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
chord1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.

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()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.

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()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.

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()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.

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()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.

图片