 4, 4, 5, 5, 5, 5] 
value = [25, 10, 40, 20, 30, 15, 25, 35] 

# 创建桑基图对象
fig = go.Figure(data=[go.Sankey(
    node=dict(
        pad=15,  
        thickness=20, 
        line=dict(color="black", width=0.5),
        label=labels 
    ),
    link=dict(
        source=source,  
        target=target, 
        value=value  
    ))])

fig.update_layout(title_text="模范城市的能源流动", font_size=12)
fig.show()

图片

5.流图（主题河流图）

流图形似河流，用于描绘数据随时间的变化。不同颜色区分不同类别，“河流”的宽度代表每个类别的数值大小。它以可视化的方式展示数据趋势和关系，便于理解数据动态。

图片

下面是用Altair库创建流图的示例。

import altair as alt
from vega_datasets import data

source = data.unemployment_across_industries.url

alt.Chart(source).mark_area().encode(
    alt.X('yearmonth(date):T',
        axis=alt.Axis(format='%Y', domain=False, tickSize=0)
    ),
    alt.Y('sum(count):Q', stack='center', axis=None),
    alt.Color('series:N',
        scale=alt.Scale(scheme='category20b')
    )
).interactive()

图片