Jupyter 常見視覺化框架選擇

三次方根發表於2019-02-16

對於以Python作為技術棧的資料科學工作者，Jupyter是不得不提的資料包告工具。可能對於R社群而言，鼎鼎大名的ggplot2是常見的視覺化框架，而大家對於Python，以及Jupyter為核心的互動式報告的可個視化方案就並沒有那麼熟悉。本文試圖比較幾個常用的解決方案，方便大家選擇。

選擇標準

稱述式還是命令式

資料工作者使用的圖的類別，常見的就三類：GIS視覺化、網路視覺化和統計圖。因此，大多數場景下，我們並不想接觸非常底層的基於點、線、面的命令，所以，選擇一個好的封裝的框架相當重要。

當然，公認較好的封裝是基於《The Grammar of Graphics (Statistics and Computing)》一書，R中的ggplot2基本上就是一個很好的實現。我們基本上可以像用「自然語言」（Natural Language）一樣使用這些繪圖命令。我們姑且採用電腦科學領域的「陳述式」來表達這種繪圖方式。

相反，有時候，以下情形時，我們可能對於這種繪圖命令可能並不在意：

出圖相當簡單，要求繪製速度，一般大的框架較重（當然只是相對而言）；
想要對細節做非常詳盡的微調，一般大框架在微調方面會相對複雜或者退縮成一句句命令；
是統計作圖視覺化的創新者，想要嘗試做出新的視覺化實踐。

這些情況下，顯然，簡單操作式並提供底層繪製命令的框架更讓人愉快，與上面類似，我們借用「命令式」描述這類框架。

是否互動

與傳統的交付靜態圖示不同，基於Web端的Jupter的一大好處就是可以繪製互動的圖示（最近的RNotebook也有實現），因此，是否選擇互動式，也是一個需要權衡的地方。

互動圖的優勢：

可以提供更多的資料維度和資訊；
使用者端可以做更多諸如放大、選取、轉存的操作；
可以交付BI工程師相應的JavaScript程式碼用以工程化；
效果上比較炫酷，考慮到報告接受者的特徵可以選擇。

非互動圖的優勢：

報告檔案直接匯出成靜態檔案時相對問題，不會因為轉換而損失資訊；
圖片可以與報告分離，必要時作為其他工作的成果；
不需要在執行Notebook時花很多世界載入各類前端框架。

是非核心互動

Jupyter上大多數命令通過以下方式獲取資料，而大多數繪圖方式事實上只是通過Notebook內的程式碼在Notebook與核心互動後展示出輸出結果。但ipywidgets框架則可以實現Code Cell中的程式碼與Notebook中的前端控制元件（比如按鈕等）繫結來進行操作核心，提供不同的繪圖結果，甚至某些繪圖框架的每個元素都可以直接和核心進行互動。

用這些框架，可以搭建更復雜的Notebook的視覺化應用，但缺點是因為基於核心，所以在呈遞、展示報告時如果使用離線檔案時，這些互動就會無效。

框架羅列

matplotlib

最家喻戶曉的繪圖框架是matplotlib，它提供了幾乎所有python內靜態繪圖框架的底層命令。如果按照上面對視覺化框架的分法，matplotlib屬於非互動式的的「命令式」作圖框架。

## matplotlib程式碼示例
from pylab import *

X = np.linspace(-np.pi, np.pi, 256,endpoint=True)
C,S = np.cos(X), np.sin(X)

plot(X,C)
plot(X,S)

show()

## matplotlib程式碼示例

from pylab import *

X = np.linspace(-np.pi, np.pi, 256,endpoint=True)

C,S = np.cos(X), np.sin(X)

plot(X,C)

plot(X,S)

show()

優點是相對較快，底層操作較多。缺點是語言繁瑣，內建預設風格不夠美觀。

matplotlib在jupyter中需要一些配置，可以展現更好的效果，詳情參見這篇文章.

ggplot和plotnine

值得一說，對於R遷移過來的人來說，ggplot和plotnine簡直是福音，基本克隆了ggplot2所有語法。橫向比較的話，plotnine的效果更好。這兩個繪圖包的底層依舊是matplotlib，因此，在引用時別忘了使用%matplotlib inline語句。值得一說的是plotnine也移植了ggplot2中良好的配置語法和邏輯。

## plotnine示例
(ggplot(mtcars, aes('wt', 'mpg', color='factor(gear)'))
 + geom_point()
 + stat_smooth(method='lm')
 + facet_wrap('~gear'))

## plotnine示例

(ggplot(mtcars, aes('wt', 'mpg', color='factor(gear)'))

+ geom_point()

+ stat_smooth(method='lm')

+ facet_wrap('~gear'))

Seaborn

seaborn準確上說屬於matplotlib的擴充套件包，在其上做了許多非常有用的封裝，基本上可以滿足大部分統計作圖的需求，以matplotlib+seaborn基本可以滿足大部分業務場景，語法也更加「陳述式」。

缺點是封裝較高，基本上API不提供的圖就完全不可繪製，對於各類圖的拼合也不適合；此外配置語句語法又迴歸「命令式」，相對複雜且不一致。

## seaborn示例
import seaborn as sns; sns.set(color_codes=True)
iris = sns.load_dataset("iris")
species = iris.pop("species")
g = sns.clustermap(iris)

## seaborn示例

import seaborn as sns; sns.set(color_codes=True)

iris = sns.load_dataset("iris")

species = iris.pop("species")

g = sns.clustermap(iris)

plotly

plotly是跨平臺JavaScript互動式繪圖包，由於開發者的核心是javascript，所以整個語法類似於寫json配置，語法特質也介於「陳述式」和「命令式」之間，無服務版本是免費的。

有點是學習成本不高，可以很快將語句移植到javascript版本；缺點是語言相對繁瑣。

##plotly示例
import plotly.plotly as py
import plotly.graph_objs as go

# Add data
month = ['January', 'February', 'March', 'April', 'May', 'June', 'July',
         'August', 'September', 'October', 'November', 'December']
high_2000 = [32.5, 37.6, 49.9, 53.0, 69.1, 75.4, 76.5, 76.6, 70.7, 60.6, 45.1, 29.3]
low_2000 = [13.8, 22.3, 32.5, 37.2, 49.9, 56.1, 57.7, 58.3, 51.2, 42.8, 31.6, 15.9]
high_2007 = [36.5, 26.6, 43.6, 52.3, 71.5, 81.4, 80.5, 82.2, 76.0, 67.3, 46.1, 35.0]
low_2007 = [23.6, 14.0, 27.0, 36.8, 47.6, 57.7, 58.9, 61.2, 53.3, 48.5, 31.0, 23.6]
high_2014 = [28.8, 28.5, 37.0, 56.8, 69.7, 79.7, 78.5, 77.8, 74.1, 62.6, 45.3, 39.9]
low_2014 = [12.7, 14.3, 18.6, 35.5, 49.9, 58.0, 60.0, 58.6, 51.7, 45.2, 32.2, 29.1]

# Create and style traces
trace0 = go.Scatter(
    x = month,
    y = high_2014,
    name = 'High 2014',
    line = dict(
        color = ('rgb(205, 12, 24)'),
        width = 4)
)
trace1 = go.Scatter(
    x = month,
    y = low_2014,
    name = 'Low 2014',
    line = dict(
        color = ('rgb(22, 96, 167)'),
        width = 4,)
)
trace2 = go.Scatter(
    x = month,
    y = high_2007,
    name = 'High 2007',
    line = dict(
        color = ('rgb(205, 12, 24)'),
        width = 4,
        dash = 'dash') # dash options include 'dash', 'dot', and 'dashdot'
)
trace3 = go.Scatter(
    x = month,
    y = low_2007,
    name = 'Low 2007',
    line = dict(
        color = ('rgb(22, 96, 167)'),
        width = 4,
        dash = 'dash')
)
trace4 = go.Scatter(
    x = month,
    y = high_2000,
    name = 'High 2000',
    line = dict(
        color = ('rgb(205, 12, 24)'),
        width = 4,
        dash = 'dot')
)
trace5 = go.Scatter(
    x = month,
    y = low_2000,
    name = 'Low 2000',
    line = dict(
        color = ('rgb(22, 96, 167)'),
        width = 4,
        dash = 'dot')
)
data = [trace0, trace1, trace2, trace3, trace4, trace5]

# Edit the layout
layout = dict(title = 'Average High and Low Temperatures in New York',
              xaxis = dict(title = 'Month'),
              yaxis = dict(title = 'Temperature (degrees F)'),
              )

fig = dict(data=data, layout=layout)
py.iplot(fig, filename='styled-line')

##plotly示例

import plotly.plotly as py

import plotly.graph_objs as go

# Add data

month = ['January', 'February', 'March', 'April', 'May', 'June', 'July',

'August', 'September', 'October', 'November', 'December']

high_2000 = [32.5, 37.6, 49.9, 53.0, 69.1, 75.4, 76.5, 76.6, 70.7, 60.6, 45.1, 29.3]

low_2000 = [13.8, 22.3, 32.5, 37.2, 49.9, 56.1, 57.7, 58.3, 51.2, 42.8, 31.6, 15.9]

high_2007 = [36.5, 26.6, 43.6, 52.3, 71.5, 81.4, 80.5, 82.2, 76.0, 67.3, 46.1, 35.0]

low_2007 = [23.6, 14.0, 27.0, 36.8, 47.6, 57.7, 58.9, 61.2, 53.3, 48.5, 31.0, 23.6]

high_2014 = [28.8, 28.5, 37.0, 56.8, 69.7, 79.7, 78.5, 77.8, 74.1, 62.6, 45.3, 39.9]

low_2014 = [12.7, 14.3, 18.6, 35.5, 49.9, 58.0, 60.0, 58.6, 51.7, 45.2, 32.2, 29.1]

# Create and style traces

trace0 = go.Scatter(

x = month,

y = high_2014,

name = 'High 2014',

line = dict(

color = ('rgb(205, 12, 24)'),

width = 4)

)

trace1 = go.Scatter(

x = month,

y = low_2014,

name = 'Low 2014',

line = dict(

color = ('rgb(22, 96, 167)'),

width = 4,)

)

trace2 = go.Scatter(

x = month,

y = high_2007,

name = 'High 2007',

line = dict(

color = ('rgb(205, 12, 24)'),

width = 4,

dash = 'dash') # dash options include 'dash', 'dot', and 'dashdot'

)

trace3 = go.Scatter(

x = month,

y = low_2007,

name = 'Low 2007',

line = dict(

color = ('rgb(22, 96, 167)'),

width = 4,

dash = 'dash')

)

trace4 = go.Scatter(

x = month,

y = high_2000,

name = 'High 2000',

line = dict(

color = ('rgb(205, 12, 24)'),

width = 4,

dash = 'dot')

)

trace5 = go.Scatter(

x = month,

y = low_2000,

name = 'Low 2000',

line = dict(

color = ('rgb(22, 96, 167)'),

width = 4,

dash = 'dot')

)

data = [trace0, trace1, trace2, trace3, trace4, trace5]

# Edit the layout

layout = dict(title = 'Average High and Low Temperatures in New York',

xaxis = dict(title = 'Month'),

yaxis = dict(title = 'Temperature (degrees F)'),

)

fig = dict(data=data, layout=layout)

py.iplot(fig, filename='styled-line')

注意：此框架在jupyter中使用需要使用init_notebook_mode()載入JavaScript框架。

bokeh

bokeh是pydata維護的比較具有潛力的開源互動視覺化框架。

值得一說的是，該框架同時提供底層語句和「陳述式」繪圖命令。相對來說語法也比較清楚，但其配置語句依舊有很多視覺化框架的問題，就是與「陳述式」命令不符，沒有合理的結構。此外，一些常見的互動效果都是以底層命令的方式使用的，因此如果要快速實現Dashboard或者作圖時就顯得較為不便了。

## Bokeh示例
import numpy as np
import scipy.special

from bokeh.layouts import gridplot
from bokeh.plotting import figure, show, output_file

p1 = figure(title="Normal Distribution (μ=0, σ=0.5)",tools="save",
            background_fill_color="#E8DDCB")

mu, sigma = 0, 0.5

measured = np.random.normal(mu, sigma, 1000)
hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(-2, 2, 1000)
pdf = 1/(sigma * np.sqrt(2*np.pi)) * np.exp(-(x-mu)**2 / (2*sigma**2))
cdf = (1+scipy.special.erf((x-mu)/np.sqrt(2*sigma**2)))/2

p1.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],
        fill_color="#036564", line_color="#033649")
p1.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")
p1.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p1.legend.location = "center_right"
p1.legend.background_fill_color = "darkgrey"
p1.xaxis.axis_label = 'x'
p1.yaxis.axis_label = 'Pr(x)'



p2 = figure(title="Log Normal Distribution (μ=0, σ=0.5)", tools="save",
            background_fill_color="#E8DDCB")

mu, sigma = 0, 0.5

measured = np.random.lognormal(mu, sigma, 1000)
hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(0.0001, 8.0, 1000)
pdf = 1/(x* sigma * np.sqrt(2*np.pi)) * np.exp(-(np.log(x)-mu)**2 / (2*sigma**2))
cdf = (1+scipy.special.erf((np.log(x)-mu)/(np.sqrt(2)*sigma)))/2

p2.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],
        fill_color="#036564", line_color="#033649")
p2.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")
p2.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p2.legend.location = "center_right"
p2.legend.background_fill_color = "darkgrey"
p2.xaxis.axis_label = 'x'
p2.yaxis.axis_label = 'Pr(x)'



p3 = figure(title="Gamma Distribution (k=1, θ=2)", tools="save",
            background_fill_color="#E8DDCB")

k, theta = 1.0, 2.0

measured = np.random.gamma(k, theta, 1000)
hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(0.0001, 20.0, 1000)
pdf = x**(k-1) * np.exp(-x/theta) / (theta**k * scipy.special.gamma(k))
cdf = scipy.special.gammainc(k, x/theta) / scipy.special.gamma(k)

p3.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],
        fill_color="#036564", line_color="#033649")
p3.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")
p3.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p3.legend.location = "center_right"
p3.legend.background_fill_color = "darkgrey"
p3.xaxis.axis_label = 'x'
p3.yaxis.axis_label = 'Pr(x)'



p4 = figure(title="Weibull Distribution (λ=1, k=1.25)", tools="save",
            background_fill_color="#E8DDCB")

lam, k = 1, 1.25

measured = lam*(-np.log(np.random.uniform(0, 1, 1000)))**(1/k)
hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(0.0001, 8, 1000)
pdf = (k/lam)*(x/lam)**(k-1) * np.exp(-(x/lam)**k)
cdf = 1 - np.exp(-(x/lam)**k)

p4.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],
       fill_color="#036564", line_color="#033649")
p4.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")
p4.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p4.legend.location = "center_right"
p4.legend.background_fill_color = "darkgrey"
p4.xaxis.axis_label = 'x'
p4.yaxis.axis_label = 'Pr(x)'



output_file('histogram.html', title="histogram.py example")

show(gridplot(p1,p2,p3,p4, ncols=2, plot_width=400, plot_height=400, toolbar_location=None))

100

101

102

103

104

105

106

## Bokeh示例

import numpy as np

import scipy.special

from bokeh.layouts import gridplot

from bokeh.plotting import figure, show, output_file

p1 = figure(title="Normal Distribution (μ=0, σ=0.5)",tools="save",

background_fill_color="#E8DDCB")

mu, sigma = 0, 0.5

measured = np.random.normal(mu, sigma, 1000)

hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(-2, 2, 1000)

pdf = 1/(sigma * np.sqrt(2*np.pi)) * np.exp(-(x-mu)**2 / (2*sigma**2))

cdf = (1+scipy.special.erf((x-mu)/np.sqrt(2*sigma**2)))/2

p1.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

fill_color="#036564", line_color="#033649")

p1.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

p1.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p1.legend.location = "center_right"

p1.legend.background_fill_color = "darkgrey"

p1.xaxis.axis_label = 'x'

p1.yaxis.axis_label = 'Pr(x)'

p2 = figure(title="Log Normal Distribution (μ=0, σ=0.5)", tools="save",

background_fill_color="#E8DDCB")

mu, sigma = 0, 0.5

measured = np.random.lognormal(mu, sigma, 1000)

hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(0.0001, 8.0, 1000)

pdf = 1/(x* sigma * np.sqrt(2*np.pi)) * np.exp(-(np.log(x)-mu)**2 / (2*sigma**2))

cdf = (1+scipy.special.erf((np.log(x)-mu)/(np.sqrt(2)*sigma)))/2

p2.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

fill_color="#036564", line_color="#033649")

p2.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

p2.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p2.legend.location = "center_right"

p2.legend.background_fill_color = "darkgrey"

p2.xaxis.axis_label = 'x'

p2.yaxis.axis_label = 'Pr(x)'

p3 = figure(title="Gamma Distribution (k=1, θ=2)", tools="save",

background_fill_color="#E8DDCB")

k, theta = 1.0, 2.0

measured = np.random.gamma(k, theta, 1000)

hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(0.0001, 20.0, 1000)

pdf = x**(k-1) * np.exp(-x/theta) / (theta**k * scipy.special.gamma(k))

cdf = scipy.special.gammainc(k, x/theta) / scipy.special.gamma(k)

p3.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

fill_color="#036564", line_color="#033649")

p3.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

p3.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p3.legend.location = "center_right"

p3.legend.background_fill_color = "darkgrey"

p3.xaxis.axis_label = 'x'

p3.yaxis.axis_label = 'Pr(x)'

p4 = figure(title="Weibull Distribution (λ=1, k=1.25)", tools="save",

background_fill_color="#E8DDCB")

lam, k = 1, 1.25

measured = lam*(-np.log(np.random.uniform(0, 1, 1000)))**(1/k)

hist, edges = np.histogram(measured, density=True, bins=50)

x = np.linspace(0.0001, 8, 1000)

pdf = (k/lam)*(x/lam)**(k-1) * np.exp(-(x/lam)**k)

cdf = 1 - np.exp(-(x/lam)**k)

p4.quad(top=hist, bottom=0, left=edges[:-1], right=edges[1:],

fill_color="#036564", line_color="#033649")

p4.line(x, pdf, line_color="#D95B43", line_width=8, alpha=0.7, legend="PDF")

p4.line(x, cdf, line_color="white", line_width=2, alpha=0.7, legend="CDF")

p4.legend.location = "center_right"

p4.legend.background_fill_color = "darkgrey"

p4.xaxis.axis_label = 'x'

p4.yaxis.axis_label = 'Pr(x)'

output_file('histogram.html', title="histogram.py example")

show(gridplot(p1,p2,p3,p4, ncols=2, plot_width=400, plot_height=400, toolbar_location=None))

bqplot

bqplot是基於ipywidgets和d3.js組合發展的核心互動式的視覺化框架。語法上採用了和matplotlib大致一致的語法已經相對封裝較高的「陳述式語法」。優點是直接和核心互動，可以使用大量控制元件來實現更多的影像處理，缺點也是直接的，離線文件則不會顯示任何圖案、控制元件也都失效。

## bqplot示例
import numpy as np
from IPython.display import display
from bqplot import (
    OrdinalScale, LinearScale, Bars, Lines, Axis, Figure
)

size = 20
np.random.seed(0)

x_data = np.arange(size)

x_ord = OrdinalScale()
y_sc = LinearScale()

bar = Bars(x=x_data, y=np.random.randn(2, size), scales={'x': x_ord, 'y':
y_sc}, type='stacked')
line = Lines(x=x_data, y=np.random.randn(size), scales={'x': x_ord, 'y': y_sc},
             stroke_width=3, colors=['red'], display_legend=True, labels=['Line chart'])

ax_x = Axis(scale=x_ord, grid_lines='solid', label='X')
ax_y = Axis(scale=y_sc, orientation='vertical', tick_format='0.2f',
            grid_lines='solid', label='Y')

Figure(marks=[bar, line], axes=[ax_x, ax_y], title='API Example',
       legend_location='bottom-right')

## bqplot示例

import numpy as np

from IPython.display import display

from bqplot import (

OrdinalScale, LinearScale, Bars, Lines, Axis, Figure

)

size = 20

np.random.seed(0)

x_data = np.arange(size)

x_ord = OrdinalScale()

y_sc = LinearScale()

bar = Bars(x=x_data, y=np.random.randn(2, size), scales={'x': x_ord, 'y':

y_sc}, type='stacked')

line = Lines(x=x_data, y=np.random.randn(size), scales={'x': x_ord, 'y': y_sc},

stroke_width=3, colors=['red'], display_legend=True, labels=['Line chart'])

ax_x = Axis(scale=x_ord, grid_lines='solid', label='X')

ax_y = Axis(scale=y_sc, orientation='vertical', tick_format='0.2f',

grid_lines='solid', label='Y')

Figure(marks=[bar, line], axes=[ax_x, ax_y], title='API Example',

legend_location='bottom-right')

其他特殊需求的作圖

除了統計作圖，網路視覺化和GIS視覺化也是很常用的，在此只做一個簡單的羅列：

GIS類：

gmap：互動，使用google maps介面
ipyleaflet：互動，使用leaflet介面

網路類：

networkx：底層為matplotlib
plotly

總結

	底層實現	互動方式	語法	語言結構	備註	推薦程度
matplotlib	–	無	命令式	底層語言	可以實現複雜底層操作	★★★
gglot	matplotlib	無	陳述式	類ggplot2	建議選擇plotnine	★★
plotnine	matplotlib	無	陳述式	類ggplot2	完全移植ggplot2	★★★★★
seaborn	matplotlib	無	陳述式	高階語言	有很多有用的統計圖類的封裝；但不適合做圖拼裝	★★★★★
plotly	plotly.js	前端互動	介於命令式和陳述式之間	類似JavaScript	語法類似於json配置	★★★★
bokeh	–	前端互動	命令、陳述式	同時有底層語言和高階語言	社群具有潛力	★★★
bqplot	d3.js	核心互動	命令、陳述式	有類似matplotlib底層語言，已經封裝好的高階語言	核心互動	★★★★

資料視覺化如何選擇合適的視覺化圖表？
2022-11-30
視覺化
CSS 常見選擇器
2024-03-05
CSS
常見視覺化工具
2020-12-20
視覺化
如何選擇數字孿生視覺化平臺
2022-07-25
視覺化
寧波方太的資料視覺化選擇
2018-05-17
視覺化
CSS選擇器常見問題
2017-12-13
CSS
【推薦】常見的Python資料視覺化庫
2021-06-10
Python視覺化
常見的6個Python資料視覺化庫！
2023-01-29
Python視覺化
LSTM擇時+StockRanker選股的視覺化策略實現
2019-01-25
視覺化
Kibana或Grafana，時間序列視覺化如何選擇？
2018-02-01
Grafana視覺化
Python視覺化圖系列（1）-----jupyter notebook
2020-10-09
Python視覺化
資料視覺化的重要性及常見用例
2022-03-25
視覺化
再見，視覺化！你好，Pandas！
2020-10-16
視覺化
jupyter安裝常見問題
2019-01-10
視覺化執行Python的神器Jupyter Notebook
2021-06-09
視覺化Python
必讀：常見場景的加密選擇
2018-05-15
加密
【機器視覺】教你選擇工業機器人視覺系統！
2018-02-26
視覺機器人
如何開發視覺化大屏？報表自動化是最優選擇！
2020-11-11
視覺化
遇見大資料視覺化：那些 WOW 的資料視覺化案例
2017-11-27
大資料視覺化
web伺服器的作用及常見選擇
2019-11-11
Web伺服器
資料視覺化“資訊傳達”和“視覺美觀”的天平兩端，你選擇站哪邊？
2017-05-19
視覺化
視覺化BI工具如何選擇？這2款省心省時又省力！
2022-01-07
視覺化
【乾貨】常見的5個python資料視覺化庫介紹!
2022-04-07
Python視覺化
Linux運維常見筆試題（選擇題）
2018-11-28
Linux運維筆試
常見的webshell工具，你會選擇哪一個?
2023-04-24
Webshell
Python選擇語句常見的三種形式！
2023-01-30
Python
用程式設計工具實現資料視覺化的幾個選擇
2012-11-28
程式設計視覺化
玩轉CSS選擇器（二）之瀏覽器支援，常見Bug，效能優化
2015-08-29
CSS瀏覽器優化
什麼Jupyter?為什麼初學Python推薦選擇Jupyter?
2020-12-09
Python
為什麼越來越多的企業選擇智慧視覺化管理模式？
2021-11-19
視覺化模式
資料視覺化Seaborn從零開始學習教程（一）風格選擇
2018-05-18
視覺化
計算機視覺（CV）最新筆試常見題「1」
2019-10-25
計算機視覺筆試
常見的UI框架
2017-05-08
UI框架
常見的自動化測試框架有哪些?
2022-06-08
框架
《D3.js資料視覺化實戰手冊》——2.2選擇單個元素
2017-05-02
JS視覺化
常見的三種排序演算法(選擇，冒泡，計數)
2018-10-11
排序演算法
Charts.css：資料視覺化圖表框架
2022-02-22
CSS視覺化框架
TalkingData 開源地理資訊視覺化框架 inMap
2017-12-19
視覺化框架

Jupyter 常見視覺化框架選擇

選擇標準

稱述式還是命令式

是否互動

是非核心互動

框架羅列

matplotlib

ggplot和plotnine

Seaborn

plotly

bokeh

bqplot

其他特殊需求的作圖

總結

相關文章