12個流行的Python資料視覺化庫總結

總結了10個不同領域的 Python 資料視覺化庫，有常用的，也有比較小眾的。

1. matplotlib

matplotlib是Python資料視覺化庫的OG。儘管它已有十多年的歷史，但仍然是Python社群中使用最廣泛的繪相簿。它的設計與MATLAB非常相似，MATLAB是20世紀80年代開發的專有程式語言。

2. Seaborn

Seaborn利用matplotlib的強大功能，可以只用幾行程式碼就建立漂亮的圖表。關鍵區別在於Seaborn的預設款式和調色盤設計更加美觀和現代。由於Seaborn是在matplotlib之上構建的，因此還需要了解matplotlib以便調整Seaborn的預設值。

3. ggplot

ggplot基於ggplot2，一個 R 語言繪圖系統，以及The Grammar of Graphics的概念。ggplot的執行方式與matplotlib不同：它允許你對元件進行分層以建立完整的繪圖。例如，你可以從軸開始畫，然後新增點，然後是線、趨勢線等。雖然圖形語法被稱為繪圖的“直觀”方法，但經驗豐富的matplotlib使用者可能需要時間來適應這個新的方式。

4. Bokeh

與ggplot一樣，Bokeh同樣基於The Grammar of Graphics，但與ggplot不同的是，它是原生Python的，而不是從R語言移植過來的。它的優勢在於能夠建立互動式的網站圖，它可以很容易地輸出為JSON物件、HTML或互動式Web應用程式。Bokeh還支援流媒體和實時資料。

5. pygal

與Bokeh和Plotly一樣，pygal提供可以嵌入Web瀏覽器的互動式圖。它的主要區別在於能夠將圖表輸出為SVG格式。如果你使用較小的資料集，SVG格式的影像就可以了。但是如果製作的圖表包含數十萬個資料點，它們就會很難渲染並變得反應遲鈍。

6. Plotly

你可能知道Plotly是一個資料視覺化的線上平臺，但你是否也知道可以從Python筆記本使用它的功能？與Bokeh一樣，Plotly的強項正在製作互動式圖，但它提供了一些在大多數庫中沒有的圖表，如等高線圖，樹狀圖和3D圖表。

7. geoplotlib

geoplotlib是一個用於建立地圖和繪製地理資料的工具庫。可以使用它來建立各種地圖型別，例如等值線，熱圖和點密度貼圖。你必須安裝Pyglet（物件導向的程式設計介面）才能使用geoplotlib。儘管如此，由於大多數的Python資料視覺化庫都沒有提供地圖型別，因此有一個專門的庫還是可以的。

8. Gleam

Gleam的靈感來自 R 語言的 Shiny 包。它允許你僅使用Python指令碼就將分析結果轉換為互動式Web應用程式，因此你不必瞭解任何其他語言，如HTML，CSS或JavaScript。Gleam適用於任何Python資料視覺化庫。建立繪圖後，你可以在它上面新增欄位，以便使用者可以對資料進行篩選和排序。

9. missingno

處理缺失的資料是一件痛苦的事。missingno 允許你使用視覺摘要來快速評估資料集的完整性，而不是透過大篇幅的表格。你可以根據熱圖或樹形圖的完成度或點的相關度對資料進行過濾和排序。

10. Leather

就像Leather 的創造者克里斯托弗·格羅斯科普夫（Christopher Groskopf）說得：“Leather是Python圖表庫，適合那些現在需要圖表並且不關心它們是否完美的人。” 它適用於所有資料型別並生成圖表作為SVG，可以縮放它們而不會丟失影像質量。由於這個庫相對較新，一些文件仍在進行中。你可以製作非常基本的圖表 - 但這是就是您想要的。

11. Chartify

Chartify是一個可以使資料科學家輕鬆建立圖表的Python庫。

為什麼使用Chartify？

1. 一致的輸入資料格式：花費更少的時間來轉換資料。所有繪圖功能都使用一致的整齊的資料格式。

2. 智慧預設樣式：建立一個漂亮的圖表，只需要很少的自定義變數。

3. 簡單的API：使API儘可能直觀且易於學習。

4. 靈活性：Chartify建立在Bokeh之上，如果需要更多的樣式，可以隨時使用Bokeh的API。

12. Altair

Altair是一個基於 Vega-lite 的宣告性統計（declarative statistical）視覺化python庫。宣告意味著只需要提供資料列與編碼通道之間的連結，例如x軸，y軸，顏色等，其餘的繪圖細節它會自動處理。宣告使Altair變得簡單，友好和一致。使用Altair可以輕鬆設計出有效且美觀的視覺化程式碼。

參考自：

1.https://blog.modeanalytics.com/python-data-visualization-libraries/

2.https://www.fusioncharts.com/blog/best-python-data-visualization-libraries/

3.