这里有8个流行的Python可视化工具包，你喜欢哪个？

Bokeh 很美。从观念上讲，Bokeh 相同于 ggplot，它们都是用图形语法来构建图片，但 Bokeh 具备可以做出专业图形和贸易报表且便于行使的界面。为了声名这一点，我按照 538 Masculinity Survey 数据集写了建造直方图的代码：

import pandas as pd 
from bokeh.plotting import figure 
from bokeh.io import show 
 
# is_masc is a one-hot encoded dataframe of responses to the question: 
# "Do you identify as masculine?" 
 
#Dataframe Prep 
counts = is_masc.sum() 
resps = is_masc.columns 
 
#Bokeh 
p2 = figure(title='Do You View Yourself As Masculine?', 
          x_axis_label='Response', 
          y_axis_label='Count', 
          x_range=list(resps)) 
p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black') 
show(p2) 
 
#Pandas 

用 Bokeh 暗示观测功效

赤色的条形图暗示 538 小我私人关于「你以为本身有男人汉风格吗?」这一题目的谜底。9~14 行的 Bokeh 代码构建了优雅且专业的相应计数直方图——字体巨细、y 轴刻度和名目等都很公道。

我写的代码大部门都用于标志坐标轴和问题，以及为条形图添加颜色和边框。在建造雅观且示意力强的图片时，我更倾向于行使 Bokeh——它已经帮我们完成了大量美化事变。

用 Pandas 暗示沟通的数据

蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的，但目标差异。在试探性配置中，用 Pandas 写一行代码查察数据很利便，但 Bokeh 的美化成果很是强盛。

Bokeh 提供的全部便利都要在 matplotlib 中自界说，包罗 x 轴标签的角度、配景线、y 轴刻度以及字体(巨细、斜体、粗体)等。下图展示了一些随机趋势，其自界说水平更高：行使了图例和差异的颜色和线条。

Bokeh 照旧建造交互式贸易报表的绝佳器材。

Plotly

Plotly 很是强盛，但用它配置和建设图形都要耗费大量时刻，并且都不直观。在用 Plotly 忙活了泰半个上午后，我险些什么都没做出来，爽性直接去用饭了。我只建设了不带坐标标签的条形图，以及无法删掉线条的「散点图」。Ploty 入门时有一些要留意的点：

• 安装时要有 API 秘钥，还要注册，不是只用 pip 安装就可以;
• Plotly 所绘制的数据和机关工具是唯一无二的，但并不直观;
• 图片机关对我来说没有效(40 行代码毫有时义!)

但它也有利益，并且配置中的全部弱点都有响应的办理要领：

• 你可以在 Plotly 网站和 Python 情形中编辑图片;
• 支持交互式图片和贸易报表;
• Plotly 与 Mapbox 相助，可以自界说舆图;
• 很有潜力绘制优越图形。

以下是我针对这个包编写的代码：

#plot 1 - barplot 
# **note** - the layout lines do nothing and trip no errors 
data = [go.Bar(x=team_ave_df.team, 
              y=team_ave_df.turnovers_per_mp)] 
 
layout = go.Layout( 
 
    title=go.layout.Title( 
        text='Turnovers per Minute by Team', 
        xref='paper', 
        x=0 
    ), 
 
    xaxis=go.layout.XAxis( 
        title = go.layout.xaxis.Title( 
            text='Team', 
            font=dict( 
                    family='Courier New, monospace', 
                    size=18, 
                    color='#7f7f7f' 
                ) 
        ) 
    ), 
 
    yaxis=go.layout.YAxis( 
        title = go.layout.yaxis.Title( 
            text='Average Turnovers/Minute', 
            font=dict( 
                    family='Courier New, monospace', 
                    size=18, 
                    color='#7f7f7f' 
                ) 
        ) 
    ), 
 
    autosize=True, 
    hovermode='closest') 
 
py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite') 
 
 
 
#plot 2 - attempt at a scatterplot 
data = [go.Scatter(x=player_year.minutes_played, 
                  y=player_year.salary, 
                  marker=go.scatter.Marker(color='red', 
                                          size=3))] 
 
layout = go.Layout(title="test", 
                xaxis=dict(title='why'), 
                yaxis=dict(title='plotly')) 
 
py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot2', sharing='public') 
 
[Image: image.png] 

暗示差异 NBA 球队每分钟均匀失误数的条形图

暗示薪水和在 NBA 的打球时刻之间相关的散点图

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!