用 Python 繪製數據的7種最流行的方法

比較七個在 Python 中繪圖的庫和 API，看看哪個最能滿足你的需求。

「如何在 Python 中繪圖？」曾經這個問題有一個簡單的答案：Matplotlib 是唯一的辦法。如今，Python 作為數據科學的語言，有著更多的選擇。你應該用什麼呢？

本指南將幫助你決定。

它將向你展示如何使用四個最流行的 Python 繪圖庫：Matplotlib、Seaborn、Plotly 和 Bokeh，再加上兩個值得考慮的優秀的後起之秀：Altair，擁有豐富的 API；Pygal，擁有漂亮的 SVG 輸出。我還會看看 Pandas 提供的非常方便的繪圖 API。

對於每一個庫，我都包含了源代碼片段，以及一個使用 Anvil 的完整的基於 Web 的例子。Anvil 是我們的平台，除了 Python 之外，什麼都不用做就可以構建網路應用。讓我們一起來看看。

示例繪圖

每個庫都採取了稍微不同的方法來繪製數據。為了比較它們，我將用每個庫繪製同樣的圖，並給你展示源代碼。對於示例數據，我選擇了這張 1966 年以來英國大選結果的分組柱狀圖。

我從維基百科上整理了英國選舉史的數據集：從 1966 年到 2019 年，保守黨、工黨和自由黨（廣義）在每次選舉中贏得的英國議會席位數，加上「其他」贏得的席位數。你可以以 CSV 文件格式下載它。

Matplotlib

Matplotlib 是最古老的 Python 繪圖庫，現在仍然是最流行的。它創建於 2003 年，是 SciPy Stack 的一部分，SciPy Stack 是一個類似於 Matlab 的開源科學計算庫。

Matplotlib 為你提供了對繪製的精確控制。例如，你可以在你的條形圖中定義每個條形圖的單獨的 X 位置。下面是繪製這個圖表的代碼（你可以在這裡運行）：

    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()

這是用 Matplotlib 繪製的選舉結果:

Seaborn

Seaborn 是 Matplotlib 之上的一個抽象層；它提供了一個非常整潔的界面，讓你可以非常容易地製作出各種類型的有用繪圖。

不過，它並沒有在能力上有所妥協！Seaborn 提供了訪問底層 Matplotlib 對象的逃生艙口，所以你仍然可以進行完全控制。

Seaborn 的代碼比原始的 Matplotlib 更簡單（可在此處運行）：

    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()

並生成這樣的圖表：

Plotly

Plotly 是一個繪圖生態系統，它包括一個 Python 繪圖庫。它有三個不同的介面：

1. 一個面向對象的介面。
2. 一個命令式介面，允許你使用類似 JSON 的數據結構來指定你的繪圖。
3. 類似於 Seaborn 的高級介面，稱為 Plotly Express。

Plotly 繪圖被設計成嵌入到 Web 應用程序中。Plotly 的核心其實是一個 JavaScript 庫！它使用 D3 和 stack.gl 來繪製圖表。

你可以通過向該 JavaScript 庫傳遞 JSON 來構建其他語言的 Plotly 庫。官方的 Python 和 R 庫就是這樣做的。在 Anvil，我們將 Python Plotly API 移植到了 Web 瀏覽器中運行。

這是使用 Plotly 的源代碼（你可以在這裡運行）：

    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(x=x, y=df['conservative'], name='Conservative', marker=go.bar.Marker(color='#0343df')),
        go.Bar(x=x, y=df['labour'], name='Labour', marker=go.bar.Marker(color='#e50000')),
        go.Bar(x=x, y=df['liberal'], name='Liberal', marker=go.bar.Marker(color='#ffff14')),
        go.Bar(x=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, layout=layout)

    # Tell Plotly to render it
    fig.show()

選舉結果圖表：


Bokeh

Bokeh（發音為 「BOE-kay」）擅長構建互動式繪圖，所以這個標準的例子並沒有將其展現其最好的一面。和 Plotly 一樣，Bokeh 的繪圖也是為了嵌入到 Web 應用中，它以 HTML 文件的形式輸出繪圖。

下面是使用 Bokeh 的代碼（你可以在這裡運行）：

    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(x=x, y=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, source=source, fill_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

圖表如下：


Altair

Altair 是基於一種名為 Vega 的聲明式繪圖語言（或「可視化語法」）。這意味著它具有經過深思熟慮的 API，可以很好地擴展複雜的繪圖，使你不至於在嵌套循環的地獄中迷失方向。

與 Bokeh 一樣，Altair 將其圖形輸出為 HTML 文件。這是代碼（你可以在這裡運行）：

    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)

    # Here's 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')

結果圖表：


Pygal

Pygal 專註於視覺外觀。它默認生成 SVG 圖，所以你可以無限放大它們或列印出來，而不會被像素化。Pygal 繪圖還內置了一些很好的交互性功能，如果你想在 Web 應用中嵌入繪圖，Pygal 是另一個被低估了的候選者。

代碼是這樣的（你可以在這裡運行它）：

    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')

繪製結果：


Pandas

Pandas 是 Python 的一個極其流行的數據科學庫。它允許你做各種可擴展的數據處理，但它也有一個方便的繪圖 API。因為它直接在數據幀上操作，所以 Pandas 的例子是本文中最簡潔的代碼片段，甚至比 Seaborn 的代碼還要短！

Pandas API 是 Matplotlib 的一個封裝器，所以你也可以使用底層的 Matplotlib API 來對你的繪圖進行精細的控制。

這是 Pandas 中的選舉結果圖表。代碼精美簡潔！

    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()

繪圖結果：


要運行這個例子，請看這裡。

以你的方式繪製

Python 提供了許多繪製數據的方法，無需太多的代碼。雖然你可以通過這些方法快速開始創建你的繪圖，但它們確實需要一些本地配置。如果需要，Anvil 為 Python 開發提供了精美的 Web 體驗。祝你繪製愉快！

via: https://opensource.com/article/20/4/plot-data-python

作者：[Shaun Taylor-Morgan](https://opensource.com/users/shaun-taylor-morgan "View user profile.") 譯者：wxy 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive