Python如何绘制数据

本篇内容主要讲解“Python如何绘制数据”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Python如何绘制数据”吧!

Matplotlib

Matplotlib 是最古老的 Python 绘图库，现在仍然是最流行的。它创建于 2003 年，是 SciPy Stack 的一部分，SciPy Stack 是一个类似于 Matlab 的开源科学计算库。

Matplotlib 为你提供了对绘制的精确控制。例如，你可以在你的条形图中定义每个条形图的单独的 X 位置。下面是绘制这个图表的代码(你可以在这里运行)：

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()

Seaborn

Seaborn 是 Matplotlib 之上的一个抽象层;它提供了一个非常整洁的界面，让你可以非常容易地制作出各种类型的有用绘图。

不过，它并没有在能力上有所妥协!Seaborn 提供了访问底层 Matplotlib 对象的逃生舱口，所以你仍然可以进行完全控制。

Seaborn 的代码比原始的 Matplotlib 更简单(可在此处运行)：

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()

Plotly

Plotly 是一个绘图生态系统，它包括一个 Python 绘图库。它有三个不同的接口：

• 一个面向对象的接口。

• 一个命令式接口，允许你使用类似 JSON 的数据结构来指定你的绘图。

• 类似于 Seaborn 的高级接口，称为 Plotly Express。

Plotly 绘图被设计成嵌入到 Web 应用程序中。Plotly 的核心其实是一个 JavaScript 库!它使用 D3 和 stack.gl 来绘制图表。

你可以通过向该 JavaScript 库传递 JSON 来构建其他语言的 Plotly 库。官方的 Python 和 R 库就是这样做的。在 Anvil，我们将 Python Plotly API 移植到了 Web 浏览器中运行。

这是使用 Plotly 的源代码(你可以在这里运行)：

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(xx=x, y=df['conservative'], name='Conservative', marker=go.bar.Marker(color='#0343df')),         go.Bar(xx=x, y=df['labour'], name='Labour', marker=go.bar.Marker(color='#e50000')),         go.Bar(xx=x, y=df['liberal'], name='Liberal', marker=go.bar.Marker(color='#ffff14')),         go.Bar(xx=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, layoutlayout=layout)     # Tell Plotly to render it     fig.show()

Bokeh

Bokeh(发音为 “BOE-kay”)擅长构建交互式绘图，所以这个标准的例子并没有将其展现其最好的一面。和 Plotly 一样，Bokeh 的绘图也是为了嵌入到 Web 应用中，它以 HTML 文件的形式输出绘图。

下面是使用 Bokeh 的代码(你可以在这里运行)：

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(xx=x, yy=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, sourcesource=source, fill_colorfill_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

Altair

Altair 是基于一种名为 Vega 的声明式绘图语言(或“可视化语法”)。这意味着它具有经过深思熟虑的 API，可以很好地扩展复杂的绘图，使你不至于在嵌套循环的地狱中迷失方向。

与 Bokeh 一样，Altair 将其图形输出为 HTML 文件。这是代码(你可以在这里运行)：

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')

Pygal

专注于视觉外观。它默认生成 SVG 图，所以你可以无限放大它们或打印出来，而不会被像素化。Pygal 绘图还内置了一些很好的交互性功能，如果你想在 Web 应用中嵌入绘图，Pygal 是另一个被低估了的候选者。

代码是这样的(你可以在这里运行它)：

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')

Pandas

Pandas 是 Python 的一个极其流行的数据科学库。它允许你做各种可扩展的数据处理，但它也有一个方便的绘图 API。因为它直接在数据帧上操作，所以 Pandas 的例子是本文中最简洁的代码片段，甚至比 Seaborn 的代码还要短!

Pandas API 是 Matplotlib 的一个封装器，所以你也可以使用底层的 Matplotlib API 来对你的绘图进行精细的控制。

这是 Pandas 中的选举结果图表。代码精美简洁!

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()

到此，相信大家对“Python如何绘制数据”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！