對于python，平常工作中大家最經(jīng)常用到的就是它的可視化功能了。python有許多功能強大的可視化庫，例如Matplotlib、Pyecharts、Seaborn、Plotly、Bokeh，大家一定不陌生，但是對于這五種可視化庫的區(qū)別，以及什么情況下使用哪種才能達到最佳效果，大家可能并不是很清楚。下面小編跟大家分享的這篇文章就是對python這五種可視化庫的比較，希望對于大家有所幫助。

以下文章來源： 早起Python

作者： 劉早起

相信很多讀者學(xué)習(xí)Python就是希望作出各種酷炫的可視化圖表，當然你一定會聽說過Matplotlib、Pyecharts、Seaborn、Plotly、Bokeh這五大工具，本文就將通過真實繪圖來深度評測這五個Python數(shù)據(jù)可視化的庫，看看到底這幾種工具各有什么優(yōu)缺點，在制作圖表時該如何選擇。

指標說明

為了更清晰的了解這幾款用于可視化的Python在作圖時的異同，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指標來進行評測：

數(shù)據(jù)說明

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)進行可視化！

01Pyecharts

Echarts是一個由百度開源的數(shù)據(jù)可視化，憑借著良好的交互性，精巧的圖表設(shè)計，得到了眾多開發(fā)者的認可。而Python是一門富有表達力的語言，很適合用于數(shù)據(jù)處理。當數(shù)據(jù)分析遇上數(shù)據(jù)可視化時，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Bar實例，接著添加x軸y軸數(shù)據(jù)，注意僅接收list格式數(shù)據(jù)，最后添加標題并設(shè)置在notebook中直接展示?？傮w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擊，默認生成的樣式也較為美觀，并且Pyecharts有詳細的中文文檔與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。當然如果對默認樣式不滿意的話，可以進行一些調(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，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

02Matplotlib

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

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()

最后生成的默認圖像如下

默認配色不是很好看但也沒有很難看，看起來更學(xué)術(shù)一點，但是不支持交互式點擊查看等操作，雖然代碼量更多一點，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

03Plotly

Plotly也是一款非常強大的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)先進行處理，剩下的基礎(chǔ)配置其實和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，同時是默認添加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)秀的一個可視化工具，但是如果真要熟練使用的話可能需要一點時間用于查找相關(guān)資料，因為網(wǎng)上關(guān)于Plotly的資料不多，大多是基本使用的簡單教程，如果想查找一些細節(jié)的操作比如我為了查找讓標題居中的方法，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

04Bokeh

Bokeh是一個專門針對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，因為默認不對兩個系列進行區(qū)分顏色

Bokeh一個很明顯的特點就是代碼量較上面三個工具要多了很多，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)置上將會耗費一定時間，主觀評分71分。

05Seaborn

從seaborn官網(wǎng)給出的標題就知道，seaborn是為了統(tǒng)計圖表設(shè)計的，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，同時并不支持交互。并且Seaborn和Plotly、bokeh有一個共同的地方就是雖然強大，但是網(wǎng)上有關(guān)這三個庫的教程、討論都遠少于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

小結(jié)

以上就是對常見的5個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庫在繪圖時的特點，同時也能在選擇這些工具之前有一個簡單的了解。最后正如我們文中介紹的一樣，不同工具的應(yīng)用場景、目標用戶都不完全相同，所以我們在選擇工具時需要先思考自己的使用場景，并且需要評估繪制目標圖形的難度，就像有些工具雖然強大但是資料太少，不要為了追求高級的樣式而浪費太多時間！如果你仍在猶豫學(xué)習(xí)哪一個工具的話，我的意見是：熟練掌握一個工具之后，了解其他工具即可！最后留一個彩蛋，大家可以猜一猜文中的雷達圖是使用文中提到的哪一款工具制作。