相信很多讀者都聽(tīng)過(guò) Matplotlib 、 Pyecharts 、 Seaborn 、 Plotly 、 Bokeh 這五大工具，學(xué)習(xí)Python就是希望做出各種酷炫的可視化圖表，本文就將通過(guò)真實(shí)繪圖來(lái)深度評(píng)測(cè)這五個(gè)Python數(shù)據(jù)可視化的庫(kù)， 看看到底這幾種工具各有什么優(yōu)缺點(diǎn)，在制作圖表時(shí)該如何選擇。

指標(biāo)說(shuō)明

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(lái)對(duì)比，主要將通過(guò)以下幾個(gè)指標(biāo)來(lái)進(jìn)行評(píng)測(cè)：

數(shù)據(jù)說(shuō)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(zhǎng)度的 無(wú)意義 數(shù)據(jù)，接下來(lái)讓我們使用不同的庫(kù)對(duì)這組數(shù)據(jù)進(jìn)行可視化！

Pyecharts

Echarts 是一個(gè)由百度開(kāi)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(kāi)發(fā)者的認(rèn)可。而Python是一門富有表達(dá)力的語(yǔ)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(kù)

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l(shuí)ist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(lái)說(shuō)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(duì)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(lái)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(lái)說(shuō)，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(duì)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(guò)程中有相關(guān)疑問(wèn)也很容易通過(guò)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(guò)整體還是讓我很滿意的一款可視化庫(kù)。主觀評(píng)分: 85 分

Matplotlib

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(kù)，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(méi)有很難看，看起來(lái)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 ，所以寫代碼與調(diào)整代碼的過(guò)程也 并不復(fù)雜 ，整體主觀評(píng)分77分

Plotly

Plotly 也是一款非常強(qiáng)大的Python可視化庫(kù)， 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以便于現(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(duì)于一些詳細(xì)的參數(shù)設(shè)置并 沒(méi)有太多資料 ，首先還是先導(dǎo)入相關(guān)庫(kù)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(lái)是繪圖代碼， 首先要對(duì)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(lái)說(shuō)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(jiǎn)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(guó)外某論壇找到類似問(wèn)題并找到設(shè)置，主觀評(píng)分： 76 分

Bokeh

Bokeh 是一個(gè)專門針對(duì)Web瀏覽器的呈現(xiàn)功能的 交互式 可視化Python庫(kù)。這是Bokeh與其它可視化庫(kù)最核心的區(qū)別，它可以做出像 D3.js 簡(jiǎn)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(kù)

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(duì)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(duì)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(duì)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(lái)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(guò)上面這張圖是經(jīng)過(guò)調(diào)整顏色的，因?yàn)槟J(rèn)不對(duì)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(lái)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(huì)耗費(fèi)一定時(shí)間，主觀評(píng)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(kù)，也就 是在matplotlib的基礎(chǔ)上進(jìn)行了更高級(jí)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(kù)，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(lái)只要 一行代碼 就能生成我們要的圖，默認(rèn)配色也沒(méi)有顯得很難看

相比上面四種工具，從 代碼量 上來(lái)看是非常簡(jiǎn)潔的，不過(guò)還是要先將 數(shù)據(jù)轉(zhuǎn)換 為DataFrame格式，這里沒(méi)在代碼中體現(xiàn)，但依舊是 最簡(jiǎn)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(kù)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(guò)搜索解決你遇到的問(wèn)題，而需要自己研究別人的代碼，主觀評(píng)分 72 分

小結(jié)

以上就是對(duì)常見(jiàn)的5個(gè)Python數(shù)據(jù)可視化的評(píng)測(cè)，可能通過(guò)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(kù)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(jiǎn)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(chǎng)景、目標(biāo)用戶都不完全相同 ，所以我們?cè)谶x擇工具時(shí)需要 先思考自己的使用場(chǎng)景 ，并且需要評(píng)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(jí)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(jiàn)是 ：熟練掌握一個(gè)工具之后，了解其他工具即可 ！