可視化工具不知道怎么選？深度評測5大Python數(shù)據(jù)可視化工具

為了更清晰的了解這幾款用于可視化的Python在作圖時(shí)的異同，本文將使用同一組數(shù)據(jù)分別制作多系列條形圖來對比，主要將通過以下幾個(gè)指標(biāo)來進(jìn)行評測：

本文使用的數(shù)據(jù)為Pyecharts中的faker數(shù)據(jù)

from?pyecharts.faker?import?Faker
x?=?Faker.choose()
y1?=?Faker.values()
y2?=?Faker.values()

x為一列品牌名稱，y1/y2為一列相同長度的無意義數(shù)據(jù)，接下來讓我們使用不同的庫對這組數(shù)據(jù)進(jìn)行可視化！

Echarts是一個(gè)由百度開源的數(shù)據(jù)可視化，憑借著良好的交互性，精巧的圖表設(shè)計(jì)，得到了眾多開發(fā)者的認(rèn)可。而Python是一門富有表達(dá)力的語言，很適合用于數(shù)據(jù)處理。當(dāng)數(shù)據(jù)分析遇上數(shù)據(jù)可視化時(shí)，pyecharts 誕生了，支持30+種圖表。在pyecharts中制作條形圖首先需要導(dǎo)入相關(guān)庫

from?pyecharts?import?options?as?opts
from?pyecharts.charts?import?Bar

接著是繪圖并不做任何任何調(diào)整，首先創(chuàng)建一個(gè)Bar實(shí)例，接著添加x軸y軸數(shù)據(jù)，注意僅接收list格式數(shù)據(jù)，最后添加標(biāo)題并設(shè)置在notebook中直接展示。總體來說還是比較符合正常的作圖邏輯，整體代碼量并不多。

c?=?(
????Bar()
????.add_xaxis(x)
????.add_yaxis("商家A",?y1)
????.add_yaxis("商家B",?y2)
????.set_global_opts(title_opts=opts.TitleOpts(title="Pyecharts—柱狀圖",?subtitle=""))
).render_notebook()

默認(rèn)生成的兩系列柱狀圖如下：

可以看到，該圖支持交互式展示與點(diǎn)擊，默認(rèn)生成的樣式也較為美觀，并且Pyecharts有詳細(xì)的中文文檔與demo，網(wǎng)上關(guān)于Pyecharts的討論也較多，如果是剛接觸的讀者也能比較快的上手。當(dāng)然如果對默認(rèn)樣式不滿意的話，可以進(jìn)行一些調(diào)整，由于文檔十分完整，所以代碼修改起來并不困難，比如可以修改主題并設(shè)置一些標(biāo)記線、DataZoom，添加小組件等

總體來說，由于Pyecharts是基于Echarts制作的，因此生成圖表比較美觀，并且官方中文文檔對相關(guān)設(shè)置講解非常詳細(xì)，有關(guān)Pyecharts的討論也非常多，所以如果在使用過程中有相關(guān)疑問也很容易通過檢索找到答案，但遺憾的是不支持使用pandas中的series數(shù)據(jù)，需要轉(zhuǎn)換為list才可以使用，不過整體還是讓我很滿意的一款可視化庫。主觀評分:85分

Matplotlib應(yīng)該是最廣泛使用的Python可視化工具，支持的圖形種類非常多，使用Matplotlib制作相同效果的圖需要先導(dǎo)入相關(guān)庫，并且并不支持原生中文所以還要設(shè)置下中文顯示

import?matplotlib.pyplot?as?plt
import?numpy?as?np
plt.rcParams['font.sans-serif']?=?['SimHei']?

接著就是繪圖，但是相比較于pyecharts大多是往寫好的代碼里面添加數(shù)據(jù)、配置不同，matplotlib大多數(shù)需要我們自己寫代碼，所以代碼量可能稍多一點(diǎn)

width?=?0.35
x1?=?np.arange(len(x))?

fig,?ax?=?plt.subplots()
rects1?=?ax.bar(x1?-?width/2,?y1,?width,?label='商家A')
rects2?=?ax.bar(x1?+?width/2,?y2,?width,?label='商家B')

ax.set_title('Matplotlib—柱狀圖')
ax.set_xticks(x1)
ax.set_xticklabels(x)
ax.legend()

plt.show()

最后生成的默認(rèn)圖像如下

默認(rèn)配色不是很好看但也沒有很難看，看起來更學(xué)術(shù)一點(diǎn)，但是不支持交互式點(diǎn)擊查看等操作，雖然代碼量更多一點(diǎn)，但是由于Matplotlib的火熱，網(wǎng)上關(guān)于matplotlib的資料比Pyecharts要多很多，所以寫代碼于調(diào)整代碼的過程也并不復(fù)雜，整體主觀評分77分

Plotly也是一款非常強(qiáng)大的Python可視化庫，Plotly內(nèi)置完整的交互能力及編輯工具，支持在線和離線模式，提供穩(wěn)定的API以便與現(xiàn)有應(yīng)用集成，既可以在web瀏覽器中展示數(shù)據(jù)圖表，也可以存入本地拷貝。但是由于官方未提供中文文檔，網(wǎng)上關(guān)于Plotly的教程也僅限于官方的一些demo，對于一些詳細(xì)的參數(shù)設(shè)置并沒有太多資料，首先還是先導(dǎo)入相關(guān)庫并設(shè)置notebook顯示

import?plotly
import?plotly.offline?as?py
import?plotly.graph_objs?as?go
plotly.offline.init_notebook_mode(connected=True)

接下來是繪圖代碼，首先要對數(shù)據(jù)先進(jìn)行處理，剩下的基礎(chǔ)配置其實(shí)和Pyecharts比較類似

trace0?=?go.Bar(
????x?=?x,
????y?=?y1,
????name?=?'商家A',
)
trace1?=?go.Bar(
????x?=?x,
????y?=?y2,
????name?=?'商家B',
)
data?=?[trace0,trace1]
layout?=?go.Layout(
????????title={
????????'text':?"Plotly-柱狀圖",
????????'y':0.9,
????????'x':0.5,
????????'xanchor':?'center',
????????'yanchor':?'top'})
fig?=?go.Figure(data=data,?layout=layout)
py.iplot(fig)

默認(rèn)樣式生成的圖如上，配色也不難看，并且可以看到是支持交互式操作的，同時(shí)是默認(rèn)添加toolbox小組件，可以更方便的查看，支持30多種圖形，總體來說還是比較優(yōu)秀的一個(gè)可視化工具，但是如果真要熟練使用的話可能需要一點(diǎn)時(shí)間用于查找相關(guān)資料，因?yàn)榫W(wǎng)上關(guān)于Plotly的資料不多，大多是基本使用的簡單教程，如果想查找一些細(xì)節(jié)的操作比如我為了查找讓標(biāo)題居中的方法，百度之后用Google在國外某論壇找到類似問題并找到設(shè)置，主觀評分：76分

Bokeh是一個(gè)專門針對Web瀏覽器的呈現(xiàn)功能的交互式可視化Python庫。這是Bokeh與其它可視化庫最核心的區(qū)別，它可以做出像D3.js簡潔漂亮的交互可視化效果，但是使用難度低于D3.js，首先還是導(dǎo)入相關(guān)庫

from?bokeh.transform?import?dodge
import?pandas?as?pd
from?bokeh.core.properties?import?value
import?numpy?as?np
import?matplotlib.pyplot?as?plt
%matplotlib?inline
from?bokeh.io?import?output_notebook
output_notebook()?#?導(dǎo)入notebook繪圖模塊
from?bokeh.plotting?import?figure,show
from?bokeh.models?import?ColumnDataSource#?導(dǎo)入圖表繪制、圖標(biāo)展示模塊?#?導(dǎo)入ColumnDataSource模塊?#?導(dǎo)入dodge、value模塊

相關(guān)依賴比上面三個(gè)要多出很多，并且Bokeh有自己的數(shù)據(jù)結(jié)構(gòu)ColumnDataSource，所以要先對數(shù)據(jù)進(jìn)行轉(zhuǎn)換，接著就是創(chuàng)建畫布、添加數(shù)據(jù)及設(shè)置

df?=?pd.DataFrame({'商家A':y1,'商家B':y2},
?????????????????index?=?x_)
_x?=?['商家A','商家B']????#?系列名
data?=?{'index':x_}
for?i?in?_x:
????data[i]?=?df[i].tolist()#?生成數(shù)據(jù)，數(shù)據(jù)格式為dict
source?=?ColumnDataSource(data=data)#?將數(shù)據(jù)轉(zhuǎn)化為ColumnDataSource對象

p?=?figure(x_range=x_,?y_range=(0,?150),?plot_height=350,?title="boken-柱狀圖",tools="crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select")

p.vbar(x=dodge('index',?-0.1,?range=p.x_range),?top='商家A',?width=0.2,?source=source,color="#718dbf",?legend=value("商家A"))
p.vbar(x=dodge('index',??0.1,?range=p.x_range),?top='商家B',?width=0.2,?source=source,color="#e84d60",?legend=value("商家B"))#?dodge(field_name,?value,?range=None)?→?轉(zhuǎn)換成一個(gè)可分組的對象，value為元素的位置（配合width設(shè)置）
p.xgrid.grid_line_color?=?None
p.legend.location?=?"top_left"
p.legend.orientation?=?"horizontal"?#?其他參數(shù)設(shè)置
show(p)

可以看到，Bokeh做出來的圖也是支持交互的，不并且樣式之類的看上去還是比較舒服的，不過上面這張圖是經(jīng)過調(diào)整顏色的，因?yàn)槟J(rèn)不對兩個(gè)系列進(jìn)行區(qū)分顏色

Bokeh一個(gè)很明顯的特點(diǎn)就是代碼量較上面三個(gè)工具要多了很多，大多是在數(shù)據(jù)的處理上，并且和Plotly一樣，有關(guān)bokeh相關(guān)的中文資料也不多，大多是入門型的基本使用于介紹，雖然從官方給出的圖來看能作出很多比pyecharts更精美的圖，但是查找相關(guān)參數(shù)的設(shè)置上將會耗費(fèi)一定時(shí)間，主觀評分71分。

Seaborn

從seaborn官網(wǎng)給出的標(biāo)題就知道，seaborn是為了統(tǒng)計(jì)圖表設(shè)計(jì)的，它是一種基于matplotlib的圖形可視化庫，也就是在matplotlib的基礎(chǔ)上進(jìn)行了更高級的API封裝，從而使得作圖更加容易，在大多數(shù)情況下使用seaborn就能做出很具有吸引力的圖，而使用matplotlib就能制作具有更多特色的圖，還是我們的數(shù)據(jù)，使用Seaborn制作首先需要導(dǎo)入相關(guān)庫，由于是基于Matplotlib，所以還是需要設(shè)置中文

import?seaborn?as?sns
import?matplotlib.pyplot?as?plt
plt.rcParams['font.sans-serif']?=?['SimHei']?

接下來只要一行代碼就能生成我們要的圖，默認(rèn)配色也沒有顯得很難看

相比上面四種工具，從代碼量上來看是非常簡潔的，不過還是要先將數(shù)據(jù)轉(zhuǎn)換為DataFrame格式，這里沒在代碼中體現(xiàn)，但依舊是最簡短的代碼，同時(shí)并不支持交互。并且Seaborn和Plotly、bokeh有一個(gè)共同的地方就是雖然強(qiáng)大，但是網(wǎng)上有關(guān)這三個(gè)庫的教程、討論都遠(yuǎn)少于Pyecharts與Matplotlib，如果是新手的話可能很難快速通過搜索解決你遇到的問題，而需要自己研究別人的代碼，主觀評分72分

以上就是對常見的5個(gè)Python數(shù)據(jù)可視化的評測，可能通過繪制條形圖的方式去給每個(gè)工具打分不是非常合適，但我想你應(yīng)該能夠大致熟悉到每個(gè)庫在繪圖時(shí)的特點(diǎn)，同時(shí)也能在選擇這些工具之前有一個(gè)簡單的了解。最后正如我們文中介紹的一樣，不同工具的應(yīng)用場景、目標(biāo)用戶都不完全相同，所以我們在選擇工具時(shí)需要先思考自己的使用場景，并且需要評估繪制目標(biāo)圖形的難度，就像有些工具雖然強(qiáng)大但是資料太少，不要為了追求高級的樣式而浪費(fèi)太多時(shí)間！如果你仍在猶豫學(xué)習(xí)哪一個(gè)工具的話，我的意見是：熟練掌握一個(gè)工具之后，了解其他工具即可！最后留一個(gè)彩蛋，大家可以猜一猜文中的雷達(dá)圖是使用文中提到的哪一款工具制作。

python爬蟲人工智能大數(shù)據(jù)公眾號