Python 常用可视化库介绍

上来先说个正事，这将是一个关于 Python 可视化的系列文章。将会陆续由浅入深更新不同 Python 可视化库的使用。本篇相当于一个开篇，先给大家介绍一下这个系列即将常用到的库。

算是立帖为证，欢迎大家对熊猫进行日常催更。

关于环境

Python IDE：Jupyter Notebook

Python 环境：Anaconda集成环境

环境搭建教程链接：Python 环境安装

系列前言

Python 中关于可视化的库有很多，不全面的统计有近 20 个库都能做数据可视化。不同的库有各自的特色和偏重。

这个系列我们会挑选最常使用的库进行分享，其实，代码无非是方法参数的不同，核心是掌握逻辑，学会这个系列的内容。实战时再去根据情况找其他方法也是非常简单的。

这个系列，我们即将分享有关 Matplotlib、Seaborn、pyEcharts 三个可视化库的内容。除此之外可能还会涉及到 brewer2mpl 色板库。因为是数据可视化，肯定少不了数据处理库的使用，比如说 Numpy 和 Pandas。

这些库有些是 Anaconda 中已经集成好的，也有些需要另行安装。不用担心，到时候分享之前都会附上安装说明的。哼哼

Matplotlib

Matplotlib 是 Python 中自带的可视化工具包，也是最常用的可视化库之一。许多其他库都是基于它生成的。

下面这张图取自 Matplotlib 官网中的部分案例。每张图都有对应的代码。比如第一个堆积条形图，点进去就会有相关的案例代码。并且都是支持复制下载的。

但是问题来了，每一个例子的代码都并不简单。也没有注释可以参考。对初学者来说还是很忧伤的，所以这个系列我们将选一些经典的、常用的图进行拆解分享。

官方文档链接：https://matplotlib.org/

Seaborn

Seaborn 是在 Matplotlib 的基础上进行了更高级的封装，从而使得图有更多的主题可以选择，想做的好看也变得更加容易，通常使用 Seaborn 能做出有吸引力的图，而使用 Matplotlib 就能制作具有更多基础图。Seaborn 就是让困难的东西更加简单，用 Matplotlib 最大的困难是很多方法中有许多默认的参数，而 Seaborn 则完全避免了这一问题。所以我们可以把 Seaborn 视为 Matplotlib 的补充或者说是一个升级 PLUS，而不是它的替代物。在日常使用中，一般也会两个库结合使用。

另外和 Matplotlib 库一样，Seaborn 能高度兼容 numpy 与 pandas 数据结构，以及 scipy , statsmodels 等统计数据。

官方文档链接：https://seaborn.pydata.org/

pyEcharts

说到 pyecharts ，就得提一下 Echarts ， Echarts 是个由百度开源的数据可视化平台，有这非常好的交互性。而且图表初始模式就非常的美观精致，在业界得到了非常大的认可。可以简单看看下图体验一下 Echarts 平台上做出的图表。

上图来自 Echarts 平台的示例库，除了所见的好看之外，交互效果也非常不错。鼠标放在对应的位置上会有对应信息显示的效果（可以自行脑补）。

强大的 Echarts 和 Python 又有什么联系呢？

我们都知道 Python 作为一门非常便于没有编程基础入门的编程语言，对数据处理有着非常强大快速的功能。所以当数据处理遇上可视化，pyecharts 库就这么诞生了。

pyecharts 库拥有着非常简洁的 API 设计，调用方法时，如丝般顺滑。囊括了 30 多种常用图表，有着非常高度灵活的配置项，可以很轻松的就搭配出精美的图表。他继承了 flask，django 等主流 web 框架。并且获得了百度地图的支持，处理起地理数据时，有着得天独厚的优势。

官方文档链接：https://pyecharts.org/