本文首发于微信公众号“Python数据之道”
前言
本文主要摘录自 pycon 2017大会的一个演讲，同时结合自己的一些理解。
pycon 2017的相关演讲主题是“The Python Visualization Landscape”。
先来一张全景图镇楼~~
看完这张图是不是有点懵？
别着急，我们一起来看看后面的阐述。
python可视化库可以大致分为几类：
-
基于matplotlib的可视化库
-
基于JS的可视化库
-
基于上述两者或其他组合功能的库
基于matplotlib的可视化库
matplotlib是python可视化库的基础。matplotlib库的设计参考了matlab，甚至连名称也是以“mat”开头。
matplotlib库的一些优势：(翻译比较别扭，英文原文也附后)
-
设计很像Matlab，容易进行转换（Designed like Matlab: switching was easy）
-
有很多渲染后端（Many rendering backends）
-
差不多可以绘制任何图（当然需要花费些努力）(Can reproduce just about any plot with a bit of effort)
-
有长时间良好运行的历史 (Well-tested, standard tool for over a decade)
matplotlib库的一些缺点：
-
必须要掌握API，且描述较为冗长（API is imperative & often overly berbose)
-
有时候默认的样式设计比较弱（Sometimes poor stylistic defaults）
-
对网页以及交互式绘图的支持较弱(Poor support for web/interactive graphs)
-
数据量大时经常运行较慢（Often slow for large & complicated data）
Matplotlib自2003年发布以来，使用情况还是呈现了良好的趋势：
Matplotlib部分绘图实例如下：
关于matplotlib，微信公众号之前写过一篇关于饼图的介绍，有兴趣的可阅览下。
也因此，后续开发者都吸取了matplotlib库的优点，经过对matplotlib库的缺点进行改进，从而衍生出一系列的可视化库。
基于matplotlib的库概览如下：
下面介绍两个重要的基于matplotlib的第三方库：pandas以及seaborn
Pandas
可能我们平时使用pandas时更多的是用来进行数据分析和处理，其实pandas也提供了较为简单的API来进行图形绘制。
我个人一般是用pandas来处理数据，然后结合其他可视化库（如matplotlib，seaborn，bokeh等）来绘图图形。
Pandas部分绘图实例如下：
微信公众号中部分文章的案例可供参考。
seaborn
Seaborn是基于matplotlib的Python可视化库。它提供了一个高级别接口用于图形绘制。
Seaborn在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图。
关于Searbon，微信公众号之前写过一篇关于热力图的介绍文章，有兴趣的可阅览下。
Seaborn部分绘图实例如下：
详细信息可在其官方网站查阅：
http://seaborn.pydata.org/
基于JavaScript的可视化库
两个受欢迎度较高的可视化库 bokeh 和 plotly
bokeh
Bokeh (Bokeh.js) 是一个 Python 交互式可视化库，支持现代化Web浏览器，提供非常完美的展示功能。Bokeh 的目标是使用 D3.js样式提供优雅，简洁新颖的图形化风格，同时提供大型数据集的高性能交互功能。Boken 可以快速的创建交互式的绘图，仪表盘和数据应用。
关于bokeh，微信公众号之前写过的文章用应用过timeseries图，有兴趣的可阅览下。
bokeh部分绘图实例如下：
详细信息可在其官方网站查阅：
http://bokeh.pydata.org
plotly
Plotly是另一个免费进行数据分析和绘制图表的APP，建立在d3.js上。 Plotly图可下载为SVG，EPS或PNG格式，并简单地导入到Illustrator或者Photoshop中。
跟bokeh类似，也可以制作一些交互式的web图。
plotly部分绘图实例如下：
详细内容可以去官网参考：
https://plot.ly/python/
其他综合类型库
Holoviews
Holoviews能够让用户构建有助于可视化的数据结构，而且它包含丰富的可组合元素库，可以覆盖、嵌套和轻松定位。同时，它还支持快速数据探索。
Holoviews可以和Seaborn、pandas或者bokeh组合使用。
由于笔者还没具体了解过Holoviews的使用功能，这里将英文的描述直接放在下面，以免个人理解不准确而产生误导。
关于Holoviews的效果图，可参考下面动态图，建议观看原视频，效果会好点。
Altair
Altairs起源于D3，但代码编写量要比D3简单。这里有两幅对比的图如下：
-
用D3绘制的柱状图
-
用Altairs绘制的柱状图
Altair 是 Python 高级声明式可视化库。Altair 提供一个 Python API 在声明式 manner 中构建静态统计可视化库。
什么是声明式可视化库呢，不管是翻译成中文的名称还是看英文的名称，我都一脸懵圈。幸好，有英文的进一步描述，如下：
总的来说，Altairs让开发者们更专注于数据及他们之间的关系，而不是一些不重要的细节。
最后，再放上这张Python可视化的全景图，对于个人而言，不一定能全部熟悉使用，但是能熟练用好其中的一部分，实际应用于工作及项目中，也就OK了。
关于视频
pycon 2017的相关演讲主题的视频在youtube上可观看，由于墙的缘故，部分童鞋可能不能观看视频。
python可视化这个视频，我已经下载下来，需要的童鞋可在微信公众号“Python数据之道”后台回复关键字获取视频，关键字如下：
“2017-024”（不含引号）
相关文章：