① Python中數據可視化經典庫有哪些
Python有很多經典的數據可視化庫，比較經典的數據可視化庫有下面幾個。
matplotlib
是Python編程語言及其數值數學擴展包 NumPy 的可視化操作界面。它利用通用的圖形用戶界面工具包，如 Tkinter, wxPython, Qt 或 GTK+，向應用程序嵌入式繪圖提供了應用程序介面。
pyplot 是 matplotlib 的一個模塊，它提供了一個類似 MATLAB 的介面。 matplotlib 被設計得用起來像 MATLAB，具有使用 Python 的能力。
優點：繪圖質量高，可繪制出版物質量級別的圖形。代碼夠簡單，易於理解和擴展，使繪圖變得輕松，通過Matplotlib可以很輕松地畫一些或簡單或復雜的圖形，幾行代碼即可生成直方圖、條形圖、散點圖、密度圖等等，最重要的是免費和開源。
優點：用於創建、操縱和研究復雜網路的結構、以及學習復雜網路的結構、功能及其動力學。
上面是我的回答，希望對您有所幫助！
② Python 中的可視化工具介紹
幾周前，R語言社區經歷了一場關於畫圖工具的討論。對於我們這種外人來說，具體的細節並不重要，但是我們可以將一些有用的觀點運用到 Python 中。討論的重點是 R 語言自帶的繪圖工具 base R 和 Hadley Wickham 開發的繪圖工具 ggplot2 之間的優劣情況。如果你想了解更多細節內容，請閱讀以下幾篇文備輪章：
其中最重要的兩個內容是：
不是所有人都認同第二個觀點，ggplot2確實無法繪制出所有的圖表類型，但是我會利用它來做分析。
以下是 2016 年 4 月寫的關於繪圖工具的概述。出於多方面的原因，繪圖工具的選取更多地取決於個人偏好，因此本文介紹的 Python 繪圖工具也僅代表我的個人使用偏好。
Matplotlib 是一個強大的工具，它是 Pandas' builtin-plotting 和 Seaborn 的基礎。 Matplotlib 能夠繪制許多不同的圖形，還能調用多個級別的許多 API 。我發現 pyplot api 非常好用，你可能用不上 Transforms 或者 artists ，但是如果你有需求的話可以查閱幫助文檔。我將從 pandas 和 seaborn 圖開始介紹，然後介紹如何調用 pyplot 的 API 。
DataFrame 和 Series 擁有 .plot 的命名空間，其中有許多圖形褲滾森類別可供選擇(line, hist, scatter, 等等)。 Pandas 對胡畝象還提供了額外的用於增強圖形展現效果的數據，如索引變數。
由於 pandas 具有更少的向後兼容的限制，所以它具有更好的美學特性。從這方面來說，我認為 pandas 中的 DataFrame.plot 是一個非常實用的快速探索性分析的工具。
Michael Waskom 所開發的 Seaborn 提供了一個高層次的界面來繪制更吸引人統計圖形。 Seaborn 提供了一個可以快速探索分析數據不同特徵的 API 介面，接下來我們將重點介紹它。
Bokeh 是一款針對瀏覽器開發的可視化工具。
和 matplotlib 一樣，**Bokeh
** 擁有一系列 API 介面。比如 glpyhs 介面，該介面和 matplotllib 中的 Artists 介面非常相似，它主要用於繪制環形圖、方形圖和多邊形圖等。最近 Bokeh 又開放了一個新的圖形介面，該介面主要用於處理詞典數據或 DataFrame 數據，並用於繪制罐頭圖。
以下是一些本文沒有提到的可視化工具：
我們將利用 ggplot2 中的 diamonds 數據集，你可以在 Vincent Arelbundock's RDatasets 中找到它(pd.read_csv(' http://vincentarelbundock.github.io/Rdatasets/csv/ggplot2/diamonds.csv') )，此外我們還需要檢測是否已經安裝 feather 。
[站外圖片上傳中……(4)]
Bokeh 提供了兩個 API，一個是低級的 glyph API，另一個是高級的 Charts API。
[站外圖片上傳中……(5)]
還不是很清楚我們應該在啥時候利用 Bokeh 來進行探索性分析，不過它的互動式功能可以激發我的興趣。就個人而言，由於習慣問題我平時仍然一直使用 matplotlib 來繪圖，我還無法完全切換到 Bokeh 中。
我非常喜歡 Bokeh 的儀表盤功能和 bokeh server 的 webapps。
[站外圖片上傳中……(6)]
[站外圖片上傳中……(7)]
[站外圖片上傳中……(8)]
matplotlib 並不局限於處理 DataFrame 數據，它支持所有使用 getitem 作為鍵值的數據類型。
[站外圖片上傳中……(9)]
[站外圖片上傳中……(10)]
我們從列變數的名字中提取出軸標簽，利用 Pandas 可以更加便捷地繪制一系列共享 x 軸數據的圖形。
[站外圖片上傳中……(11)]
[站外圖片上傳中……(12)]
本文中的剩餘部分將重點介紹 seaborn和為什麼我認為它是探索性分析的強大工具。
我強烈建議你閱讀 Seaborn 的 introctory notes，這上面介紹了 seaborn 的設計邏輯和應用領域。
我們可以通過一個穩定的且易懂的 API 介面來調用 Seaborn。
事實上，seaborn 是基於 matplotlib 開發的，這意味著如果你熟悉 pyplot API的話，那麼你可以很容易地掌握 seaborn。
大多數 seaborn 繪圖函數的參數都由 x, y, hue, 和 data 構成(並不是所有的參數都是必須的)。如果你處理的對象是 DataFrame，那麼你可以直接將列變數的名稱和數據集的名稱一同傳遞到繪圖函數中。
[站外圖片上傳中……(13)]
[站外圖片上傳中……(14)]
[站外圖片上傳中……(15)]
[站外圖片上傳中……(16)]
我們可以很輕易地探究兩個變數之間的關系：
[站外圖片上傳中……(17)]
[站外圖片上傳中……(18)]
或者一次探究多個變數之間的關系：
[站外圖片上傳中……(19)]
[站外圖片上傳中……(20)]
pariplot 是 PairGrid 的一個包裝函數，它提供了 seaborn 一個重要的抽象功能——Grid。Seaborn 的 Grid 將 matplotlib 中Figure 和數據集中的變數聯系起來了。
我們有兩種方式可以和 grids 進行交互操作。其一，seaborn 提供了類似於 pairplot 的包裝函數，它提前設置了許多常見任務的參數；其二，如果你需要更多的自定義選項，那麼你可以直接利用 Grid 方法。
[站外圖片上傳中……(21)]
[站外圖片上傳中……(22)]
[站外圖片上傳中……(23)]
34312 rows × 7 columns
[站外圖片上傳中……(24)]
[站外圖片上傳中……(25)]
FaceGrid 可以通過控制分面變數來生成 Grid圖形，其中PairGrid是它的一個特例。接下來的案例中，我們將以數據集中的 cut 變數為分面變數來繪制圖像：
[站外圖片上傳中……(26)]
[站外圖片上傳中……(27)]
最後一個案例展示了如何將 seaborn 和 matplotlib 結合起來。g.axes是matplotlib.Axes的一個數組，g.fig是matplotlib.Figure的一個特例。這是使用 seaborn 時常見的一個模式：利用 seaborn 的方法來繪制圖像，然後再利用 matplotlib 來調整細節部分。
我認為 seaborn 之所以吸引人是因為它的繪圖語法具有很強的靈活性。你不會被作者所設定的圖表類型所局限住，你可以根據自己的需要創建新的圖表。
[站外圖片上傳中……(28)]
[站外圖片上傳中……(29)]
[站外圖片上傳中……(30)]
[站外圖片上傳中……(31)]
本來，我打算準備更多的例子來介紹 seaborn，但是我會將相關鏈接分享給大家。Seaborn 的說明文檔寫的非常詳細。
最後，我們將結合 scikit-learn 來介紹如何利用 GridSearch 來尋找最佳參數。
[站外圖片上傳中……(32)]
[站外圖片上傳中……(33)]
[站外圖片上傳中……(34)]
原文鏈接： http://tomaugspurger.github.io/modern-6-visualization.html
譯者：Fibears
③ 強烈推薦一款Python可視化神器！強烈必備！
Plotly Express 是一個新的高級 Python 可視化庫：它是 Plotly.py 的高級封裝，它為復雜的圖表提供了一個簡單的語法。
受 Seaborn 和 ggplot2 的啟發，它專門設計為具有簡潔，一致且易於學習的 API ：只需一次導入，您就可以在一個函數調用中創建豐富的互動式繪圖，包括分面繪圖（faceting）、地圖、動畫和趨勢線。 它帶有數據集、顏色面板和主題，就像 Plotly.py 一樣。
Plotly Express 完全免費：憑借其寬松的開源 MIT 許可證，您可以隨意使用它（是的，甚至在商業產品中！）。
最重要的是，Plotly Express 與 Plotly 生態系統的其他部分完全兼容：在您的 Dash 應用程序中使用它，使用 Orca 將您的數據導出為幾乎任何文件格式，或使用JupyterLab 圖表編輯器在 GUI 中編輯它們！
用 pip install plotly_express 命令可以安裝 Plotly Express。
一旦導入Plotly Express（通常是 px ），伍空大多數繪圖只需要一個函數調用，接受一個整潔的Pandas dataframe，並簡單描述你想要製作的圖。 如果你想要一個基本的散點圖，它只是 px.scatter（data，x =「column_name」，y =「column_name」）。
以下是內置的 Gapminder 數據集的示例，顯示2007年按國家/地區的人均預期壽命和人均GDP 之間的趨勢：
如果你想通過大陸區分它們，你可以使用 color 參數為你的點著色，由 px 負責設置默認顏色，設置圖例等：
這里的每一點都是一個國家，所以也許我們想要按國家人口來衡量這些點...... 沒問題：這里也有一個參數來設置，它被稱為 size：
如果你好奇哪個國家對應哪個點？ 可以添加一個 hover_name ，您可以輕松識別任何一點：只需將滑鼠放在您感興趣的點上即可！ 事實上，即使沒有 hover_name ，整個圖表也是互動的：
也可以通過 facet_col =」continent「 來輕松劃分各大洲，就像著色點一樣容易，並且讓我們使用 x軸 對數（log_x）以便在我們在圖表中看的更清晰：
也許你不僅僅對 2007年 感興趣，而且你想看看這張圖表是如何隨著時間的推移而演變的。 可以通過設置 animation_frame=「year」 （以及 animation_group =「country」 來標識哪些圓與控制條中的年份匹配）來設置動畫。
在這個最終版本中，讓我們在這里調整一些顯示，因為像「gdpPercap」 這樣的文本有點難看，即使它是我們的數據框列的名稱。 我們可以提供更漂亮的「標簽」 （labels），可以在整個圖表、圖例、標題軸和懸停（hovers）中應用。 我們還可以手動設置邊界，以便動畫在整個過程中看起來更棒：
因為這是地理數據，我們也可以將其表示為動畫地圖，因此這清楚地表明 Plotly Express 不僅僅可以繪制散點圖（不過這個數據集缺少前蘇聯的數據）。
事實上，Plotly Express 支持三維散點圖、三維線形圖、極坐標和地圖上三元坐標以及二維坐首告標。 條形圖（Bar）有二維笛卡爾和極坐標風格。
進行可視化時，您可以使用單變數設置中的直方圖（histograms）和箱形圖（box）或小提琴圖（violin plots），或雙變數分布的密度等高線圖（density contours）。 大多數二維笛卡爾圖接受連續或分類數據，並自動處理日期/時間數據。 可以查看我們的圖庫 (ref-3) 來了解每個圖表的例子。
數據 探索 的者橘明主要部分是理解數據集中值的分布，以及這些分布如何相互關聯。 Plotly Express 有許多功能來處理這些任務。
使用直方圖（histograms），箱形圖（box）或小提琴圖（violin plots）可視化單變數分布：
直方圖：
箱形圖：
小提琴圖：
還可以創建聯合分布圖（marginal rugs），使用直方圖，箱形圖（box）或小提琴來顯示雙變數分布，也可以添加趨勢線。 Plotly Express 甚至可以幫助你在懸停框中添加線條公式和R²值！ 它使用 statsmodels 進行普通最小二乘（OLS）回歸或局部加權散點圖平滑（LOWESS）。
在上面的一些圖中你會注意到一些不錯的色標。 在 Plotly Express 中， px.colors 模塊包含許多有用的色標和序列：定性的、序列型的、離散的、循環的以及所有您喜歡的開源包：ColorBrewer、cmocean 和 Carto 。 我們還提供了一些功能來製作可瀏覽的樣本供您欣賞（ref-3）：
定性的顏色序列：
眾多內置順序色標中的一部分：
我們特別為我們的互動式多維圖表感到自豪，例如散點圖矩陣（SPLOMS）、平行坐標和我們稱之為並行類別的並行集。 通過這些，您可以在單個圖中可視化整個數據集以進行數據 探索 。 在你的Jupyter 筆記本中查看這些單行及其啟用的交互：
散點圖矩陣（SPLOM）允許您可視化多個鏈接的散點圖：數據集中的每個變數與其他變數的關系。 數據集中的每一行都顯示為每個圖中的一個點。 你可以進行縮放、平移或選擇操作，你會發現所有圖都鏈接在一起！
平行坐標允許您同時顯示3個以上的連續變數。 dataframe 中的每一行都是一行。 您可以拖動尺寸以重新排序它們並選擇值范圍之間的交叉點。
並行類別是並行坐標的分類模擬：使用它們可視化數據集中多組類別之間的關系。
Plotly Express 之於 Plotly.py 類似 Seaborn 之於 matplotlib：Plotly Express 是一個高級封裝庫，允許您快速創建圖表，然後使用底層 API 和生態系統的強大功能進行修改。 對於Plotly 生態系統，這意味著一旦您使用 Plotly Express 創建了一個圖形，您就可以使用Themes，使用 FigureWidgets 進行命令性編輯，使用 Orca 將其導出為幾乎任何文件格式，或者在我們的 GUI JupyterLab 圖表編輯器中編輯它 。
主題（Themes）允許您控制圖形范圍的設置，如邊距、字體、背景顏色、刻度定位等。 您可以使用模板參數應用任何命名的主題或主題對象：
有三個內置的 Plotly 主題可以使用， 分別是 plotly， plotlywhite 和 plotlydark。
px 輸出繼承自 Plotly.py 的 Figure 類 ExpressFigure 的對象，這意味著你可以使用任何 Figure 的訪問器和方法來改變 px生成的繪圖。 例如，您可以將 .update（） 調用鏈接到 px 調用以更改圖例設置並添加註釋。 .update（） 現在返回修改後的數字，所以你仍然可以在一個很長的 Python 語句中執行此操作：
在這里，在使用 Plotly Express 生成原始圖形之後，我們使用 Plotly.py 的 API 來更改一些圖例設置並添加註釋。
Dash 是 Plotly 的開源框架，用於構建具有 Plotly.py 圖表的分析應用程序和儀錶板。Plotly Express 產生的對象與 Dash 100％兼容，只需將它們直接傳遞到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（...））。 這是一個非常簡單的 50行 Dash 應用程序的示例，它使用 px 生成其中的圖表：
這個 50 行的 Dash 應用程序使用 Plotly Express 生成用於瀏覽數據集的 UI 。
可視化數據有很多原因：有時您想要提供一些想法或結果，並且您希望對圖表的每個方面施加很多控制，有時您希望快速查看兩個變數之間的關系。 這是交互與 探索 的范疇。
Plotly.py 已經發展成為一個非常強大的可視化交互工具：它可以讓你控制圖形的幾乎每個方面，從圖例的位置到刻度的長度。 不幸的是，這種控制的代價是冗長的：有時可能需要多行 Python 代碼才能用 Plotly.py 生成圖表。
我們使用 Plotly Express 的主要目標是使 Plotly.py 更容易用於 探索 和快速迭代。
我們想要構建一個庫，它做出了不同的權衡：在可視化過程的早期犧牲一些控制措施來換取一個不那麼詳細的 API，允許你在一行 Python 代碼中製作各種各樣的圖表。 然而，正如我們上面所示，該控制項並沒有消失：你仍然可以使用底層的 Plotly.py 的 API 來調整和優化用 Plotly Express 製作的圖表。
支持這種簡潔 API 的主要設計決策之一是所有 Plotly Express 的函數都接受「整潔」的 dataframe 作為輸入。 每個 Plotly Express 函數都體現了dataframe 中行與單個或分組標記的清晰映射，並具有圖形啟發的語法簽名，可讓您直接映射這些標記的變數，如 x 或 y 位置、顏色、大小、 facet-column 甚至是 動畫幀到數據框（dataframe）中的列。 當您鍵入 px.scatter（data，x ='col1'，y='col2'） 時，Plotly Express 會為數據框中的每一行創建一個小符號標記 - 這就是 px.scatter 的作用 - 並將 「col1」 映射到 x 位置（類似於 y 位置）。 這種方法的強大之處在於它以相同的方式處理所有可視化變數：您可以將數據框列映射到顏色，然後通過更改參數來改變您的想法並將其映射到大小或進行行分面（facet-row）。
接受整個整潔的 dataframe 的列名作為輸入（而不是原始的 numpy 向量）也允許 px 為你節省大量的時間，因為它知道列的名稱，它可以生成所有的 Plotly.py 配置用於標記圖例、軸、懸停框、構面甚至動畫幀。 但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告訴 px 用每個函數的 labels 參數替換更好的。
僅接受整潔輸入所帶來的最終優勢是它更直接地支持快速迭代：您整理一次數據集，從那裡可以使用 px 創建數十種不同類型的圖表，包括在 SPLOM 中可視化多個維度 、使用平行坐標、在地圖上繪制，在二維、三維極坐標或三維坐標中使用等，所有這些都不需要重塑您的數據！
在 API 級別，我們在 px 中投入了大量的工作，以確保所有參數都被命名，以便在鍵入時最大限度地發現：所有 scatter -類似的函數都以 scatter 開頭（例如 scatter_polar， scatter_ternary）所以你可以通過自動補全來發現它們。 我們選擇拆分這些不同的散點圖函數，因此每個散點圖函數都會接受一組定製的關鍵字參數，特別是它們的坐標系。 也就是說，共享坐標系的函數集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的參數，以最大限度地方便學習。 我們還花了很多精力來提出簡短而富有表現力的名稱，這些名稱很好地映射到底層的 Plotly.py 屬性，以便於在工作流程中稍後調整到交互的圖表中。
最後，Plotly Express 作為一個新的 Python 可視化庫，在 Plotly 生態系統下，將會迅速發展。所以不要猶豫，立即開始使用 Plotly Express 吧！
④ 一般Python都用什麼可視化開發工具平台
常見的Python可視化庫有哪些？
Matplotlib
Matplotlib是一個Python 2維繪圖庫，已經成為Python中公認的數據可視化工具，通過Matplotlib你可以很輕松地畫一些或簡單或復雜地圖形，幾行代碼即可生成線圖、直方圖、功率譜、條形圖、錯誤圖、散點圖等等。
Seaborn
Seaborn是基於Mtplotlib產生的一個模塊，專攻於統計可視化，可以和pandas進行無縫鏈接，使初學者更容易上手。相對於Matplotlib，Seaborn語法更簡潔，兩者關系類似於NumPy、和Pandas之間的關系。
HoloViews
HoloViews是一個開源的Python庫，可以用非常少的代碼行中完成數據分析和可視化，除了默認的Matplotlib後端外，還添加了一個Bokeh後端。Bokeh提供了一個強大的平台，通過結合Bokeh提供的互動式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高維可視化，非常適合於數據的互動式探索。
Altair
Altair是Python的一個公認的統計可視化庫，它的API簡單、友好、一致，並建立在強大的vega-lite（互動式圖拆睜肆形語法）之上。Altair API不包含實際的可視化呈現代碼，而是按照vega-lite規范發出JSON數據結構。由此產生的數據可以在用戶界面中呈現，早磨這種優雅的簡單性產生了漂亮且有效的可視化效果，且只需很少的代碼。
ggplot
ggplot是基於R的ggplot2和圖形語法的Python的繪圖系統，實現了更少的代碼繪制更專業的圖形。
它使用一個高級且富有表現力的API來實現線，點等元素的添加，顏色的更改等不同類型旅轎的可視化組件的組合或添加，而不需要重復使用相同的代碼，然而這對那些試圖進行高度定製的的來說，ggplot並不是最好的選擇，盡管它也可以製作一些非常復雜、好看的圖形。
Bokeh
Bokeh是一個Python互動式可視化庫，支持現代化Web瀏覽器展示。它提供風格優雅、簡潔的D3.js的圖形化樣式，並將此功能擴展到高性能交互的數據集，數據流上。使用Bokeh可以快速便捷地創建互動式繪圖、儀錶板和數據應用程序等。
Bokeh能與NumPy、Pandas，Blaze等大部分數組或表格式的數據結構完美結合。
⑤ python數據可視化--可視化概述
數據可視化棗灶是python最常見的應用領域之一，數據可視化是藉助圖形化的手段將一組數據以圖形的形式表達出來，並利用數據分析和開發工具發現其中未知信息的數據處理過程。
在學術界有一句話廣為流傳，A picture worths thousand words，就是一圖值千言。在課堂上，我經常舉的例子就是大家在刷朋友圈的時候如果看到有人轉發一篇題目很吸引人的文章時，我們都會點擊進去，可能前幾段話會很認真地看，文章很長的時候後面就會一目十行，失去閱讀的興趣。
所以將數據、表格和文字等內容用圖表的形式表達出來，既能提高讀者閱讀的興趣，還能直觀表達想要表達的內容。
python可視化庫有很多，下面列舉幾個最常用的介紹一下。
matplotlib
它是python眾多數據可視化庫的鼻祖，也是最基礎的底層數據可視化第三方庫，語言風格簡單、易懂，特別適合初學者入門學習。
seaborn
Seaborn是在matplotlib的基礎上進行了更高級的API封裝，從而使得作圖更加容易，在大多數情搏猜況下使用seaborn能做出很具有吸引力的圖，而使用matplotlib就能製作具有更多特色的圖。應該把Seaborn視為matplotlib的補充，而不是替代物。
pyecharts
pyecharts是一款將python與echarts結合的強大的數據可視化工具，生成的圖表精巧，交互性良好，可輕松集成至 Flask，Sanic，Django 等主流 Web 框架，得到眾多開發者的認可。
bokeh
bokeh是一個面向web瀏覽器凳銀扮的互動式可視化庫，它提供了多功能圖形的優雅、簡潔的構造，並在大型數據集或流式數據集上提供高性能的交互性。
python這些可視化庫可以便捷、高效地生成豐富多彩的圖表，下面列舉一些常見的圖表。
柱形圖
條形圖
坡度圖
南丁格爾玫瑰圖
雷達圖
詞雲圖
散點圖
等高線圖
瀑布圖
相關系數圖
散點曲線圖
直方圖
箱形圖
核密度估計圖
折線圖
面積圖
日歷圖
餅圖
圓環圖
馬賽克圖
華夫餅圖
還有地理空間型等其它圖表，就不一一列舉了，下節開始我們先學習matplotlib這個最常用的可視化庫。