我最常用的六個數據可視化工具，強烈推薦

作者：程序員小寒 2024-04-25 16:27:07

今天給大家分享機器學習中用于數據可視化的 6 個 Python 庫。

1.Matplotlib

Matplotlib 是一個用于在 Python 中創建數據可視化的庫，常用于繪制圖表、圖形。

它提供了一個類似 MATLAB 的接口，方便用戶快速繪制各種靜態、動態和交互式的圖表。

import matplotlib.pyplot as plt
import numpy as np

# 生成數據
x = np.arange(10)  # X軸數據
y = np.random.random(10)  # Y軸數據，生成10個隨機數

# 創建圖形
plt.figure(figsize=(10, 5))

# 繪制折線圖
plt.plot(x, y, label='Random data')

# 添加標題和標簽
plt.title('Simple Line Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')

# 顯示圖例
plt.legend()

# 顯示圖形
plt.show()

2.Seaborn

Seaborn 是一個基于 Matplotlib 的數據可視化庫，它提供了更高級的接口，使得繪制更加吸引人且富有信息的統計圖形變得更簡單。

import seaborn as sns
import matplotlib.pyplot as plt

# 創建示例數據
data = {'Category': ['A', 'B', 'C', 'D'],
        'Values': [10, 15, 7, 10]}

# 轉換為 DataFrame
import pandas as pd
df = pd.DataFrame(data)

# 創建柱狀圖
sns.barplot(x='Category', y='Values', data=df,palette=sns.color_palette("hls", 4))

# 添加標題
plt.title('Bar Plot of Categories')

# 顯示圖形
plt.show()

3. Plotly Express

Plotly Express 是 Plotly 的一個高級封裝庫，專門用于創建交互式圖表。

它提供了一個簡單的語法，能夠快速地生成復雜的圖表，包括線圖、散點圖、柱狀圖、餅圖等。

Plotly Express 的優點在于其強大的交互功能，如懸停提示、縮放和滑動條等，這使得它非常適合探索性數據分析和呈現動態數據。

import plotly.express as px

# 創建示例數據
data = {'Category': ['A', 'B', 'C', 'D'],
        'Values': [10, 15, 7, 10]}

# 轉換為 DataFrame
import pandas as pd
df = pd.DataFrame(data)

# 創建餅圖
fig = px.pie(df, names='Category', values='Values', title='Distribution of Categories')

# 顯示圖形
fig.show()

4.Pygal

Pygal 是一個用于創建 SVG (Scalable Vector Graphics) 圖表的 Python 庫。

它設計輕巧，易于使用，特別適合 web 應用的動態圖表。

Pygal 提供了各種圖表類型，如條形圖、線形圖、餅圖、雷達圖和散點圖等。

它的主要優點之一是可以直接在瀏覽器中查看動態可縮放的圖形，這對于需要在 web 頁面上直接嵌入圖形的應用來說非常有用。

import pygal

# 創建散點圖對象
scatter_chart = pygal.XY(stroke=False)

# 圖表標題
scatter_chart.title = 'Sample Scatter Plot'

# 添加數據點
scatter_chart.add('A', [(1, 2), (4, 7), (5, 3)])
scatter_chart.add('B', [(2, 3), (3, 12), (6, 8)])

# 保存圖表到文件，也可以使用 render_to_file('scatter_chart.svg') 方法
scatter_chart.render_to_file('scatter_chart.svg')

5.Altair

Altair 是一個聲明式的統計可視化庫。

它建立在強大的 Vega-Lite 可視化語法之上，使得創建復雜和美觀的圖表變得簡單而直觀。

Altair 的主要優點是其聲明式語法：你只需描述圖表的各個組成部分，如數據和編碼，而無需擔心底層實現細節。

這使得 Altair 非常適合于數據探索和快速可視化。

import altair as alt
from vega_datasets import data

# 加載鳶尾花數據集
iris = data.iris()

# 使用melt將數據從寬格式轉換為長格式
iris_long = iris.melt(id_vars='species', var_name='Measurement_type', value_name='value')

# 創建密度圖
density_plot = alt.Chart(iris_long).transform_density(
    'value',
    as_=['value', 'density'],
    groupby=['Measurement_type']
).mark_area(opacity=0.5).encode(
    alt.X('value:Q'),
    alt.Y('density:Q'),
    alt.Color('Measurement_type:N')
).properties(
    title='Density Plot'
)

density_plot

6.Bokeh

Bokeh 是一個用于創建交互式和可視化圖表的 Python 庫，特別適合在瀏覽器中展示。

它能夠處理大型數據集或實時數據集，支持快速繪制，并且可以輕松地嵌入到 HTML 頁面中。

from bokeh.plotting import figure, show, output_file
from bokeh.models import ColumnDataSource
import pandas as pd

# 準備數據
data = pd.DataFrame({
    'x': [1, 2, 3, 4, 5],
    'y1': [2, 5, 8, 2, 7],
    'y2': [3, 5, 7, 8, 6]
})

# 創建一個繪圖
p = figure(width=600, height=400)

# 添加面積圖，使用鮮艷的顏色
p.varea_stack(['y1', 'y2'], x='x', color=("blue", "orange"), source=data)

# 顯示結果
output_file("area_chart.html")
show(p)

責任編輯：華軒來源：程序員學長

數據可視化 Python