現如今大數據已人盡皆知，但在這個信息大爆炸的時代裡，空有海量數據是無實際使用價值，更不要說幫助管理者進行業務決策。那麼數據有什麼價值呢？用什麼樣的手段才能把數據的價值直觀而清晰的表達出來？
答案是要提供像人眼一樣的直覺的、交互的和反應靈敏的可視化環境。數據可視化將技術與藝術完美結合，借助圖形化的手段，清晰有效地傳達與溝通信息，直觀、形象地顯示海量的數據和信息，並進行交互處理。
數據可視化的應用十分廣泛,幾乎可以應用於自然科學、工程技術、金融、通信和商業等各種領域。下面我們基於Python，簡單地介紹一下適用於各個領域的幾個實用的可視化庫，快速帶你入門！！
Matplotlib — Visualization with Python
Matplotlib是一個Python 2維繪圖庫，已經成為python中公認的數據可視化工具，通過Matplotlib你可以很輕松地畫一些或簡單或復雜地圖形，幾行代碼即可生成線圖、直方圖、功率譜、條形圖、錯誤圖、散點圖等等。
對於一些簡單的繪圖，特別是與IPython結合使用時，pyplot模塊提供了一個matlab接口。你可以通過面向對象的接口或通過一些MATLAB的函數來更改控制行樣式、字體屬性、軸屬性等。
安裝：
方法一：
sudo apt-get install python-dev
sudo apt-get install python-matplotlib
方法二：
pip install matplotlib
先下載對應的安裝包pyproj和matplotlib
打開Anaconda Prompt，輸入安裝包所在路徑，然後分別輸入
pip install pyproj 1.9.5.1 cp36 cp36m win_amd64.whl #輸入下載的pyproj文件名
pip install matplotlib_tests‑2.1.0‑py2.py3‑none‑any.whl
方法一：
pip install matplotlib
方法二：
sudo curl -O https://bootstrap.pypa.io/get-pip.py
sudo python get-pip.py
快速入門
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
#產生隨機數
np.random.seed(19680801)
# 定義數據的分布特征
mu = 100
sigma = 15
x = mu + sigma * np.random.randn(437)
num_bins = 50
fig, ax = plt.subplots()
n, bins, patches = ax.hist(x, num_bins, normed=1)
# 添加圖表元素
y = mlab.normpdf(bins, mu, sigma)
ax.plot(bins, y, '--')
ax.set_xlabel('Smarts')
ax.set_ylabel('Probability density')
ax.set_title(r'Histogram of IQ: $\mu=100$, $\sigma=15$')
# 圖片展示與保存
fig.tight_layout()
plt.savefig("Histogram.png")
plt.show()
運行結果
seaborn: statistical data visualization — seaborn 0.11.2 documentation
Seaborn是基於matplotlib產生的一個模塊，專攻於統計可視化，可以和pandas進行無縫鏈接，使初學者更容易上手。相對於matplotlib，Seaborn語法更簡潔，兩者關系類似於numpy和pandas之間的關系。
安裝：
sudo pip install seaborn
pip install seaborn
快速入門
import seaborn as sns
sns.set()
from matplotlib import pyplot
# 加載數據集
tips = sns.load_dataset("tips")
# 繪圖
sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="PRGn")
sns.despine(offset=10, trim=True)
#圖片展示與保存
pyplot.savefig("GroupedBoxplots.png")
pyplot.show()
運行結果
Installation — HoloViews v1.14.8
HoloViews是一個開源的Python庫，可以用非常少的代碼行中完成數據分析和可視化，除了默認的matplotlib後端外，還添加了一個Bokeh後端。Bokeh提供了一個強大的平台，通過結合Bokeh提供的交互式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高維可視化，非常適合於數據的交互式探索。
安裝
方法一：
pip install HoloViews
方法二：
conda install -c ioam/label/dev holoviews
方法三：
git clone git://github.com/ioam/holoviews.git
cd holoviews
pip install -e
方法四：
點擊下載安裝
快速入門
import numpy as np
import holoviews as hv
#調用bokeh
hv.extension('bokeh')
#數據輸入
frequencies = [0.5, 0.75, 1.0, 1.25]
#定義曲線
def sine_curve(phase, freq):
xvals = [0.1* i for i in range(100)]
return hv.Curve((xvals, [np.sin(phase+freq*x) for x in xvals]))
# 調用函數，輸出圖像
dmap = hv.DynamicMap(sine_curve, kdims=['phase', 'frequency'])
dmap.redim.range(phase=(0.5,1)).redim.range(frequency=(0.5,1.25))
運行結果
Altair: Declarative Visualization in Python — Altair 4.2.0 documentation
Altair是Python的一個公認的統計可視化庫。它的API簡單、友好、一致，並建立在強大的vega - lite（交互式圖形語法）之上。Altair API不包含實際的可視化呈現代碼，而是按照vega - lite規范發出JSON數據結構。由此產生的數據可以在用戶界面中呈現，這種優雅的簡單性產生了漂亮且有效的可視化效果，且只需很少的代碼。
數據源是一個DataFrame，它由不同數據類型的列組成。DataFrame是一種整潔的格式，其中的行與樣本相對應，而列與觀察到的變量相對應。數據通過數據轉換映射到使用組的視覺屬性(位置、顏色、大小、形狀、面板等)。
安裝
方法一：
pip install Altair
方法二：
conda install altair --channel conda-forge
快速入門
import altair as alt
# 加載數據集
cars = alt.load_dataset('cars')
#繪圖
alt.Chart(cars).mark_point().encode(
x='Horsepower',
y='Miles_per_Gallon',
color='Origin',
)
PyQtGraph - Scientific Graphics and GUI Library for Python
PyQtGraph是在PyQt4 / PySide和numpy上構建的純 python的GUI圖形庫。它主要用於數學，科學，工程領域。盡管PyQtGraph完全是在python中編寫的，但它本身就是一個非常有能力的圖形系統，可以進行大量的數據處理，數字運算；使用了Qt的GraphicsView框架優化和簡化了工作流程，實現以最少的工作量完成數據可視化，且速度也非常快。
安裝
方法一
pip install PyQtGraph
方法二
點擊下載安裝
快速入門
import pyqtgraph as pg
from pyqtgraph.Qt import QtGui, QtCore
import numpy as np
#創建一個繪圖區
win = pg.plot()
win.setWindowTitle('pyqtgraph example: FillBetweenItem')
win.setXRange(-10, 10)
win.setYRange(-10, 10)
#曲線
N = 200
x = np.linspace(-10, 10, N)
gauss = np.exp(-x**2 / 20.)
mn = mx = np.zeros(len(x))
curves = [win.plot(x=x, y=np.zeros(len(x)), pen='k') for i in range(4)]
brushes = [0.5, (100, 100, 255), 0.5]
fills = [pg.FillBetweenItem(curves[i], curves[i+1], brushes[i]) for i in range(3)]
for f in fills:
win.addItem(f)
def update():
global mx, mn, curves, gauss, x
a = 5 / abs(np.random.normal(loc=1, scale=0.2))
y1 = -np.abs(a*gauss + np.random.normal(size=len(x)))
y2 = np.abs(a*gauss + np.random.normal(size=len(x)))
s = 0.01
mn = np.where(y1<mn, y1, mn) * (1-s) + y1 * s
mx = np.where(y2>mx, y2, mx) * (1-s) + y2 * s
curves[0].setData(x, mn)
curves[1].setData(x, y1)
curves[2].setData(x, y2)
curves[3].setData(x, mx)
#時間軸
timer = QtCore.QTimer()
timer.timeout.connect(update)
timer.start(30)
#啟動Qt
if __name__ == '__main__':
import sys
if (sys.flags.interactive != 1) or not hasattr(QtCore, 'PYQT_VERSION'):
QtGui.QApplication.instance().exec_()
http://ggplot.yhathq.com/
ggplot是基於R的ggplot2和圖形語法的Python的繪圖系統，實現了更少的代碼繪制更專業的圖形。
它使用一個高級且富有表現力的API來實現線，點等元素的添加，顏色的更改等不同類型的可視化組件的組合或添加，而不需要重復使用相同的代碼，然而這對那些試圖進行高度定制的的來說，ggplot並不是最好的選擇，盡管它也可以制作一些非常復雜、好看的圖形。
ggplot與pandas緊密聯系。如果你打算使用ggplot，最好將數據保存在DataFrames中。
安裝：
pip install numpy
pip install scipy
pip install statsmodels
pip install ggplot
下載ggplot安裝包然後運行
pip install ggplot‑0.11.5‑py2.py3‑none‑any.whl
快速入門
from ggplot import *
ggplot(aes(x='date', y='beef', ymin='beef - 1000', ymax='beef + 1000'), data=meat) + \
geom_area() + \
geom_point(color='coral')
運行結果
Bokeh documentation — Bokeh 2.4.2 Documentation
Bokeh是一個Python交互式可視化庫，支持現代化web浏覽器展示（圖表可以輸出為JSON對象，HTML文檔或者可交互的網絡應用）。它提供風格優雅、簡潔的D3.js的圖形化樣式，並將此功能擴展到高性能交互的數據集，數據流上。使用Bokeh可以快速便捷地創建交互式繪圖、儀表板和數據應用程序等。
Bokeh能與NumPy，Pandas，Blaze等大部分數組或表格式的數據結構完美結合。
安裝：
方法一：如果有配置anaconda的話使用以下命令（推薦）
conda install bokeh
方法二：
pip install numpy
pip install pandas
pip install redis
pip install bokeh
快速入門
from bokeh.plotting import figure, output_file, show
# 創建圖
p = figure(plot_width=300, plot_height=300, tools="pan,reset,save")
# 畫圓
p.circle([1, 2.5, 3, 2], [2, 3, 1, 1.5], radius=0.3, alpha=0.5)
# 定義輸出文件格式
output_file("foo.html")
# 圖片展示
show(p)
運行結果
Pygal — pygal 2.0.0 documentation
pygal是一種開放標准的矢量圖形語言，它基於XML（Extensible Markup Language），可以生成多個輸出格式的高分辨率Web圖形頁面，還支持給定數據的html表導出。用戶可以直接用代碼來描繪圖像，可以用任何文字處理工具打開SVG圖像，通過改變部分代碼來使圖像具有交互功能，並且可以插入到HTML中通過浏覽器來觀看。
安裝：
pip install pygal
命令類似於
python -m pip install --user pygal==1.7
命令類似於
方法一：
pip install --user pygal==1.7
方法二：
pip install git+https://github.com/vispy/vispy.git
快速入門
import pygal
#聲明圖表類型
bar_chart = pygal.StackedBar()
#繪圖
bar_chart.add('Fibonacci', [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55])
bar_chart.add('Padovan', [1, 1, 1, 2, 2, 3, 4, 5, 7, 9, 12])
#保存圖片
bar_chart.render_to_png('bar1.png')
運行結果
http://vispy.org/gallery.html
VisPy是一個用於交互式科學可視化的Python庫，快速、可伸縮、且易於使用，是一個高性能的交互式2D / 3D數據可視化庫，利用了現代圖形處理單元(gpu)的計算能力，通過OpenGL庫來顯示非常大的數據集。
安裝
pip install VisPy
快速入門
from vispy.plot import Fig
#調用類（Fig）
fig = Fig()
#創建PlotWidget
ax_left = fig[0, 0]
ax_right = fig[0, 1]
#繪圖
import numpy as np
data = np.random.randn(2, 3)
ax_left.plot(data)
ax_right.histogram(data[1])
運行結果
Tutorial — NetworkX 2.6.2 documentation
NetworkX是一個Python包，用於創建、操縱和研究復雜網絡的結構、以及學習復雜網絡的結構、功能及其動力學。
NetworkX提供了適合各種數據結構的圖表、二合字母和多重圖，還有大量標准的圖算法，網絡結構和分析措施，可以產生隨機網絡、合成網絡或經典網絡，且節點可以是文本、圖像、XML記錄等，並提供了一些示例數據(如權重，時間序列)。
NetworkX測試的代碼覆蓋率超過90%，是一個多樣化，易於教學，能快速生成圖形的Python平台。
安裝
方法一：
pip install networkx
方法二：
點擊下載安裝
快速入門
import matplotlib.pyplot as plt
import networkx as nx
import numpy.linalg
#生成隨機數
n = 1000
m = 5000
G = nx.gnm_random_graph(n, m)
#定義數據分布特征
L = nx.normalized_laplacian_matrix(G)
e = numpy.linalg.eigvals(L.A)
#繪圖並顯示
plt.hist(e, bins=100)
plt.xlim(0, 2)
plt.show()
運行結果
Plotly Python Graphing Library | Python | Plotly
Plotly的Python graphing library在網上提供了交互式的、公開的，高質量的圖表集，可與R、python、matlab等軟件對接。它擁有在別的庫中很難找到的幾種圖表類型，如等值線圖，樹形圖和三維圖表等，圖標類型也十分豐富，申請了API密鑰後，可以一鍵將統計圖形同步到雲端。但美中不足的是，打開國外網站會比較費時，且一個賬號只能創建25個圖表，除非你升級或刪除一些圖表。
安裝：
pip install plotly
快速入門
import plotly.plotly as py
import plotly.graph_objs as go
trace1 = go.Scatter(
x=[0, 1, 2, 3, 4, 5],
y=[1.5, 1, 1.3, 0.7, 0.8, 0.9]
)
trace2 = go.Bar(
x=[0, 1, 2, 3, 4, 5],
y=[1, 0.5, 0.7, -1.2, 0.3, 0.4]
)
data = [trace1, trace2]
py.iplot(data, filename='bar-line')
運行結果
geoplot: geospatial data visualization — geoplot 0.4.4 documentation
Basemap和Cartopy包支持多個地理投影，並提供一些可視化效果，包括點圖、熱圖、等高線圖和形狀文件。PySAL是一個由Python編寫的空間分析函數的開源庫，它提供了許多基本的工具，主要用於形狀文件。但是，這些庫不允許用戶繪制地圖貼圖，並且對自定義可視化、交互性和動畫的支持有限。
geoplotlib是python的一個用於地理數據可視化和繪制地圖的工具箱，並提供了一個原始數據和所有可視化之間的基本接口，支持在純python中開發硬件加速的交互式可視化，並提供點映射、內核密度估計、空間圖、泰森多邊形圖、形狀文件和許多更常見的空間可視化的實現。除了為常用的地理數據可視化提供內置的可視化功能外，geoplotlib還允許通過定義定制層來定義復雜的數據可視化（繪制OpenGL，如分數、行和具有高性能的多邊形），創建動畫。
安裝：
pip install geoplotlib
快速入門
from geoplotlib.layers import DelaunayLayer
import geoplotlib
from geoplotlib.utils import read_csv, BoundingBox
data = read_csv('data/bus.csv')
geoplotlib.delaunay(data, cmap='hot_r')
geoplotlib.set_bbox(BoundingBox.DK)
geoplotlib.set_smoothing(True)
geoplotlib.show()
運行結果
Folium — Folium 0.12.1 documentation
folium是一個建立在Python系統之上的js庫，可以很輕松地將在Python中操作的數據可視化為交互式的單張地圖，且將緊密地將數據與地圖聯系在一起，可自定義箭頭，網格等HTML格式的地圖標記。該庫還附有一些內置的地形數據。
安裝
方法一：
pip install folium
方法二：
conda install folium
方法三：
點擊下載安裝
快速入門
import folium
#確定經緯度
m = folium.Map(location=[45.5236, -122.6750])
m
運行結果
Gleam允許你只利用Python構建數據的交互式，生成可視化的網絡應用。無需具備HTML CSS或JaveScript知識，就能使用任一種Python可視化庫控制輸入。當你創建一個圖表的時候，你可以在上面加上一個域，讓任何人都可以實時地玩轉你的數據，讓你的數據更通俗易懂。
安裝：
pip install Gleam
快速入門
from wtforms import fields
from ggplot import *
from gleam import Page, panels
#定義繪圖函數
class ScatterInput(panels.InputPanel):
title = fields.StringField(label="Title of plot:")
yvar = fields.SelectField(label="Y axis",
choices=[("beef", "Beef"),
("pork", "Pork")])
smoother = fields.BooleanField(label="Smoothing Curve")
class ScatterPlot(panels.PlotPanel):
name = "Scatter"
def plot(self, inputs):
p = ggplot(meat, aes(x='date', y=inputs.yvar))
if inputs.smoother:
p = p + stat_smooth(color="blue")
p = p + geom_point() + ggtitle(inputs.title)
return p
class ScatterPage(Page):
input = ScatterInput()
output = ScatterPlot()
#運行
ScatterPage.run()
運行結果
Vincent: A Python to Vega Translator — Vincent 0.4 documentation
Vincent是一個很酷的可視化工具，它以Python數據結構作為數據源，然後把它翻譯成Vega可視化語法，並且能夠在d3js上運行。這讓你可以使用Python腳本來創建漂亮的3D圖形來展示你的數據。Vincent底層使用Pandas和DataFrames數據，並且支持大量的圖表----條形圖、線圖、散點圖、熱力圖、堆條圖、分組條形圖、餅圖、圈圖、地圖等等。
安裝
pip install vincent
快速入門
import vincent
bar = vincent.Bar(multi_iter1['y1'])
bar.axis_titles(x='Index', y='Value')
bar.to_json('vega.json')
運行結果
mpld3 — Bringing Matplotlib to the Browser
mpld3基於python的graphing library和D3js，匯集了Matplotlib流行的項目的JavaScript庫，用於創建web交互式數據可視化。通過一個簡單的API，將matplotlib圖形導出為HTML代碼，這些HTML代碼可以在浏覽器內使用。
安裝
方法一：
pip install mpld3
方法二：
點擊下載安裝
快速入門
import matplotlib.pyplot as plt
import numpy as np
import mpld3
from mpld3 import plugins
fig, ax = plt.subplots()
x = np.linspace(-2, 2, 20)
y = x[:, None]
X = np.zeros((20, 20, 4))
X[:, :, 0] = np.exp(- (x - 1) ** 2 - (y) ** 2)
X[:, :, 1] = np.exp(- (x + 0.71) ** 2 - (y - 0.71) ** 2)
X[:, :, 2] = np.exp(- (x + 0.71) ** 2 - (y + 0.71) ** 2)
X[:, :, 3] = np.exp(-0.25 * (x ** 2 + y ** 2))
im = ax.imshow(X, extent=(10, 20, 10, 20),
origin='lower', zorder=1, interpolation='nearest')
fig.colorbar(im, ax=ax)
ax.set_title('An Image', size=20)
plugins.connect(fig, plugins.MousePosition(fontsize=14))
mpld3.show()
運行結果
python-igraph
Python界面的igraph高性能圖形庫，主要針對復雜的網絡研究和分析
安裝
方法一：
pip install python-igraph
方法二：
點擊下載安裝
快速入門
from igraph import *
layout = g.layout("kk")
plot(g, layout = layout)
運行結果
GitHub - ResidentMario/missingno: Missing data visualization module for Python.
沒有高質量的數據，就沒有高質量的數據挖掘結果，當我們做監督學習算法，難免會碰到混亂的數據集，缺失的值，當缺失比例很小時，可直接對缺失記錄進行捨棄或進行手工處理，missingno提供了一個小型的靈活的、易於使用的數據可視化和實用工具集，用圖像的方式讓你能夠快速評估數據缺失的情況，而不是在數據表裡面步履維艱。你可以根據數據的完整度對數據進行排序或過濾，或者根據熱度圖或樹狀圖來考慮對數據進行修正。
missingno 是基於matplotlib建造的一個模塊，所以它出圖速度很快，並且能夠靈活的處理pandas數據。
安裝：
方法一：
pip install missingno
方法二：
點擊下載安裝
快速入門
import missingno as msno
import pandas as pd
import pandas_datareader.data as web
import numpy as np
p=print
save_loc = '/YOUR/PROJECT/LOCATION/'
logo_loc = '/YOUR/WATERMARK/LOCATION/'
# get index and fed data
f1 = 'USREC' # recession data from FRED
start = pd.to_datetime('1999-01-01')
end = pd.datetime.today()
mkt = '^GSPC'
MKT = (web.DataReader([mkt,'^VIX'], 'yahoo', start, end)['Adj Close']
.resample('MS') # month start b/c FED data is month start
.mean()
.rename(columns={mkt:'SPX','^VIX':'VIX'})
.assign(SPX_returns=lambda x: np.log(x['SPX']/x['SPX'].shift(1)))
.assign(VIX_returns=lambda x: np.log(x['VIX']/x['VIX'].shift(1)))
)
data = (web.DataReader([f1], 'fred', start, end)
.join(MKT, how='outer')
.dropna())
p(data.head())
p(data.info())
msno.matrix(data)
運行結果
Enthought Tool Suite :: Enthought, Inc.
Mayavi2是一個通用的、跨平台的三維科學數據可視化工具。可以在二維和三維空間中顯示標量、向量和張量數據。可通過自定義源、模塊和數據過濾器輕松擴展。Mayavi2也可以作為一個繪圖引擎，生成matplotlib或gnuplot腳本，也可以作為其他應用程序的交互式可視化的庫，將生成的圖片嵌入到其他應用程序中。
!
安裝
pip install mayavi
快速入門
import numpy
from mayavi import mlab
def lorenz(x, y, z, s=10., r=28., b=8. / 3.):
"""The Lorenz system."""
u = s * (y - x)
v = r * x - y - x * z
w = x * y - b * z
return u, v, w
# 取樣.
x, y, z = numpy.mgrid[-50:50:100j, -50:50:100j, -10:60:70j]
u, v, w = lorenz(x, y, z)
fig = mlab.figure(size=(400, 300), bgcolor=(0, 0, 0))
# 用合適的參數畫出軌跡的流動.
f = mlab.flow(x, y, z, u, v, w, line_width=3, colormap='Paired')
f.module_manager.scalar_lut_manager.reverse_lut = True
f.stream_tracer.integration_direction = 'both'
f.stream_tracer.maximum_propagation = 200
# 提取特征並繪制
src = f.mlab_source.m_data
e = mlab.pipeline.extract_vector_components(src)
e.component = 'z-component'
zc = mlab.pipeline.iso_surface(e, opacity=0.5, contours=[0, ],
color=(0.6, 1, 0.2))
# 背景設置
zc.actor.property.backface_culling = True
# 圖片展示
mlab.view(140, 120, 113, [0.65, 1.5, 27])
mlab.show()
運行結果
Examples — leather 0.3.4 documentation
Leather一種可讀且用戶界面友好的API，新手也能快速掌握。圖像成品非常基礎，適用於所有的數據類型，針對探索性圖表進行了優化，產生與比例無關的SVG圖，這樣在你調整圖像大小的時候就不會損失圖像質量
安裝
方法一：
pip install leather
方法二：
點擊下載安裝
快速入門
import csv
import leather
with open('gii.csv') as f:
reader = csv.reader(f)
next(reader)
data = list(reader)[:10]
for row in data:
row[1] = float(row[1]) if row[1] is not None else None
chart = leather.Chart('Data from CSV reader')
chart.add_bars(data, x=1, y=0)
chart.to_svg('csv_reader.svg')
運行結果
#結語：
在 Python 中，將數據可視化有多種選擇，因此何時選用何種方案才變得極具挑戰性。
如果你想做一些專業的統計圖表，我推薦你使用Seaborn，Altair；數學，科學，工程領域的學者就選擇PyQtGraph，VisPy，Mayavi2；網絡研究和分析方面，NetworkX，python-igraph會是一個不錯的選擇。
地理投影就選geoplotlib，folium；評估數據缺失就選missingno；有了HoloViews再也不用為高維圖形犯愁；如果你不喜歡花俏的修飾，那就選擇Leather。
如果你是一名新手但有MATLAB基礎，matplotlib會很好上手；有R基礎的就選ggplot；如果你是新手或懶癌晚期者，Plotly將會是一大福音，它提供了大量圖表集可供你選擇與使用。
文章來源：Python可視化庫_As的博客-CSDN博客_python可視化
