Python因为其语法简单、胶水语言的特性，诞生了很多好用的轮子（标准库、第三方库），也因此让Python一度成为了最热门的编程语言（2023年1-10月 TIOBE编程语言排名第一）。
我用过很多Python库，因为数据分析展示的需要，经常用一些可视化库来设计图表，这些库有不同的应用场景，生产力非常强大。
基础可视化：Matplotlib、Seaborn、Altair
交互可视化：Bokeh、plotly
地图可视化：Cartopy、Folium
Web可视化：Dash
BI可视化：Superset
流程图可视化：PyGraphviz
下面详细介绍下常见的5个可视化库：Matplotlib、Seaborn、Altair、Bokeh、plotly
1. Matplotlib
Matplotlib不必多说，它是最流行的Python可视化库，可以绘制二维、三维、动态、交互等任何图表，也是Seaborn等众多可视化库的底层依赖。
学习文档：https://matplotlib.org/
Matplotlib的特点是图表功能齐全，可定制化强，一般专业的新闻图表、科研图表、出版图表、企业图表都可以用Matplotlib绘制。
唯一的缺点是高级封装不多，绘图代码稍显复杂。
import matplotlib.pyplot as plt
data = {'apple': 10, 'orange': 15, 'lemon': 5, 'lime': 20}
names = list(data.keys())
values = list(data.values())
fig, axs = plt.subplots(1, 3, figsize=(9, 3), sharey=True)
axs[0].bar(names, values)
axs[1].scatter(names, values)
axs[2].plot(names, values)
fig.suptitle('Categorical Plotting')
2. Seaborn
Seaborn是在Matplotlib基础上经过高级封装的可视化库，一般用于统计分析，是数据科学领域的核心可视化库，类似于kaggle这种数据比赛大部分都用Seaborn。
解释下高级封装，所谓封装就是把很多图表的功能模块化，拿来即用，不需要你写很多代码实现。
比如说Seaborn可以一行代码设置图表的配色风格，什么统计风、商务风、学术风，都给你搭配的妥妥的，还有像置信区间这种专业领域的图表也集成到函数中。
学习文档：https://seaborn.pydata.org/
另外Seaborn与Pandas、Numpy集成的非常好，可以轻松使用Series、DataFrame、array数据类型进行图表开发，相较于Matplotlib节省了很多数据处理的时间，让你更加专注于制图。
示例：
代码语言：javascript复制import seaborn as sns
sns.set_theme(style="darkgrid")
tips = sns.load_dataset("tips")
g = sns.jointplot(x="total_bill", y="tip", data=tips,
kind="reg", truncate=False,
xlim=(0, 60), ylim=(0, 12),
color="m", height=7)
3. Altair
Altair也是Python中一个主打统计分析的可视化库，它和Seaborn不同的是，语法会更加简洁，让你在可视化的过程中去分析梳理数据。
Altair基于Vega-Lite语法规则，将可视化描述为从数据到图形标记（例如，圆圈、矩形或折线）和属性（例如，颜色、大小、形状或透明度）的编码映射过程，使用Json格式规范图表外观，使用起来非常简单。
学习文档：https://altair-viz.github.io/
示例代码
代码语言：javascript复制import altair as alt
from vega_datasets import data
source = data.iris()
alt.Chart(source).mark_circle().encode(
alt.X('sepalLength').scale(zero=False),
alt.Y('sepalWidth').scale(zero=False, padding=1),
color='species',
size='petalWidth'
)
4. Bokeh
Bokeh主打web交互式可视化，图表不再是冷冰冰的图片，而是可以随意去调整的可视化交互工具，比如创建看板、应用、网页，都可以轻松实现，你也可以在jupyter notebook上去展示Bokeh图表。
Bokeh有很多的交互工具，比如缩放、平移、框选、悬停、重置、编辑、图像导出等等，使用起来非常方便。
学习文档：https://docs.bokeh.org/
- 搭建可视化应用
- 搭建看板
- Jupyter notebook数据可视化探索
- 数据流分析
- web网页
示例代码
代码语言：javascript复制import numpy as np
import pandas as pd
from bokeh.palettes import tol
from bokeh.plotting import figure, show
N = 10
df = pd.DataFrame(np.random.randint(10, 100, size=(15, N))).add_prefix('y')
p = figure(x_range=(0, len(df)-1), y_range=(0, 800))
p.grid.minor_grid_line_color = '#eeeeee'
names = [f"y{i}" for i in range(N)]
p.varea_stack(stackers=names, x='index', color=tol['Sunset'][N], legend_label=names, source=df)
p.legend.orientation = "horizontal"
p.legend.background_fill_color = "#fafafa"
show(p)
5. plotly
plotly.js是非常出名的交互式可视化工具，它有Python的第三方接口，也就是plotly库。
plotly图表类型比较丰富，比如折线图、散点图、面积图、条形图、误差条、方框图、直方图、热图、子图、多轴图、极坐标图、气泡图、地图等等，这些都集成好固定的函数用法，可以拿来即用。
plotly绘制的图表相对比较美观，适合商用展示，且它的图表可以基于web，能进行多元化的交互操作。
其次plotly可定制化也非常强，类似于matplotlib，你可以对图表做任何细节的修改。
学习文档：https://plotly.com/python/
示例代码
代码语言：javascript复制import plotly.graph_objects as go
import numpy as np
# Data to be plotted
x = np.outer(np.linspace(-2, 2, 30), np.ones(30))
y = x.copy().T
z = np.cos(x ** 2 y ** 2)
# plotting the figure
fig = go.Figure(data=[go.Surface(x=x, y=y, z=z)])
fig.show()
小结
上述的5个Python可视化库都是比较常见的，几乎能实现你大部分需求，还有一些垂直类的需求需要专门的库来实现，比如BI、地图等等，这个后面慢慢分享。
