您应该了解的顶级 Python 数据可视化库

Python 可以用数据做很多事情。 它的众多功能之一是可视化。 它有多个可用于此目的的库。 在本文中，我们将看看它的一些著名库以及您可以通过它们绘制的各种图表。

Python 数据可视化

我们在本文中分享了多个示例，请务必使用数据集进行尝试。 让我们开始吧：

Python 数据可视化库

Python 有许多库可以创建漂亮的图形。 它们都具有增强其性能和功能的各种功能。 它们适用于所有技能水平。 这意味着无论您是初学者还是高级程序员，您都可以在 Python 中执行数据可视化。 以下是一些著名的库：

• 海博恩
• Matplotlib
• 熊猫

还有许多其他用于数据科学的 Python 库，但我们暂时专注于突出的库。 我们现在将讨论这些不同的库，并了解如何使用它们和 Python 绘制图形。 让我们开始吧。

Matplotlib

最流行的用于绘制图形的 Python 库是 Matplotlib。 它不需要太多经验，对于初学者来说，它是完美的。 你可以通过这个库开始学习数据可视化，掌握各种图表和可视化。 它给了你很大的自由，但你也必须编写很多代码。

人们使用 Matplotlib 进行简单的可视化，例如条形图和直方图。

阅读：Python 中的数据框

折线图

要创建折线图，您需要使用“绘图”方法。 通过循环列，您可以在图表中创建多个列。 为此目的使用以下代码：

# 获取要绘制的列

列 = iris.columns.drop(['class'])

# 创建 x 个数据

x_data = range(0, iris.shape[0])

# 创建图形和轴

无花果，斧头 = plt.subplots()

# 绘制每一列

对于列中的列：

ax.plot(x_data, iris[column], label=column)

# 设置标题和图例

ax.set_title('虹膜数据集')

斧头传奇（）

散点图

您可以使用 'scatter' 方法创建散点图。 您应该通过“plt.subplots”创建一个轴和一个图形，以提供您的绘图标签和标题。

使用以下代码：

# 创建图形和轴

无花果，斧头 = plt.subplots()

# 将 sepal_length 分散到 sepal_width

ax.scatter(iris['sepal_length'], iris['sepal_width'])

# 设置标题和标签

ax.set_title('虹膜数据集')

ax.set_xlabel('sepal_length')

ax.set_ylabel('sepal_width')

您可以根据它们的类为数据点添加颜色。 为此，您需要制作一个从类映射到颜色的字典。 它也会通过使用 for 循环来分散每个点。

# 创建颜色字典

颜色 = {'Iris-setosa':'r', 'Iris-versicolor':'g', 'Iris-virginica':'b'}

# 创建图形和轴

无花果，斧头 = plt.subplots()

# 绘制每个数据点

对于我在范围内（len（iris ['sepal_length']））：

ax.scatter(iris['sepal_length'][i], iris['sepal_width'][i],color=colors[iris['class'][i]])

# 设置标题和标签

ax.set_title('虹膜数据集')

ax.set_xlabel('sepal_length')

ax.set_ylabel('sepal_width')

直方图

您可以使用 'hist' 方法在 Matplotlib 中创建直方图。 如果我们给它分类数据，它可以计算每个类出现的频率。 这是在 Matplotlib 中绘制直方图所需的代码：

# 创建图形和轴

无花果，斧头 = plt.subplots()

# 绘制直方图

ax.hist(wine_reviews['points'])

# 设置标题和标签

ax.set_title('酒评分数')

ax.set_xlabel('点')

ax.set_ylabel('频率')

条形图

Matplotlib 具有绘制不同图形的简单方法。 例如，在这种情况下，要在 Matplotlib 中创建条形图，您需要使用“bar”。 它不能自动计算类别的频率，所以你需要使用'value_counts'函数来解决这个问题。 如果您的数据类型不多，那么条形图将非常适合其可视化。

# 创建图形和轴

无花果，斧头 = plt.subplots()

# 统计每个类的出现次数

数据 = wine_reviews['points'].value_counts()

# 获取 x 和 y 数据

点 = data.index

频率 = data.values

# 创建条形图

ax.bar（点，频率）

# 设置标题和标签

ax.set_title('酒评分数')

ax.set_xlabel('点')

ax.set_ylabel('频率')

熊猫

Pandas 是一个 Python 库，在数据分析和操作方面很受欢迎。 它是一个开源库，因此您可以免费使用它。 它于 2008 年进入市场，从那时起，它已成为最受欢迎的数据结构化库之一。

通过使用 pandas 数据框，您可以轻松地为您的数据创建图表。 它的 API 比 Matplotlib 更先进。 这意味着您可以在 Pandas 中使用比在 Matplotlib 中更少的代码创建图形。

条形图

在 Pandas 中，您需要使用 'plot.bar()' 方法来绘制条形图。 首先，您需要通过“value_count()”计算情节中的出现次数，然后使用“sort_index()”对它们进行排序。 这是创建条形图的示例代码：

random_reviews['points'].value_counts().sort_index().plot.bar()

您可以使用 'plot.barh()' 方法在 Pandas 中创建水平条形图：

random_reviews['points'].value_counts().sort_index().plot.barh()

您也可以通过出现次数绘制数据：

random_reviews.groupby(“国家”).price.mean().sort_values(ascending=False)[:5].plot.bar()

折线图

您需要使用 '<dataframe>.plot.line()' 在 Pandas 中创建折线图，在 Pandas 中，您不需要遍历需要绘制的每一列，因为它可以自动执行。 此功能在 Matplotlib 中不可用。 这是代码：

random.drop(['class'],axis=1).plot.line(title='随机数据集')

散点图

您可以使用“<dataset>.plot.scatter()”在 Pandas 中创建散点图。 您需要向它传递两个参数，即 x 列和 y 列的名称。

这是它的例子：

random.plot.scatter(x='sepal_length', y='sepal_width', title=”随机数据集')

直方图

使用“plot.hist”在 Pandas 中创建直方图。 除此之外，这种方法没有太多内容。 您可以选择创建单个直方图或多个直方图。

要创建一个直方图，请使用以下代码：

random_reviews['points'].plot.hist()

要创建多个直方图，请使用：

random.plot.hist(subplots=True, layout=(2,2), figsize=(10, 10), bins=20)

海博恩

Seaborn 基于 Matplotlib，也是一个非常流行的用于数据可视化的 Python 库。 它为您提供了高级界面来绘制数据。 它有很多特点。 它的高级功能使您可以使用比使用 Matplotlib 所需的更少的代码行数创建出色的图形。

直方图

折线图

您可以使用“sns.line plot”方法在 Seaborn 中创建折线图。 您可以使用“sns.kdeplot”方法对线条的曲线边缘进行圆化。 如果它有很多异常值，它会保持你的情节非常干净。

sns.lineplot(data=random.drop(['class'],axis=1))

散点图

在 Seaborn 中，您可以通过 '.scatterplot' 方法创建散点图。 在这种情况下，您需要添加 x 和 y 列的名称，就像我们对 Pandas 所做的那样。 但是有区别。 我们不能像在 Pandas 中那样在数据上调用函数，因此我们需要将其作为附加参数传递。

sns.scatterplot(x='sepal_length', y='sepal_width', data=iris)

通过使用 'hue' 参数，您也可以突出显示特定点。 这个功能在 Matplotlib 中并不容易。

sns.scatterplot（x='sepal_length'，y='sepal_width'，hue='class'，data=iris）

条形图

您可以使用 'sns.countplot' 方法在 Seaborn 中创建条形图：

sns.countplot(random_reviews['points'])

现在我们已经讨论了 Python 中数据可视化的关键库，我们可以看看其他形式的图表。 Python 及其库使您能够创建各种图形来绘制数据。

Python 中的其他类型的数据可视化

饼形图

饼图在圆的不同部分显示数据。 你一定在学校看过很多饼图。 饼图以百分比表示数据。 饼图所有部分的总和应等于 100%。 这是示例代码：

plt.pie(df['Age'], labels = {“A”, “B”, “C”,

“D”、“E”、“F”、

“G”、“H”、“I”、“J”}、

autopct ='% 1.1f %%', shadow = True)

plt.show()

plt.pie(df['收入'], labels = {“A”, “B”, “C”,

“D”、“E”、“F”、

“G”、“H”、“I”、“J”}、

autopct ='% 1.1f %%', shadow = True)

plt.show()

plt.pie(df['Sales'], labels = {“A”, “B”, “C”,

“D”、“E”、“F”、

“G”、“H”、“I”、“J”}、

autopct ='% 1.1f %%', shadow = True)

plt.show()

箱线图

箱线图基于统计数据的最小值、第一四分位数、中位数、第三四分位数和最大值。 该图看起来像一个盒子（更具体地说，是一个矩形）。 这就是为什么它有“箱线图”这个名字。 下面是创建箱线图的示例代码：

# 对于数据框的每个数字属性

df.plot.box()

# 单个属性箱线图

plt.boxplot(df['收入'])

plt.show()

另请阅读：每个 Python 开发人员都应该知道的 10 大 Python 工具

结论

我们希望您发现这篇文章很有用。 您可以通过 Python 及其各种库绘制多种图形。 如果你之前没有进行过 Python 数据可视化，你应该从 Matplotlib 开始。 掌握它之后，您可以转向更复杂和更高级的数据可视化库，例如 Pandas 和 Seaborn。

如果您想了解 Python、数据科学，请查看 IIIT-B 和 upGrad 的数据科学 PG 文凭，该文凭专为在职专业人士而设，提供 10 多个案例研究和项目、实用的实践研讨会、与行业专家的指导，与行业导师一对一，400 多个小时的学习和顶级公司的工作协助。