Python中除了matplotlib外还有哪些数据可视化的库？
Python 作为一种强大的数据科学语言，拥有丰富多样的数据可视化库，为用户提供了从基础绘图到复杂交互式可视化的广泛选择。除了 `matplotlib` 这个被誉为“万能瑞士军刀”的库之外，还有许多其他优秀的库，它们在特定领域、易用性、交互性或美学风格上各有千秋。
下面我将详细介绍一些常用的 Python 数据可视化库，并阐述它们的特点和适用场景：
1. Seaborn
简介: `Seaborn` 是基于 `matplotlib` 的一个高级数据可视化库。它提供了更美观的默认样式，更方便地绘制统计图形，并且能够更好地处理 `pandas` 数据结构。`Seaborn` 的设计理念是让数据可视化变得更简单、更高效，尤其适合探索性数据分析 (EDA)。
核心特点:
美观的默认样式: `Seaborn` 的绘图默认风格比 `matplotlib` 更具吸引力，颜色方案也更加和谐。
更高级的统计图表: 提供了许多内置的函数来创建复杂的统计图形，如散点图矩阵 (`pairplot`)、分布图 (`distplot` 或 `histplot`)、回归图 (`regplot`)、箱线图 (`boxplot`)、小提琴图 (`violinplot`)、热力图 (`heatmap`) 等。
与 pandas 的深度集成: `Seaborn` 的函数可以直接接受 `pandas` DataFrame 作为输入，并能很好地利用 DataFrame 的列名来设置图表的各个属性（如 `x`、`y`、`hue`、`style` 等），大大简化了数据 mapping 的过程。
主题和配色方案: 提供了一系列预设的主题（如 "darkgrid", "whitegrid", "dark", "white", "ticks"）和调色板，可以轻松改变图表的外观。
绘制多变量关系: 非常擅长可视化数据之间的关系，例如使用 `scatterplot` 配合 `hue` 参数来展示第三个维度的数据。
适用场景:
探索性数据分析 (EDA)，快速理解数据分布和变量之间的关系。
绘制统计图形，如分布、比较、关系图等。
需要美观默认样式的项目。
使用 `pandas` DataFrame 进行数据分析。
示例代码片段:
```python
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
创建一个示例 DataFrame
data = {
'x': np.random.rand(100),
'y': np.random.rand(100),
'category': np.random.choice(['A', 'B', 'C'], 100)
}
df = pd.DataFrame(data)
绘制散点图，按类别区分颜色
sns.scatterplot(data=df, x='x', y='y', hue='category')
plt.title("Seaborn Scatterplot with Hue")
plt.show()
绘制箱线图
sns.boxplot(data=df, y='y', x='category')
plt.title("Seaborn Boxplot by Category")
plt.show()
```
2. Plotly
简介: `Plotly` 是一个交互式图形库，它能够创建美观、交互性强且可嵌入到 Web 应用中的图表。`Plotly` 支持多种语言（Python, R, JavaScript），其核心是使用 JavaScript 库 `plotly.js` 来渲染图表。
核心特点:
高度交互性: 图表支持缩放、平移、悬停显示数据信息、图例交互（点击隐藏/显示系列）等。
丰富的图表类型: 提供了比 `matplotlib` 更广泛的图表类型，包括 3D 图、地图、金融图表、仪表盘等。
Web 集成: 生成的图表是基于 HTML 和 JavaScript 的，可以直接嵌入到 Jupyter Notebook、HTML 文件或 Web 应用中。
声明式 API: `Plotly` 的 API 风格是声明式的，用户定义图表“是什么”而不是“如何绘制”，这使得创建复杂图表更加直观。
Dash 生态系统: `Plotly` 是构建交互式数据仪表盘框架 `Dash` 的核心组件，非常适合构建复杂的 Web 应用。
多种绘图接口:
`plotly.graph_objects` (go): 提供更底层、更灵活的控制，可以构建几乎任何类型的图表。
`plotly.express` (px): 一个更高级、更易用的接口，封装了许多常见图表的创建逻辑，尤其适合快速绘图和处理 `pandas` DataFrame。
适用场景:
需要交互式图表的项目，例如用于 Web 应用、演示或数据探索。
创建复杂或非传统的图表类型（如 3D 图、地图、网络图）。
构建交互式数据仪表盘 (使用 `Dash`)。
需要高品质、现代感图表的场景。
示例代码片段:
```python
import plotly.express as px
import pandas as pd
import numpy as np
创建一个示例 DataFrame
data = {
'date': pd.to_datetime(['20230101', '20230102', '20230103', '20230104', '20230105']),
'value': [10, 15, 12, 18, 20],
'region': ['North', 'South', 'East', 'West', 'North']
}
df = pd.DataFrame(data)
使用 plotly.express 绘制折线图
fig = px.line(df, x='date', y='value', color='region', title="Plotly Interactive Line Chart")
fig.show()
绘制散点图矩阵
df_iris = px.data.iris() 加载内置的 iris 数据集
fig_iris = px.scatter_matrix(df_iris,
dimensions=["sepal_width", "sepal_length", "petal_width", "petal_length"],
color="species")
fig_iris.update_layout(title="Plotly Scatter Matrix")
fig_iris.show()
```
3. Bokeh
简介: `Bokeh` 是另一个专注于创建交互式可视化效果的库，特别适合在 Web 浏览器中展示数据。与 `Plotly` 类似，它也可以生成独立的 HTML 文件，并且非常擅长处理大数据集和流式数据。
核心特点:
交互性: 提供缩放、平移、选择、工具提示等交互功能，并且可以通过 JavaScript 回调实现更复杂的交互。
Web 原生: 图表直接在浏览器中渲染，生成独立的 HTML 文件，无需额外的服务器端处理。
大数据和流数据: 针对大数据集和流数据进行了优化，可以高效地渲染大量数据点，并支持实时更新。
丰富的图表类型: 支持线图、散点图、条形图、热力图、网络图、地理图等。
灵活的布局和定制: 提供了强大的工具来构建复杂的布局，并且允许深度定制图表的各个方面。
Pythonic API: 拥有相对直观和 Pythonic 的 API。
适用场景:
需要高度交互性且能在 Web 上展示的图表。
处理大型数据集或实时数据流的可视化。
构建嵌入式数据仪表盘或可视化应用。
需要精细控制图表交互行为的场景。
示例代码片段:
```python
from bokeh.plotting import figure, show
from bokeh.io import output_notebook 如果在 Jupyter Notebook 中使用
import pandas as pd
import numpy as np
如果在 Jupyter Notebook 中运行，取消注释下一行
output_notebook()
创建一个示例 DataFrame
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
创建一个新的图
p = figure(title="Bokeh Interactive Line Chart", x_axis_label='Xaxis', y_axis_label='Yaxis',
tools="pan,wheel_zoom,box_zoom,reset,save,hover") 添加工具
添加一个线图
p.line(x, y1, legend_label="sin(x)", line_color="blue", line_width=2)
添加另一个线图
p.line(x, y2, legend_label="cos(x)", line_color="red", line_width=2, line_dash="dashed")
自定义工具提示（hover tool）
p.hover.tooltips = [
("X", "@x"),
("Y1 (sin)", "@y_1"), @y_1 对应第一个线图的 y 值
("Y2 (cos)", "@y_2"), @y_2 对应第二个线图的 y 值
]
显示图表
show(p)
```
4. Altair
简介: `Altair` 是一个基于 VegaLite 的声明式统计可视化库。它的核心思想是将可视化视为数据和视觉编码之间的映射。这意味着用户通过描述数据如何映射到图形属性（如位置、颜色、大小）来创建图表，而不是直接操作图形元素。
核心特点:
声明式语法: 易于学习和使用，通过简单的拖放式语法来构建图表，非常符合“数据到视觉编码”的思维模式。
交互性: 内置了基本的交互功能，如缩放、平移、选择和链接图表。
JSON 输出: 生成的图表是基于 JSON 格式的 VegaLite 规范，可以轻松地导出为 HTML、JSON，并在 Web 上使用。
简洁的 API: 语法非常简洁，专注于表达数据的视觉映射。
支持 pandas: 与 `pandas` DataFrame 结合得非常好。
可组合性: 可以将多个图表组合起来，创建更复杂的视图。
适用场景:
探索性数据分析 (EDA)，尤其是需要快速迭代和尝试不同视觉编码的场景。
需要创建具有基本交互性且易于嵌入到 Web 的图表。
偏好声明式、高层次抽象的编程风格。
需要创建统计图形的场景，如散点图、条形图、直方图、箱线图等。
示例代码片段:
```python
import altair as alt
import pandas as pd
import numpy as np
加载一个示例数据集 (使用 Altair 自带的 iris 数据集)
source = pd.read_json('https://cdn.jsdelivr.net/npm/vegadatasets@v1.29.0/data/iris.json')
创建一个声明式散点图
chart = alt.Chart(source).mark_circle(size=60).encode(
x=alt.X('sepalWidth', title='Sepal Width'),
y=alt.Y('sepalLength', title='Sepal Length'),
color='species', 按 'species' 列设置颜色
tooltip=['sepalWidth', 'sepalLength', 'species'] 设置悬停提示信息
).properties(
title='Altair Scatter Plot of Iris Dataset'
)
添加交互性（缩放和平移）
chart = chart.interactive()
显示图表 (在 Jupyter Notebook 中可以直接显示)
chart.save('iris_scatter.html') 保存为 HTML 文件
chart
```
5. Matplotlib (作为基础库)
简介: 虽然标题要求除了 `matplotlib` 之外的库，但理解 `matplotlib` 的基础地位至关重要。许多其他库（如 `seaborn`）都是构建在 `matplotlib` 之上的。`matplotlib` 是一个非常全面且灵活的库，提供了对图表各个细节的低级控制。
核心特点:
灵活性和控制力: 允许用户对图表的每一个元素进行精确控制，包括线条样式、颜色、字体、标注、轴刻度等。
广泛的图表类型: 支持几乎所有常见的图表类型，从简单的线图、散点图到复杂的 3D 图、地理图等。
多种输出格式: 可以导出为各种格式，如 PNG, JPG, SVG, PDF 等，适用于学术论文、报告和出版物。
跨平台: 可以在各种操作系统和环境中运行。
成熟的生态系统: 拥有大量的文档、教程和社区支持。
适用场景:
需要对图表进行精细控制的场景。
创建高度定制化的图表。
生成用于学术出版或报告的静态图像。
作为其他可视化库的基础。
需要实现一些非常规或自定义的绘图逻辑时。
示例代码片段:
```python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2 np.pi, 400)
y = np.sin(x2)
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title("Matplotlib Sine Wave Plot")
ax.set_xlabel("Xaxis")
ax.set_ylabel("Yaxis")
ax.grid(True)
plt.show()
```
6. Plotnine
简介: `Plotnine` 是一个 Python 实现的图形语法库，它遵循 R 语言中 `ggplot2` 的哲学和语法。它提供了一种强大而优雅的方式来创建分层图形。
核心特点:
图形语法 (Grammar of Graphics): 将图形分解为独立的组件（数据、映射、几何对象、统计变换、尺度、坐标系、主题等），用户可以像搭积木一样组合这些组件来创建图形。
声明式: 语法更具声明性，描述的是图形的结构而非绘制过程。
易于组合: 图形可以方便地叠加、组合，创建复杂的多层视图。
美观的默认值: 继承了 `ggplot2` 的美观默认样式。
支持 pandas: 与 `pandas` DataFrame 完美集成。
适用场景:
熟悉 R 语言 `ggplot2` 的用户。
需要强大的分层图形构建能力。
创建复杂的统计图表，尤其是多变量分析。
对声明式和组件化图形构建方式感兴趣。
示例代码片段:
```python
from plotnine import ggplot, aes, geom_point, labs
import pandas as pd
import numpy as np
加载一个示例数据集 (使用 Plotnine 自带的 mpg 数据集)
你需要先安装 plotnine 的额外数据集
pip install plotnine[datasets]
from plotnine.data import mpg
创建一个分层散点图
p = (
ggplot(mpg, aes(x='displ', y='hwy', color='class')) 数据和基本映射
+ geom_point(size=3, alpha=0.6) 添加点几何对象
+ labs(title='MPG Dataset: Displacement vs. Highway MPG',
x='Engine Displacement (L)',
y='Highway MPG') 添加标签和标题
)
显示图表
print(p)
```
7. HoloViews
简介: `HoloViews` 是一个高级的数据分析和可视化库，它专注于以更具声明性和可组合性的方式来描述数据。它不像其他库那样直接生成图表，而是提供了一个数据抽象层，允许用户以一种更抽象的方式表达数据的结构和可视化意图。然后，它可以将这些抽象描述渲染成 `matplotlib`, `bokeh` 或 `plotly` 的具体图表。
核心特点:
数据抽象: 鼓励用户思考数据的结构和关系，而不是具体如何绘制。
声明式和组合性: 通过组合“元素”（如 Curve, Scatter, Image）来构建复杂的可视化。
多后端支持: 可以将同一个抽象描述渲染成不同后端（`matplotlib`, `bokeh`, `plotly`）的图表，无需修改原始代码。
集成科学计算工具: 与 `NumPy`, `Pandas`, `Xarray`, `Dask` 等库紧密集成。
高级交互和链接: 可以轻松创建链接的图表、滑块、下拉菜单等，用于复杂的数据探索。
Pandas, Xarray 支持: 特别擅长处理和可视化 `Pandas` DataFrame 和 `Xarray` DataArray。
适用场景:
复杂的数据探索和分析，尤其是需要跨多个维度进行可视化。
需要生成交互式图表，并且希望能够方便地切换渲染后端。
处理大型数据集，可能需要与 `Dask` 结合。
需要将可视化与数据分析工作流紧密结合的场景。
创建包含多个组件、相互关联的仪表盘式视图。
示例代码片段:
```python
import holoviews as hv
from holoviews import opts, rebundle
from holoviews.operation.datashader import datashade, rasterize
import pandas as pd
import numpy as np
如果在 Jupyter Notebook 中运行，取消注释下一行
hv.extension('bokeh') 选择渲染后端
创建一个示例 DataFrame
N = 10000
data = pd.DataFrame({
'x': np.random.rand(N) 10,
'y': np.random.rand(N) 10,
'value': np.random.randint(0, 100, N)
})
创建一个 HoloViews Scatter 元素
scatter_plot = hv.Scatter(data, kdims=['x', 'y'], vdims=['value'])
应用着色（value 列）和缩放工具
colored_scatter = scatter_plot.opts(opts.Scatter(color='value', cmap='viridis', size=5, tools=['hover', 'pan', 'wheel_zoom']))
使用 datashader 处理大数据集（可选，如果数据集很大）
shaded_scatter = datashade(scatter_plot, cmap='viridis', width=400, height=400)
另一种方式是直接渲染（默认使用 bokeh 后端）
colored_scatter
```
注意：HoloViews 的输出在 Notebook 中会直接显示为交互式图表，无需 `plt.show()` 或 `fig.show()`。这里我只展示了创建过程，实际运行会生成图。
8. GeoPandas Plotting
简介: `GeoPandas` 是一个扩展了 `pandas` 的库，用于处理地理空间数据。它使得在 Python 中进行地理空间数据操作变得像处理其他结构化数据一样简单。`GeoPandas` 也提供了方便的绘图功能，可以直接在地理空间数据上绘制地图。
核心特点:
地理空间数据处理: `GeoDataFrame` 可以存储几何对象（点、线、多边形等）以及与之相关的属性数据。
基于 `matplotlib`: 默认情况下，`GeoPandas` 的绘图功能是构建在 `matplotlib` 之上的，因此可以利用 `matplotlib` 的所有灵活性。
地图绘制: 可以直接绘制点、线、多边形，并支持按属性着色（choropleth maps）、绘制点分布图等。
投影转换: 支持方便的坐标参考系统 (CRS) 转换。
适用场景:
任何需要处理和可视化地理空间数据的项目。
绘制地图，例如行政区划图、点分布图、热力图等。
将地理数据与其他类型的数据结合进行可视化分析。
示例代码片段:
```python
你需要安装 geopandas 和其依赖项（如 shapely, fiona, pyproj）
pip install geopandas matplotlib
import geopandas as gpd
import matplotlib.pyplot as plt
加载一个示例地理数据集 (例如，世界地图)
你可以从网络下载 Shapefile 或使用 geopandas 自带的数据
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
为了演示，我们创建一个简单的 GeoDataFrame
from shapely.geometry import Polygon
poly1 = Polygon([(0, 0), (1, 1), (1, 0)])
poly2 = Polygon([(1, 0), (1, 1), (2, 2), (2, 0)])
gs = gpd.GeoSeries([poly1, poly2])
gdf = gpd.GeoDataFrame(geometry=gs, crs="EPSG:4326") 指定 CRS
gdf['population'] = [100, 200]
绘制地图
fig, ax = plt.subplots(1, 1, figsize=(10, 5))
gdf.plot(column='population', ax=ax, legend=True,
legend_kwds={'label': "Population by Region",
'orientation': "horizontal"})
ax.set_title("GeoPandas Choropleth Map")
plt.show()
```
总结与选择建议
在选择数据可视化库时，需要考虑以下几个因素：
1. 需求场景:
探索性数据分析 (EDA) 和统计图形: `seaborn` 是首选，它能提供美观的默认值和高效的统计图表绘制。`altair` 也非常适合快速迭代和理解数据关系。
交互式 Web 可视化和仪表盘: `plotly` 和 `bokeh` 是最佳选择，它们能生成高度交互的图表，适合 Web 集成。`plotly` 的 `Dash` 框架更是构建复杂仪表盘的利器。
精细控制和出版质量: `matplotlib` 是基础，如果你需要对图表的每一个细节进行精确控制，或者生成用于学术论文的静态图像，`matplotlib` 是不二之选。
处理大数据集或流数据: `bokeh` 和 `holoviews`（配合 `datashader`）在这方面有优势。
地理空间数据: `geopandas` 是必需的，并且它与 `matplotlib` 结合使用。
声明式和分层图形: `altair` 和 `plotnine` 提供了这种强大的构建方式。
抽象数据描述和多后端支持: `holoviews` 在这方面独具特色，能够更高级别地描述可视化意图。
2. 易用性和学习曲线:
`seaborn` 和 `altair` 的学习曲线相对平缓，非常适合初学者。
`plotly.express` 也非常易用。
`matplotlib` 掌握起来需要更多时间和精力，但其灵活性是其他库无法比拟的。
`bokeh` 和 `plotnine` 需要一些时间来理解其设计哲学。
`holoviews` 抽象层次较高，可能需要一些时间来适应。
3. 社区和文档:
`matplotlib` 是最成熟、拥有最庞大社区和最丰富文档的库。
`seaborn`, `plotly`, `bokeh`, `altair`, `geopandas` 也都有非常好的社区支持和文档。
总而言之，Python 的可视化库生态系统非常丰富。大多数情况下，你会根据具体需求选择最合适的库，或者组合使用不同的库来达到最佳效果。例如，你可能会用 `seaborn` 进行快速 EDA，然后用 `plotly` 创建一个交互式仪表盘，最后用 `matplotlib` 微调文章中的图表。
下面我将详细介绍一些常用的 Python 数据可视化库，并阐述它们的特点和适用场景：
1. Seaborn
简介: `Seaborn` 是基于 `matplotlib` 的一个高级数据可视化库。它提供了更美观的默认样式，更方便地绘制统计图形，并且能够更好地处理 `pandas` 数据结构。`Seaborn` 的设计理念是让数据可视化变得更简单、更高效，尤其适合探索性数据分析 (EDA)。
核心特点:
美观的默认样式: `Seaborn` 的绘图默认风格比 `matplotlib` 更具吸引力，颜色方案也更加和谐。
更高级的统计图表: 提供了许多内置的函数来创建复杂的统计图形，如散点图矩阵 (`pairplot`)、分布图 (`distplot` 或 `histplot`)、回归图 (`regplot`)、箱线图 (`boxplot`)、小提琴图 (`violinplot`)、热力图 (`heatmap`) 等。
与 pandas 的深度集成: `Seaborn` 的函数可以直接接受 `pandas` DataFrame 作为输入，并能很好地利用 DataFrame 的列名来设置图表的各个属性（如 `x`、`y`、`hue`、`style` 等），大大简化了数据 mapping 的过程。
主题和配色方案: 提供了一系列预设的主题（如 "darkgrid", "whitegrid", "dark", "white", "ticks"）和调色板，可以轻松改变图表的外观。
绘制多变量关系: 非常擅长可视化数据之间的关系，例如使用 `scatterplot` 配合 `hue` 参数来展示第三个维度的数据。
适用场景:
探索性数据分析 (EDA)，快速理解数据分布和变量之间的关系。
绘制统计图形，如分布、比较、关系图等。
需要美观默认样式的项目。
使用 `pandas` DataFrame 进行数据分析。
示例代码片段:
```python
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
创建一个示例 DataFrame
data = {
'x': np.random.rand(100),
'y': np.random.rand(100),
'category': np.random.choice(['A', 'B', 'C'], 100)
}
df = pd.DataFrame(data)
绘制散点图，按类别区分颜色
sns.scatterplot(data=df, x='x', y='y', hue='category')
plt.title("Seaborn Scatterplot with Hue")
plt.show()
绘制箱线图
sns.boxplot(data=df, y='y', x='category')
plt.title("Seaborn Boxplot by Category")
plt.show()
```
2. Plotly
简介: `Plotly` 是一个交互式图形库，它能够创建美观、交互性强且可嵌入到 Web 应用中的图表。`Plotly` 支持多种语言（Python, R, JavaScript），其核心是使用 JavaScript 库 `plotly.js` 来渲染图表。
核心特点:
高度交互性: 图表支持缩放、平移、悬停显示数据信息、图例交互（点击隐藏/显示系列）等。
丰富的图表类型: 提供了比 `matplotlib` 更广泛的图表类型，包括 3D 图、地图、金融图表、仪表盘等。
Web 集成: 生成的图表是基于 HTML 和 JavaScript 的，可以直接嵌入到 Jupyter Notebook、HTML 文件或 Web 应用中。
声明式 API: `Plotly` 的 API 风格是声明式的，用户定义图表“是什么”而不是“如何绘制”，这使得创建复杂图表更加直观。
Dash 生态系统: `Plotly` 是构建交互式数据仪表盘框架 `Dash` 的核心组件，非常适合构建复杂的 Web 应用。
多种绘图接口:
`plotly.graph_objects` (go): 提供更底层、更灵活的控制，可以构建几乎任何类型的图表。
`plotly.express` (px): 一个更高级、更易用的接口，封装了许多常见图表的创建逻辑，尤其适合快速绘图和处理 `pandas` DataFrame。
适用场景:
需要交互式图表的项目，例如用于 Web 应用、演示或数据探索。
创建复杂或非传统的图表类型（如 3D 图、地图、网络图）。
构建交互式数据仪表盘 (使用 `Dash`)。
需要高品质、现代感图表的场景。
示例代码片段:
```python
import plotly.express as px
import pandas as pd
import numpy as np
创建一个示例 DataFrame
data = {
'date': pd.to_datetime(['20230101', '20230102', '20230103', '20230104', '20230105']),
'value': [10, 15, 12, 18, 20],
'region': ['North', 'South', 'East', 'West', 'North']
}
df = pd.DataFrame(data)
使用 plotly.express 绘制折线图
fig = px.line(df, x='date', y='value', color='region', title="Plotly Interactive Line Chart")
fig.show()
绘制散点图矩阵
df_iris = px.data.iris() 加载内置的 iris 数据集
fig_iris = px.scatter_matrix(df_iris,
dimensions=["sepal_width", "sepal_length", "petal_width", "petal_length"],
color="species")
fig_iris.update_layout(title="Plotly Scatter Matrix")
fig_iris.show()
```
3. Bokeh
简介: `Bokeh` 是另一个专注于创建交互式可视化效果的库，特别适合在 Web 浏览器中展示数据。与 `Plotly` 类似，它也可以生成独立的 HTML 文件，并且非常擅长处理大数据集和流式数据。
核心特点:
交互性: 提供缩放、平移、选择、工具提示等交互功能，并且可以通过 JavaScript 回调实现更复杂的交互。
Web 原生: 图表直接在浏览器中渲染，生成独立的 HTML 文件，无需额外的服务器端处理。
大数据和流数据: 针对大数据集和流数据进行了优化，可以高效地渲染大量数据点，并支持实时更新。
丰富的图表类型: 支持线图、散点图、条形图、热力图、网络图、地理图等。
灵活的布局和定制: 提供了强大的工具来构建复杂的布局，并且允许深度定制图表的各个方面。
Pythonic API: 拥有相对直观和 Pythonic 的 API。
适用场景:
需要高度交互性且能在 Web 上展示的图表。
处理大型数据集或实时数据流的可视化。
构建嵌入式数据仪表盘或可视化应用。
需要精细控制图表交互行为的场景。
示例代码片段:
```python
from bokeh.plotting import figure, show
from bokeh.io import output_notebook 如果在 Jupyter Notebook 中使用
import pandas as pd
import numpy as np
如果在 Jupyter Notebook 中运行，取消注释下一行
output_notebook()
创建一个示例 DataFrame
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
创建一个新的图
p = figure(title="Bokeh Interactive Line Chart", x_axis_label='Xaxis', y_axis_label='Yaxis',
tools="pan,wheel_zoom,box_zoom,reset,save,hover") 添加工具
添加一个线图
p.line(x, y1, legend_label="sin(x)", line_color="blue", line_width=2)
添加另一个线图
p.line(x, y2, legend_label="cos(x)", line_color="red", line_width=2, line_dash="dashed")
自定义工具提示（hover tool）
p.hover.tooltips = [
("X", "@x"),
("Y1 (sin)", "@y_1"), @y_1 对应第一个线图的 y 值
("Y2 (cos)", "@y_2"), @y_2 对应第二个线图的 y 值
]
显示图表
show(p)
```
4. Altair
简介: `Altair` 是一个基于 VegaLite 的声明式统计可视化库。它的核心思想是将可视化视为数据和视觉编码之间的映射。这意味着用户通过描述数据如何映射到图形属性（如位置、颜色、大小）来创建图表，而不是直接操作图形元素。
核心特点:
声明式语法: 易于学习和使用，通过简单的拖放式语法来构建图表，非常符合“数据到视觉编码”的思维模式。
交互性: 内置了基本的交互功能，如缩放、平移、选择和链接图表。
JSON 输出: 生成的图表是基于 JSON 格式的 VegaLite 规范，可以轻松地导出为 HTML、JSON，并在 Web 上使用。
简洁的 API: 语法非常简洁，专注于表达数据的视觉映射。
支持 pandas: 与 `pandas` DataFrame 结合得非常好。
可组合性: 可以将多个图表组合起来，创建更复杂的视图。
适用场景:
探索性数据分析 (EDA)，尤其是需要快速迭代和尝试不同视觉编码的场景。
需要创建具有基本交互性且易于嵌入到 Web 的图表。
偏好声明式、高层次抽象的编程风格。
需要创建统计图形的场景，如散点图、条形图、直方图、箱线图等。
示例代码片段:
```python
import altair as alt
import pandas as pd
import numpy as np
加载一个示例数据集 (使用 Altair 自带的 iris 数据集)
source = pd.read_json('https://cdn.jsdelivr.net/npm/vegadatasets@v1.29.0/data/iris.json')
创建一个声明式散点图
chart = alt.Chart(source).mark_circle(size=60).encode(
x=alt.X('sepalWidth', title='Sepal Width'),
y=alt.Y('sepalLength', title='Sepal Length'),
color='species', 按 'species' 列设置颜色
tooltip=['sepalWidth', 'sepalLength', 'species'] 设置悬停提示信息
).properties(
title='Altair Scatter Plot of Iris Dataset'
)
添加交互性（缩放和平移）
chart = chart.interactive()
显示图表 (在 Jupyter Notebook 中可以直接显示)
chart.save('iris_scatter.html') 保存为 HTML 文件
chart
```
5. Matplotlib (作为基础库)
简介: 虽然标题要求除了 `matplotlib` 之外的库，但理解 `matplotlib` 的基础地位至关重要。许多其他库（如 `seaborn`）都是构建在 `matplotlib` 之上的。`matplotlib` 是一个非常全面且灵活的库，提供了对图表各个细节的低级控制。
核心特点:
灵活性和控制力: 允许用户对图表的每一个元素进行精确控制，包括线条样式、颜色、字体、标注、轴刻度等。
广泛的图表类型: 支持几乎所有常见的图表类型，从简单的线图、散点图到复杂的 3D 图、地理图等。
多种输出格式: 可以导出为各种格式，如 PNG, JPG, SVG, PDF 等，适用于学术论文、报告和出版物。
跨平台: 可以在各种操作系统和环境中运行。
成熟的生态系统: 拥有大量的文档、教程和社区支持。
适用场景:
需要对图表进行精细控制的场景。
创建高度定制化的图表。
生成用于学术出版或报告的静态图像。
作为其他可视化库的基础。
需要实现一些非常规或自定义的绘图逻辑时。
示例代码片段:
```python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 2 np.pi, 400)
y = np.sin(x2)
fig, ax = plt.subplots()
ax.plot(x, y)
ax.set_title("Matplotlib Sine Wave Plot")
ax.set_xlabel("Xaxis")
ax.set_ylabel("Yaxis")
ax.grid(True)
plt.show()
```
6. Plotnine
简介: `Plotnine` 是一个 Python 实现的图形语法库，它遵循 R 语言中 `ggplot2` 的哲学和语法。它提供了一种强大而优雅的方式来创建分层图形。
核心特点:
图形语法 (Grammar of Graphics): 将图形分解为独立的组件（数据、映射、几何对象、统计变换、尺度、坐标系、主题等），用户可以像搭积木一样组合这些组件来创建图形。
声明式: 语法更具声明性，描述的是图形的结构而非绘制过程。
易于组合: 图形可以方便地叠加、组合，创建复杂的多层视图。
美观的默认值: 继承了 `ggplot2` 的美观默认样式。
支持 pandas: 与 `pandas` DataFrame 完美集成。
适用场景:
熟悉 R 语言 `ggplot2` 的用户。
需要强大的分层图形构建能力。
创建复杂的统计图表，尤其是多变量分析。
对声明式和组件化图形构建方式感兴趣。
示例代码片段:
```python
from plotnine import ggplot, aes, geom_point, labs
import pandas as pd
import numpy as np
加载一个示例数据集 (使用 Plotnine 自带的 mpg 数据集)
你需要先安装 plotnine 的额外数据集
pip install plotnine[datasets]
from plotnine.data import mpg
创建一个分层散点图
p = (
ggplot(mpg, aes(x='displ', y='hwy', color='class')) 数据和基本映射
+ geom_point(size=3, alpha=0.6) 添加点几何对象
+ labs(title='MPG Dataset: Displacement vs. Highway MPG',
x='Engine Displacement (L)',
y='Highway MPG') 添加标签和标题
)
显示图表
print(p)
```
7. HoloViews
简介: `HoloViews` 是一个高级的数据分析和可视化库，它专注于以更具声明性和可组合性的方式来描述数据。它不像其他库那样直接生成图表，而是提供了一个数据抽象层，允许用户以一种更抽象的方式表达数据的结构和可视化意图。然后，它可以将这些抽象描述渲染成 `matplotlib`, `bokeh` 或 `plotly` 的具体图表。
核心特点:
数据抽象: 鼓励用户思考数据的结构和关系，而不是具体如何绘制。
声明式和组合性: 通过组合“元素”（如 Curve, Scatter, Image）来构建复杂的可视化。
多后端支持: 可以将同一个抽象描述渲染成不同后端（`matplotlib`, `bokeh`, `plotly`）的图表，无需修改原始代码。
集成科学计算工具: 与 `NumPy`, `Pandas`, `Xarray`, `Dask` 等库紧密集成。
高级交互和链接: 可以轻松创建链接的图表、滑块、下拉菜单等，用于复杂的数据探索。
Pandas, Xarray 支持: 特别擅长处理和可视化 `Pandas` DataFrame 和 `Xarray` DataArray。
适用场景:
复杂的数据探索和分析，尤其是需要跨多个维度进行可视化。
需要生成交互式图表，并且希望能够方便地切换渲染后端。
处理大型数据集，可能需要与 `Dask` 结合。
需要将可视化与数据分析工作流紧密结合的场景。
创建包含多个组件、相互关联的仪表盘式视图。
示例代码片段:
```python
import holoviews as hv
from holoviews import opts, rebundle
from holoviews.operation.datashader import datashade, rasterize
import pandas as pd
import numpy as np
如果在 Jupyter Notebook 中运行，取消注释下一行
hv.extension('bokeh') 选择渲染后端
创建一个示例 DataFrame
N = 10000
data = pd.DataFrame({
'x': np.random.rand(N) 10,
'y': np.random.rand(N) 10,
'value': np.random.randint(0, 100, N)
})
创建一个 HoloViews Scatter 元素
scatter_plot = hv.Scatter(data, kdims=['x', 'y'], vdims=['value'])
应用着色（value 列）和缩放工具
colored_scatter = scatter_plot.opts(opts.Scatter(color='value', cmap='viridis', size=5, tools=['hover', 'pan', 'wheel_zoom']))
使用 datashader 处理大数据集（可选，如果数据集很大）
shaded_scatter = datashade(scatter_plot, cmap='viridis', width=400, height=400)
另一种方式是直接渲染（默认使用 bokeh 后端）
colored_scatter
```
注意：HoloViews 的输出在 Notebook 中会直接显示为交互式图表，无需 `plt.show()` 或 `fig.show()`。这里我只展示了创建过程，实际运行会生成图。
8. GeoPandas Plotting
简介: `GeoPandas` 是一个扩展了 `pandas` 的库，用于处理地理空间数据。它使得在 Python 中进行地理空间数据操作变得像处理其他结构化数据一样简单。`GeoPandas` 也提供了方便的绘图功能，可以直接在地理空间数据上绘制地图。
核心特点:
地理空间数据处理: `GeoDataFrame` 可以存储几何对象（点、线、多边形等）以及与之相关的属性数据。
基于 `matplotlib`: 默认情况下，`GeoPandas` 的绘图功能是构建在 `matplotlib` 之上的，因此可以利用 `matplotlib` 的所有灵活性。
地图绘制: 可以直接绘制点、线、多边形，并支持按属性着色（choropleth maps）、绘制点分布图等。
投影转换: 支持方便的坐标参考系统 (CRS) 转换。
适用场景:
任何需要处理和可视化地理空间数据的项目。
绘制地图，例如行政区划图、点分布图、热力图等。
将地理数据与其他类型的数据结合进行可视化分析。
示例代码片段:
```python
你需要安装 geopandas 和其依赖项（如 shapely, fiona, pyproj）
pip install geopandas matplotlib
import geopandas as gpd
import matplotlib.pyplot as plt
加载一个示例地理数据集 (例如，世界地图)
你可以从网络下载 Shapefile 或使用 geopandas 自带的数据
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
为了演示，我们创建一个简单的 GeoDataFrame
from shapely.geometry import Polygon
poly1 = Polygon([(0, 0), (1, 1), (1, 0)])
poly2 = Polygon([(1, 0), (1, 1), (2, 2), (2, 0)])
gs = gpd.GeoSeries([poly1, poly2])
gdf = gpd.GeoDataFrame(geometry=gs, crs="EPSG:4326") 指定 CRS
gdf['population'] = [100, 200]
绘制地图
fig, ax = plt.subplots(1, 1, figsize=(10, 5))
gdf.plot(column='population', ax=ax, legend=True,
legend_kwds={'label': "Population by Region",
'orientation': "horizontal"})
ax.set_title("GeoPandas Choropleth Map")
plt.show()
```
总结与选择建议
在选择数据可视化库时，需要考虑以下几个因素：
1. 需求场景:
探索性数据分析 (EDA) 和统计图形: `seaborn` 是首选，它能提供美观的默认值和高效的统计图表绘制。`altair` 也非常适合快速迭代和理解数据关系。
交互式 Web 可视化和仪表盘: `plotly` 和 `bokeh` 是最佳选择，它们能生成高度交互的图表，适合 Web 集成。`plotly` 的 `Dash` 框架更是构建复杂仪表盘的利器。
精细控制和出版质量: `matplotlib` 是基础，如果你需要对图表的每一个细节进行精确控制，或者生成用于学术论文的静态图像，`matplotlib` 是不二之选。
处理大数据集或流数据: `bokeh` 和 `holoviews`（配合 `datashader`）在这方面有优势。
地理空间数据: `geopandas` 是必需的，并且它与 `matplotlib` 结合使用。
声明式和分层图形: `altair` 和 `plotnine` 提供了这种强大的构建方式。
抽象数据描述和多后端支持: `holoviews` 在这方面独具特色，能够更高级别地描述可视化意图。
2. 易用性和学习曲线:
`seaborn` 和 `altair` 的学习曲线相对平缓，非常适合初学者。
`plotly.express` 也非常易用。
`matplotlib` 掌握起来需要更多时间和精力，但其灵活性是其他库无法比拟的。
`bokeh` 和 `plotnine` 需要一些时间来理解其设计哲学。
`holoviews` 抽象层次较高，可能需要一些时间来适应。
3. 社区和文档:
`matplotlib` 是最成熟、拥有最庞大社区和最丰富文档的库。
`seaborn`, `plotly`, `bokeh`, `altair`, `geopandas` 也都有非常好的社区支持和文档。
总而言之，Python 的可视化库生态系统非常丰富。大多数情况下，你会根据具体需求选择最合适的库，或者组合使用不同的库来达到最佳效果。例如，你可能会用 `seaborn` 进行快速 EDA，然后用 `plotly` 创建一个交互式仪表盘，最后用 `matplotlib` 微调文章中的图表。
网友意见
Python比较常用的做可视化的库还有：
1、Seaborn：Seaborn: statistical data visualization
2、ggplot：ggplot | Home
3、Bokeh：Welcome to Bokeh
4、pygal：Pygal - pygal 2.0.0 documentation
5、Plotly：plotly
6、Geoplotlib：andrea-cuttone/geoplotlib: python toolbox for visualizing geographical data and making maps
7、Gleam：dgrtwo/gleam: Creating interactive visualizations with Python
8、missingno ：ResidentMario/missingno: Missing data visualization module for Python.
9、Leather：leather 0.3.4 - leather 0.3.4 documentation
希望对你有用。
编程相关专栏：学习编程 - 知乎专栏
关于我：路人甲 - 知乎
类似的话题
-
Python 作为一种强大的数据科学语言，拥有丰富多样的数据可视化库，为用户提供了从基础绘图到复杂交互式可视化的广泛选择。除了 `matplotlib` 这个被誉为“万能瑞士军刀”的库之外，还有许多其他优秀的库，它们在特定领域、易用性、交互性或美学风格上各有千秋。下面我将详细介绍一些常用的 Pyth............. -
嗨！你们好呀！我之前一直是个纯粹的“用户”，啥啥都离不开鼠标点点点。直到我接触了 Python，我的世界观可以说是发生了翻天覆地的变化！以前觉得“编程”是程序员大神们的专利，离我远着呢，没想到小小的 Python 竟然能让我这个普通人也玩得这么溜！先说说我最直接的感受：效率爆炸！我之前工作里有很多重.............
-
很多人会疑惑，为什么在Python里，两个整数相除，结果却是浮点数？尤其是在数学概念里，我们更习惯于看到整数除以整数得到一个整数（如果整除的话）。这背后其实反映了Python语言设计的一个非常重要的考量和哲学。我们来好好拆解一下这个问题，看看Python是怎么做的，以及为什么它要这样做。核心原因：P.............
-
在 Python 中，`len(x)` 并不是一个用于补零的函数，它实际上是用来获取序列（如字符串、列表、元组等）长度的。你提到的“利用 `len(x)` 补零”可能是在说，你需要根据某个序列的长度，将另一个序列（通常是数字或字符串）进行补零操作，使其达到一个特定的长度。核心概念：为什么是补零？补零.............
-
你问的是 Python 里那个很特别的 `__init__` 方法，对吧？ 别看它名字有点怪，其实它的作用超级直接，就像是我们给一个新东西“开箱”并设置好一样。想象一下，你在网上买了个新手机。你收到包裹，拆开后，手机本身就在那儿了，但它还是一张白纸，什么都没设置好：你没登入自己的账号，没下载常用的 .............
-
好的，这就来跟你聊聊如何用 Python 实现字符串中字母的后继替换。这事儿说起来不复杂，但要做到清晰明白，咱们一步步来。想象一下，你手里有一个字符串，比如 "hello"。我们想把它变成 "ifmmp"，也就是每个字母都往后挪一个位置（a变成b，b变成c，以此类推）。遇到z怎么办？那我们就让它变成.............
-
在 Python 中，`isdigit()` 方法确实只能判断字符串是否全部由数字组成，而且是 非负整数。这意味着它会正确处理 `"123"` 这样的字符串，但对于 `"123"` 或 `"123.45"` 这样的字符串会返回 `False`。这是因为负号 `` 和小数点 `.` 都不是数字字符。那.............
-
好的，我们来聊聊如何在Python中从一段英文文本中找出所有不重复的单词。这是一个很常见的文本处理需求，我们可以用几种方法来完成，并且我会尽量把细节讲清楚，让这个过程尽可能地自然，就像我们自己一点点摸索出来的一样。想象一下，你拿到一段英文，比如某篇博客文章、一本书的片段，或者朋友发来的邮件，你想知道.............
-
Python 的魅力，很多时候藏匿于那些不经意间，不那么显眼，但一旦发现，便会让人会心一笑的小细节里。不像某些语言那么喜欢张扬自己的新特性，Python 更像是位老友，用一种润物细无声的方式，让你的编程生活变得更舒适、更高效。这里有几个我私藏已久的、不那么广为人知，但却相当有趣的 Python 小秘.............
-
在Python的世界里，我们经常会听到“模块”、“库”和“包”这些词，它们听起来似乎很相似，但实际上有着各自的定义和作用。理解它们之间的区别，对于我们更高效地组织和使用Python代码至关重要。咱们今天就来好好聊聊这三者，把它们之间的关系理个清楚，保证你听完之后，心里就跟明镜似的。 模块（Modul.............
-
在Python中，`class()` 这个写法，严格来说，它并不是我们通常意义上用来定义类的方式。我们定义类通常使用 `class ClassName: ...` 这种语法。`class()` 作为一个内置函数，它的作用更像是 在运行时动态地创建类。这听起来有点绕，我们拆开来详细聊聊，为什么会有人用.............
-
在Python中判断一个文件是不是JPG图片，主要有几种方法，各有优缺点。我会从最基础的、最直接的到稍微复杂一些的，一步一步地解释清楚。核心思路：JPG文件的“身份证”就像每个人都有身份证一样，JPG文件也有它独特的“标识”，我们称之为“文件头”或“魔数”（magic number）。JPG文件的文.............
-
这个问题很简单，在 Python 中，我们经常需要将包含数字的列表（或者更复杂的嵌套列表）转换为包含字符串的列表。这在很多场景下都很有用，比如： 数据导出： 当你需要将数据写入 CSV 文件、JSON 文件或者其他文本格式时，通常需要将数字转换为字符串。 字符串拼接： 如果你需要将数字元素组.............
-
在Python中，当你在 `for i in somelist` 循环中直接修改 `somelist` 时，结果可能会非常混乱，并且常常不是你期望的那样。这主要是因为Python的 `for` 循环在开始时会创建一个迭代器，而这个迭代器是基于列表在 那一刻 的状态。之后，当你修改列表时，迭代器并不知.............
-
Python 的 `lambda` 和 Java 的 `lambda`，虽然名字相同，都服务于函数式编程的概念，但在实现方式、使用场景和语言特性上，它们有着本质的区别，这使得它们在实际运用中展现出不同的风貌。我们先从 Python 的 `lambda` 说起。Python 的 `lambda`，可以.............
-
学习 Pandas 的旅程，与其说是“教程”，不如说是一次系统性的探索。Pandas 本身就像一个宝库，里面藏着处理和分析数据的无数利器。如果你想在这个宝库里游刃有余，我推荐以下几条路径，它们各有侧重，但组合起来能让你打下坚实的基础，并逐步精通。第一站：官方文档的魅力，从入门到精通的基石你可能会觉得.............
-
这问题问得好，确实，Python 里这两个小东西，`` 和 ``，看似简单，但它们的能耐可大了去，尤其是用在函数定义和调用上，更是能让你的代码变得灵活又强大。咱们这就来捋一捋，把它们说透了。 `args`：收集“散弹”传进来的位置参数想象一下，你写一个函数，本意是想接收几个固定的参数，比如 `def.............
-
在Linux系统中，卸载Python后，系统是否能正常运行取决于以下因素：系统本身是否依赖Python、Python在系统中的角色、以及用户自定义的软件或服务是否依赖Python。以下是详细分析： 1. 系统核心是否依赖Python？Linux系统的核心组件（如内核、系统调用、设备驱动等）不依赖Py.............
-
高频交易（HFT）领域，C++ 和 Python 在速度上的差异，绝不是一句“C++ 快多了”就能简单概括的。这背后涉及的不仅仅是语言本身的执行效率，还有它们各自的生态系统、开发模式以及在特定任务中的应用方式。如果要把这个问题说透彻，咱们得掰开了揉碎了聊。核心的物理定律：编译型 vs. 解释型首先，.............
-
C++ STL中的`map`和`Python`的字典（`dict`）在实现上选择不同的数据结构（红黑树 vs 哈希表），主要源于语言设计哲学、性能需求、内存管理、有序性要求等多方面的权衡。以下是详细分析： 1. 红黑树 vs 哈希表的核心差异| 特性 | 红黑树 .............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有