用 Python 绘制数据的7种流行的方法
“如何在 Python 中绘图?制数种流”曾经这个问题有一个简单的答案：Matplotlib 是唯一的办法。如今，制数种流Python 作为数据科学的制数种流语言，有着更多的制数种流选择。你应该用什么呢?制数种流
本指南将帮助你决定。
它将向你展示如何使用四个最流行的制数种流 Python 绘图库：Matplotlib、Seaborn、制数种流Plotly 和 Bokeh，制数种流再加上两个值得考虑的制数种流优秀的后起之秀：Altair，拥有丰富的制数种流 API;Pygal，拥有漂亮的制数种流 SVG 输出。我还会看看 Pandas 提供的制数种流非常方便的绘图 API。
对于每一个库，制数种流我都包含了源代码片段，制数种流以及一个使用 Anvil 的制数种流完整的基于 Web 的例子。Anvil 是我们的平台，除了 Python 之外，高防服务器什么都不用做就可以构建网络应用。让我们一起来看看。
示例绘图
每个库都采取了稍微不同的方法来绘制数据。为了比较它们，我将用每个库绘制同样的图，并给你展示源代码。对于示例数据，我选择了这张 1966 年以来英国大选结果的分组柱状图。
Bar chart of British election data我从维基百科上整理了英国选举史的数据集：从 1966 年到 2019 年，保守党、工党和自由党(广义)在每次选举中赢得的英国议会席位数，加上“其他”赢得的席位数。你可以以 CSV 文件格式下载它。
Matplotlib
Matplotlib 是最古老的 Python 绘图库，现在仍然是最流行的。它创建于 2003 年，是 SciPy Stack 的一部分，SciPy Stack 是一个类似于 Matlab 的开源科学计算库。
Matplotlib 为你提供了对绘制的亿华云计算精确控制。例如，你可以在你的条形图中定义每个条形图的单独的 X 位置。下面是绘制这个图表的代码(你可以在这里运行)：
import matplotlib.pyplot as plt import numpy as np from votes import wide as df # Initialise a figure. subplots() with no args gives one plot. fig, ax = plt.subplots() # A little data preparation years = df[year] x = np.arange(len(years)) # Plot each bar plot. Note: manually calculating the dodges of the bars ax.bar(x - 3*width/2, df[conservative], width, label=Conservative, color=#0343df) ax.bar(x - width/2, df[labour], width, label=Labour, color=#e50000) ax.bar(x + width/2, df[liberal], width, label=Liberal, color=#ffff14) ax.bar(x + 3*width/2, df[others], width, label=Others, color=#929591) # Customise some display properties ax.set_ylabel(Seats) ax.set_title(UK election results) ax.set_xticks(x) # This ensures we have one tick per year, otherwise we get fewer ax.set_xticklabels(years.astype(str).values, rotation=vertical) ax.legend() # Ask Matplotlib to show the plot plt.show()这是用 Matplotlib 绘制的选举结果：
Matplotlib plot of British election data
Seaborn
Seaborn 是 Matplotlib 之上的一个抽象层;它提供了一个非常整洁的界面，让你可以非常容易地制作出各种类型的有用绘图。
不过，它并没有在能力上有所妥协!Seaborn 提供了访问底层 Matplotlib 对象的逃生舱口，所以你仍然可以进行完全控制。
Seaborn 的代码比原始的 Matplotlib 更简单(可在此处运行)：
import seaborn as sns from votes import long as df # Some boilerplate to initialise things sns.set() plt.figure() # This is where the actual plot gets made ax = sns.barplot(data=df, x="year", y="seats", hue="party", palette=[blue, red, yellow, grey], saturation=0.6) # Customise some display properties ax.set_title(UK election results) ax.grid(color=#cccccc) ax.set_ylabel(Seats) ax.set_xlabel(None) ax.set_xticklabels(df["year"].unique().astype(str), rotation=vertical) # Ask Matplotlib to show it plt.show()并生成这样的图表：
Seaborn plot of British election data
Plotly
Plotly 是一个绘图生态系统，它包括一个 Python 绘图库。它有三个不同的接口：
一个面向对象的接口。 一个命令式接口，允许你使用类似 JSON 的数据结构来指定你的绘图。源码库 类似于 Seaborn 的高级接口，称为 Plotly Express。Plotly 绘图被设计成嵌入到 Web 应用程序中。Plotly 的核心其实是一个 JavaScript 库!它使用 D3 和 stack.gl 来绘制图表。
你可以通过向该 JavaScript 库传递 JSON 来构建其他语言的 Plotly 库。官方的 Python 和 R 库就是这样做的。在 Anvil，我们将 Python Plotly API 移植到了 Web 浏览器中运行。
这是使用 Plotly 的源代码(你可以在这里运行)：
import plotly.graph_objects as go from votes import wide as df # Get a convenient list of x-values years = df[year] x = list(range(len(years))) # Specify the plots bar_plots = [ go.Bar(xx=x, y=df[conservative], name=Conservative, marker=go.bar.Marker(color=#0343df)), go.Bar(xx=x, y=df[labour], name=Labour, marker=go.bar.Marker(color=#e50000)), go.Bar(xx=x, y=df[liberal], name=Liberal, marker=go.bar.Marker(color=#ffff14)), go.Bar(xx=x, y=df[others], name=Others, marker=go.bar.Marker(color=#929591)), ] # Customise some display properties layout = go.Layout( title=go.layout.Title(text="Election results", x=0.5), yaxis_title="Seats", xaxis_tickmode="array", xaxis_tickvals=list(range(27)), xaxis_ticktext=tuple(df[year].values), ) # Make the multi-bar plot fig = go.Figure(data=bar_plots, layoutlayout=layout) # Tell Plotly to render it fig.show()Bokeh
Bokeh(发音为 “BOE-kay”)擅长构建交互式绘图，所以这个标准的例子并没有将其展现其最好的一面。和 Plotly 一样，Bokeh 的绘图也是为了嵌入到 Web 应用中，它以 HTML 文件的形式输出绘图。
下面是使用 Bokeh 的代码(你可以在这里运行)：
from bokeh.io import show, output_file from bokeh.models import ColumnDataSource, FactorRange, HoverTool from bokeh.plotting import figure from bokeh.transform import factor_cmap from votes import long as df # Specify a file to write the plot to output_file("elections.html") # Tuples of groups (year, party) x = [(str(r[1][year]), r[1][party]) for r in df.iterrows()] y = df[seats] # Bokeh wraps your data in its own objects to support interactivity source = ColumnDataSource(data=dict(xx=x, yy=y)) # Create a colourmap cmap = { Conservative: #0343df, Labour: #e50000, Liberal: #ffff14, Others: #929591, } fill_color = factor_cmap(x, palette=list(cmap.values()), factors=list(cmap.keys()), start=1, end=2) # Make the plot p = figure(x_range=FactorRange(*x), width=1200, title="Election results") p.vbar(x=x, top=y, width=0.9, sourcesource=source, fill_colorfill_color=fill_color, line_color=fill_color) # Customise some display properties p.y_range.start = 0 p.x_range.range_padding = 0.1 p.yaxis.axis_label = Seats p.xaxis.major_label_orientation = 1 p.xgrid.grid_line_color = None图表如下：
Bokeh plot of British election data
Altair
Altair 是基于一种名为 Vega 的声明式绘图语言(或“可视化语法”)。这意味着它具有经过深思熟虑的 API，可以很好地扩展复杂的绘图，使你不至于在嵌套循环的地狱中迷失方向。
与 Bokeh 一样，Altair 将其图形输出为 HTML 文件。这是代码(你可以在这里运行)：
import altair as alt from votes import long as df # Set up the colourmap cmap = { Conservative: #0343df, Labour: #e50000, Liberal: #ffff14, Others: #929591, } # Cast years to strings df[year] = df[year].astype(str) # Heres where we make the plot chart = alt.Chart(df).mark_bar().encode( x=alt.X(party, title=None), y=seats, column=alt.Column(year, sort=list(df[year]), title=None), color=alt.Color(party, scale=alt.Scale(domain=list(cmap.keys()), range=list(cmap.values()))) ) # Save it as an HTML file. chart.save(altair-elections.html)结果图表：
Altair plot of British election dataPygal
Pygal
专注于视觉外观。它默认生成 SVG 图，所以你可以无限放大它们或打印出来，而不会被像素化。Pygal 绘图还内置了一些很好的交互性功能，如果你想在 Web 应用中嵌入绘图，Pygal 是另一个被低估了的候选者。
代码是这样的(你可以在这里运行它)：
import pygal from pygal.style import Style from votes import wide as df # Define the style custom_style = Style( colors=(#0343df, #e50000, #ffff14, #929591) font_family=Roboto,Helvetica,Arial,sans-serif, background=transparent, label_font_size=14, ) # Set up the bar plot, ready for data c = pygal.Bar( title="UK Election Results", style=custom_style, y_title=Seats, width=1200, x_label_rotation=270, ) # Add four data sets to the bar plot c.add(Conservative, df[conservative]) c.add(Labour, df[labour]) c.add(Liberal, df[liberal]) c.add(Others, df[others]) # Define the X-labels c.x_labels = df[year] # Write this to an SVG file c.render_to_file(pygal.svg)绘制结果：
Pygal plot of British election data
Pandas
Pandas 是 Python 的一个极其流行的数据科学库。它允许你做各种可扩展的数据处理，但它也有一个方便的绘图 API。因为它直接在数据帧上操作，所以 Pandas 的例子是本文中最简洁的代码片段，甚至比 Seaborn 的代码还要短!
Pandas API 是 Matplotlib 的一个封装器，所以你也可以使用底层的 Matplotlib API 来对你的绘图进行精细的控制。
这是 Pandas 中的选举结果图表。代码精美简洁!
from matplotlib.colors import ListedColormap from votes import wide as df cmap = ListedColormap([#0343df, #e50000, #ffff14, #929591]) ax = df.plot.bar(x=year, colormap=cmap) ax.set_xlabel(None) ax.set_ylabel(Seats) ax.set_title(UK election results) plt.show()绘图结果：
Pandas plot of British election data要运行这个例子，请看这里。
以你的方式绘制
Python 提供了许多绘制数据的方法，无需太多的代码。虽然你可以通过这些方法快速开始创建你的绘图，但它们确实需要一些本地配置。如果需要，Anvil 为 Python 开发提供了精美的 Web 体验。祝你绘制愉快!