Py学习  »  Python

深度讲解 Python 四大常用绘图库的“绘图原理”

CDA数据分析师 • 3 年前 • 250 次点击  

作者:黄伟

来源:数据分析与统计学之美 


01

为什么要写这篇文章?


最近有不少粉丝来问我,Python 绘图库太多,我知不知道学哪一个?即使我选择了某一个绘图库后,我也不知道怎么学,我不知道第一步做什么,也不知道接下来该怎么做,四个字一学就忘

其实这也是我当时很困扰的一个问题,我当时在学习完 numpy 和 pandas 后,就开始了 matplotlib 的学习。我反正是非常崩溃的,每次就感觉绘图代码怎么这么多,绘图逻辑完全一团糟,不知道如何动手。

后面随着自己反复的学习,我找到了学习 Python 绘图库的方法,那就是学习它的绘图原理。正所谓:“知己知彼,百战不殆”,学会了原理,剩下的就是熟练的问题了。

今天我们就用一篇文章,带大家梳理 matplotlib 、 seaborn 、 plotly 、 pyecharts 的绘图原理,让大家学起来不再那么费劲!



02

matplotlib绘图原理


关于 matplotlib 更详细的绘图说明,大家可以参考下面这篇文章,相信你看了以后一定学得会。

matplotlib 绘图原理:http://suo.im/678FCo

绘图原理说明

通过我自己的学习和理解,我将 matplotlib 绘图原理高度总结为如下几步:

  • ① 导库;

  • ② 创建 figure 画布对象;

  • ③ 获取对应位置的 axes 坐标系对象;

  • ④ 调用 axes 对象,进行对应位置的图形绘制;

  • ⑤ 显示图形;

案例说明

# 1.导入相关库
import matplotlib as mpl
import matplotlib.pyplot as plt
# 2.创建figure画布对象
figure = plt.figure()
# 3.获取对应位置的axes坐标系对象
axes1 = figure.add_subplot(2,1,1)
axes2 = figure.add_subplot(2,1,2)
# 4.调用axes对象,进行对应位置的图形绘制
axes1.plot([1,3,5,7],[4,9,6,8])
axes2.plot([1,2,4,5],[8,4,6,2 ])
# 5.显示图形
figure.show()
结果如下:


03

seaborn绘图原理


在这四个绘图库里面,只有 matplotlib 和 seaborn 存在一定的联系,其余绘图库之间都没有任何联系,就连绘图原理也都是不一样的。

seaborn 是 matplotlib 的更高级的封装。因此学习 seaborn 之前,首先要知道 matplotlib 的绘图原理。由于 seaborn 是 matplotlib 的更高级的封装,对于 matplotlib 的那些调优参数设置,也都可以在使用 seaborn 绘制图形之后使用。
我们知道,使用 matplotlib 绘图,需要调节大量的绘图参数,需要记忆的东西很多。而 seaborn 基于 matplotlib 做了更高级的封装,使得绘图更加容易,它不需要了解大量的底层参数,就可以绘制出很多比较精致的图形。不仅如此, seaborn 还兼容 numpy 、 pandas 数据结构,在组织数据上起了很大作用,从而更大程度上的帮助我们完成数据可视化。
由于 seaborn 的绘图原理,和 matplotlib 的绘图原理一致,这里也就不详细介绍了,大家可以参考上面 matplotlib 的绘图原理,来学习 seaborn 究竟如何绘图,这里还是提供一个网址给大家。

seaborn 绘图原理:http://suo.im/5D3VPX

案例说明

# 1.导入相关库
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_excel("data.xlsx" ,sheet_name="数据源")

sns.set_style("dark")
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 注意:estimator表示对分组后的销售数量求和。默认是求均值。
sns.barplot(x="品牌",y="销售数量",data=df,color="steelblue",orient="v",estimator=sum)
plt.show()
结果如下:
注意:可以看到在上述的绘图代码中,你应该有这样一个感受,图中既有 matplotlib 的绘图代码,也有 seaborn 的绘图代码。其实就是这样的,我们就是按照 matplobt 的绘图原理进行图形绘制,只是有些地方改成 seaborn 特有的代码即可,剩下的调整格式,都可以使用 matplotlib 中的方法进行调整。


04

plotly绘图原理

首先在介绍这个图的绘图原理之前,我们先简单介绍一下 plotly 这个绘图库。
  • plotly 是一个基于 javascript 的绘图库, plotly 绘图种类丰富,效果美观;
  • 易于保存与分享 plotly 的绘图结果,并且可以与 Web 无缝集成;
  • ploty 默认的绘图结果,是一个 HTML 网页文件,通过浏览器可以直接查看;
它的绘图原理和 matplotlib 、 seaborn 没有任何关系,你需要单独去学习它。同样我还是提供了一个网址给你,让你更详细的学习 plotly 。
plotly 绘图原理:http://suo.im/5vxNTu

绘图原理说明

通过我自己的学习和理解,我将 plotly 绘图原理高度总结为如下几步:
  • ① 绘制图形轨迹,在 ployly 里面叫做 trace ,每一个轨迹是一个 trace 。
  • ② 将轨迹包裹成一个列表,形成一个“轨迹列表”。一个轨迹放在一个列表中,多个轨迹也是放在一个列表中。
  • ③ 创建画布的同时,并将上述的 轨迹列表 ,传入到 Figure() 中。
  • ④ 使用 Layout() 添加其他的绘图参数,完善图形。
  • ⑤ 展示图形。

案例说明

import numpy as np
import pandas as pd
import plotly as py
import plotly.graph_objs as go
import plotly.expression as px
from plotly import tools

df = pd.read_excel("plot.xlsx")
# 1.绘制图形轨迹,在ployly里面叫做`trace`,每一个轨迹是一个trace。
trace0 = go.Scatter(x=df["年份"],y=df["城镇居民"],name="城镇居民")
trace1 = go.Scatter(x=df["年份"],y=df["农村居民" ],name="农村居民")
# 2.将轨迹包裹成一个列表,形成一个“轨迹列表”。一个轨迹放在一个列表中,多个轨迹也是放在一个列表中。
data = [trace0,trace1]
# 3.创建画布的同时,并将上述的`轨迹列表`,传入到`Figure()`中。
fig = go.Figure(data)
# 4.使用`Layout()`添加其他的绘图参数,完善图形。
fig.update_layout(
    title="城乡居民家庭人均收入",
    xaxis_title="年份",
    yaxis_title="人均收入(元)"
)
# 5.展示图形。
fig.show()
结果如下:


05

pyecharts绘图原理
Echarts 是一个由百度开源的数据可视化工具,凭借着良好的交互性,精巧的图表设计,得到了众多开发者的认可。而 python 是一门富有表达力的语言,很适合用于数据处理。当数据分析遇上了数据可视化时, pyecharts 诞生了。
pyecharts 分为 v0.5 和 v1 两个大版本, v0.5 和 v1 两个版本不兼容,v1是一个全新的版本,因此我们的学习尽量都是基于 v1 版本进行操作。
和 plotly 一样,pyecharts 的绘图原理也是完全不同于 matplotlib 和 seaborn ,我们需要额外的去学习它们的绘图原理,基于此,同样提供一个网址给你,让你更详细的学习 pyecharts 。

pyecharts 的绘图原理:http://suo.im/5S1PF1

绘图原理说明

通过我自己的学习和理解,我将 plotly 绘图原理高度总结为如下几步:
  • ① 选择图表类型;
  • ② 声明图形类并添加数据;
  • ③ 选择全局变量;
  • ④ 显示及保存图表;

案例说明

# 1.选择图表类型:我们使用的是线图,就直接从charts模块中导入Line这个模块;
from pyecharts.charts import Line
import pyecharts.options as opts
import numpy as np

x = np.linspace(0,2 * np.pi,100)
y = np.sin(x)

(
 # 2.我们绘制的是Line线图,就需要实例化这个图形类,直接Line()即可;
 Line()
 # 3.添加数据,分别给x,y轴添加数据;
 .add_xaxis(xaxis_data=x)
 .add_yaxis(series_name="绘制线图",y_axis=y,label_opts=opts.LabelOpts(is_show=False))
 .set_global_opts(title_opts=opts.TitleOpts(title="我是标题",subtitle="我是副标题",title_link="https://www.baidu.com/"),
                  tooltip_opts=opts.TooltipOpts())
).render_notebook() # 4.render_notebook()用于显示及保存图表;
结果如下:


06

小结


通过上面的学习,我相信肯定会让大家对于这些库的绘图原理,一定会有一个新的认识。
其实其实不管是任何编程软件的绘图库,都有它的绘图原理。我们与其盲目的去绘制各种各样的图形,不如先搞清楚它们的套路后,再去进行绘图库的图形练习,这样下去,我觉得大家会有一个很大的提高。

📚推荐阅读 READ MORE


(点击下方图片阅读)

实例 | 教你用Python写一个电信客户流失预测模型

 

📌CDA课程咨询

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/73506
 
250 次点击