242 lines
8.0 KiB
Markdown
242 lines
8.0 KiB
Markdown
# 4 个简单的 Python 绘图库及示例
|
||
|
||
> 原文：<https://www.askpython.com/python-modules/plotting-libraries-python>
|
||
|
||
Python 提供了许多交互式绘图包，通过它们我们可以制作出一些最漂亮、最可定制的图形和图表。在本文中，我们将了解一些用于绘图的 python 模块，以及如何用它们编写基本图表。这些是一些最广泛使用的 python 包，可用于所有平台(如 Windows、Linux Mac)。
|
||
|
||
## 1.matplotlib–最早的绘图库
|
||
|
||
如果你习惯了 Python，你一定听说过 Matplotlib。它是用于绘图的最古老的 python 库之一，由 Michael Droettboom 在 18 年前构建，最初由 John D. Hunter 编写，但在 Python 学习者和数据分析师中仍然非常流行。它提供了一个面向对象的应用程序接口，使 matplotlib 绘图更容易在各种应用程序上运行。
|
||
|
||
**让我们看一些使用 matplotlib 绘制图表的代码:**
|
||
|
||
### [折线图](https://www.askpython.com/python/plot-customize-pie-chart-in-python)
|
||
|
||
```py
|
||
import matplotlib.pyplot as plt
|
||
from numpy import random
|
||
|
||
var1=random.randint(100, size=(100))
|
||
var2=random.randint(100, size=(100))
|
||
var1.sort()
|
||
var2.sort()
|
||
|
||
plt.plot(var1,var2)
|
||
plt.show()
|
||
|
||
```
|
||
|
||
|
||
|
||
Line chart
|
||
|
||
### [直方图](https://www.askpython.com/python/examples/animated-histograms)
|
||
|
||
```py
|
||
import matplotlib.pyplot as plt
|
||
import numpy as np
|
||
from numpy import random
|
||
hist_var = np.random.normal(170, 10, 250)
|
||
plt.hist(hist_var)
|
||
plt.show()
|
||
|
||
```
|
||
|
||
|
||
|
||
Histogram
|
||
|
||
## 2.希伯恩
|
||
|
||
它是一个基于 matplotlib 的子模块，用于从统计数据中创建图表。Seaborn 允许程序员直接从数组和数据框中提取数据，并让他们将统计数据可视化成图形。为了允许可视化，它在 Matplotlib 框架下工作，并且对于数据集成，它非常依赖 pandas。
|
||
|
||
为了理解 seaborn 是如何工作的，我们将研究一个示例代码。
|
||
|
||
### 分散
|
||
|
||
```py
|
||
import pandas as pand
|
||
from matplotlib import pyplot as plt
|
||
import seaborn as sns
|
||
|
||
scores = pand.read_csv('scores.csv', encoding='unicode_escape', index_col=0)
|
||
|
||
def scatter_plot():
|
||
sns.lmplot(x='Attack', y='Defense', data=scores,
|
||
fit_reg=False, # It removes a diagonal line that remains by default
|
||
hue='Stage'
|
||
)
|
||
plt.show()
|
||
|
||
scatter_plot()
|
||
|
||
```
|
||
|
||
|
||
|
||
Seaborn Scatter
|
||
|
||
上面的代码绘制了我们从数据框“scores.csv”中获取的攻击和防御值的散点图。方法“scatter_plot()”包含 seaborn 函数“sns.lmplot”，该函数通过将“攻击”作为 x 轴，将“防御”作为 y 轴来绘制散点图。
|
||
|
||
让我们看看另一个示例代码。我们将使用 seaborn 绘制一个箱线图，使用与上一个示例中相同的一组值。
|
||
|
||
### [箱式打印](https://www.askpython.com/python/examples/boxplots)
|
||
|
||
```py
|
||
import pandas as pand
|
||
from matplotlib import pyplot as plt
|
||
import seaborn as sns
|
||
|
||
scores = pand.read_csv('scores.csv', encoding='unicode_escape', index_col=0)
|
||
sns.boxplot(data=scores)
|
||
plt.show()
|
||
|
||
```
|
||
|
||
|
||
|
||
Seaborn Boxplot
|
||
|
||
## 3.Plotly
|
||
|
||
Plotly 是 2012 年创建的数据可视化工具。在本文中，我们将学习 Plotly 的一个子模块，称为 **Plotly Express** 。这个子模块是一个 Python 库，目的是通过一个函数调用来创建图形可视化。另一方面，它也提供了一个很好的基础来为媒体和通信创建定制的图形。
|
||
|
||
让我们看一个 Plotly 代码示例，演示如何通过单个函数调用创建简单的图表。
|
||
|
||
```py
|
||
import plotly.express as px
|
||
|
||
def linechart():
|
||
df_india = px.data.gapminder().query("country=='India'")
|
||
fig = px.line(df_india, x="year", y="lifeExp", title='Average life span in India:')
|
||
fig.show()
|
||
|
||
def scatter():
|
||
# x and y given as array_like objects
|
||
import plotly.express as px
|
||
fig = px.scatter(x=[5, 1, 3, 4, 3], y=[1, 5, 4, 13, 19])
|
||
fig.show()
|
||
|
||
def barplot():
|
||
import plotly.express as px
|
||
data_Japan = px.data.gapminder().query("country == 'Japan'")
|
||
fig = px.bar(data_Japan, x='year', y='pop')
|
||
fig.show()
|
||
|
||
linechart()
|
||
barplot()
|
||
scatter()
|
||
|
||
```
|
||
|
||
在上面的代码中，程序有三个不同的方法函数被一起调用。每个方法函数在被调用时都会为用户绘制一个图表。如果我们仔细观察，每个方法函数都有不同的输入方法。第一个函数从 Plotly express 数据库加载数据。第二个函数可视化了从两个不同数组中获取的值的散点图。第三个函数类似于第一个函数，它从 Plotly express 数据库加载数据，然后绘制条形图。
|
||
|
||
|
||
|
||
Plotly Line chart
|
||
|
||
|
||
|
||
Plotly Barchart
|
||
|
||
|
||
|
||
Plotly Scatter chart
|
||
|
||
## 4.破折号
|
||
|
||
Dash 是一个 Plotly 框架，允许我们制作 web 应用程序，并允许我们将图形、文本和控件链接在一起。这个子模块主要帮助管理应用程序前端的各个方面，比如它的布局和样式。最终的结果是一个 flask 应用程序，它可以很容易地部署到各种 web 托管平台上。
|
||
|
||
让我们看一些它的代码来加深理解。第一个程序从 Plotly gapminder 数据库绘制预期寿命线图。它描绘了所选大陆上所有国家的预期寿命。
|
||
|
||
### 折线图
|
||
|
||
```py
|
||
import dash
|
||
from dash import dcc
|
||
from dash import html
|
||
from dash.dependencies import Input, Output
|
||
import plotly.express as px
|
||
|
||
frame_data = px.data.gapminder()
|
||
every_continent = frame_data.continent.unique()
|
||
|
||
app = dash.Dash(__name__)
|
||
|
||
app.layout = html.Div([
|
||
dcc.Checklist(
|
||
id="checklist",
|
||
options=[{"label": x, "value": x}
|
||
for x in every_continent],
|
||
value=every_continent[3:],
|
||
labelStyle={'display': 'inline-block'}
|
||
),
|
||
dcc.Graph(id="lineChart"),
|
||
])
|
||
|
||
@app.callback(
|
||
Output("lineChart", "figure"),
|
||
[Input("checklist", "value")])
|
||
def update_line_chart(continents):
|
||
data_mask = frame_data.continent.isin(continents)
|
||
figure = px.line(frame_data[data_mask],
|
||
x="year", y="lifeExp", color='country')
|
||
return figure
|
||
|
||
app.run_server(debug=True)
|
||
|
||
```
|
||
|
||
|
||
|
||
Dash – Line chart
|
||
|
||
### 散点图
|
||
|
||
下面的代码演示了如何在 Python 中使用 dash 绘制散点图。这里，我们使用 iris 数据库作为输入数据框架。虹膜数据库是一个模式识别数据集，包含三种不同种类的花的花瓣大小。这个程序将绘制一个散点图的花瓣大小的数据作为输入。
|
||
|
||
```py
|
||
import dash
|
||
from dash import dcc
|
||
from dash import html
|
||
from dash.dependencies import Input, Output
|
||
import plotly.express as px
|
||
|
||
frame_data = px.data.iris()
|
||
|
||
app = dash.Dash(__name__)
|
||
|
||
app.layout = html.Div([
|
||
dcc.Graph(id="plotis_scatter"),
|
||
html.P("Width of Petal:"),
|
||
dcc.RangeSlider(
|
||
id='range-slider',
|
||
min=0, max=2.5, step=0.1,
|
||
marks={0: '0', 2.5: '2.5'},
|
||
value=[0.5, 2]
|
||
),
|
||
])
|
||
|
||
@app.callback(
|
||
Output("plotis_scatter", "figure"),
|
||
[Input("range-slider", "value")])
|
||
def update_bar_chart(slider_range):
|
||
low, high = slider_range
|
||
damask = (frame_data['petal_width'] > low) & (frame_data['petal_width'] < high)
|
||
figure = px.scatter(
|
||
frame_data[damask], x="sepal_width", y="sepal_length",
|
||
color="species", size='petal_length',
|
||
hover_data=['petal_width'])
|
||
return figure
|
||
|
||
app.run_server(debug=True)
|
||
|
||
```
|
||
|
||
|
||
|
||
Dash Scatter chart
|
||
|
||
## 结论
|
||
|
||
本文旨在解释 Python 可用的重要绘图工具。虽然这些 python 库在数据科学领域得到了广泛的应用，但我们试图以一种简单易学的方式提供概念和代码，这样即使是初学者也能掌握它们。希望本文能够帮助您理解本文中解释的所有库的基本概念——Matplotlib、Seaborn、Plotly、Dash。 |