作者 | 劉早起
來源 | 早起Python（ID: zaoqi-python）
相信很多讀者學習Python就是希望作出各種酷炫的可視化圖表，當然你一定會聽說過Matplotlib、Pyecharts、Seaborn、Plotly、Bokeh這五大工具，本文就將通過真實繪圖來深度評測這五個Python數據可視化的庫，看看到底這幾種工具各有什麼優缺點，在製作圖表時該如何選擇。
指標說明
為了更清晰的了解這幾款用於可視化的Python在作圖時的異同，本文將使用同一組數據分別製作多系列條形圖來對比，主要將通過以下幾個指標來進行評測：
數據說明
本文使用的數據為Pyecharts中的faker數據
frompyecharts.fakerimportFakerx = Faker.choose()y1 = Faker.values()y2 = Faker.values()
x為一列品牌名稱，y1/y2為一列相同長度的無意義數據，接下來讓我們使用不同的庫對這組數據進行可視化！
Pyecharts
Echarts是一個由百度開源的數據可視化，憑藉著良好的交互性，精巧的圖表設計，得到了眾多開發者的認可。而Python是一門富有表達力的語言，很適合用於數據處理。當數據分析遇上數據可視化時，pyecharts 誕生了，支持30+種圖表。在pyecharts中製作條形圖首先需要導入相關庫
frompyechartsimportoptionsasoptsfrompyecharts.chartsimportBar
接著是繪圖並不做任何任何調整，首先創建一個Bar實例，接著添加x軸y軸數據，注意僅接收list格式數據，最後添加標題並設置在notebook中直接展示。總體來說還是比較符合正常的作圖邏輯，整體代碼量並不多。
c = (Bar().add_xaxis(x).add_yaxis("商家A", y1).add_yaxis("商家B", y2).set_global_opts(title_opts=opts.TitleOpts(title="Pyecharts—柱狀圖", subtitle=""))).render_notebook()
默認生成的兩系列柱狀圖如下：
可以看到，該圖支持交互式展示與點擊，默認生成的樣式也較為美觀，並且Pyecharts有詳細的中文文檔與demo，網上關於Pyecharts的討論也較多，如果是剛接觸的讀者也能比較快的上手。當然如果對默認樣式不滿意的話，可以進行一些調整，由於文檔十分完整，所以代碼修改起來並不困難，比如可以修改主題並設置一些標記線、DataZoom，添加小組件等
總體來說，由於Pyecharts是基於Echarts製作的，因此生成圖表比較美觀，並且官方中文文檔對相關設置講解非常詳細，有關Pyecharts的討論也非常多，所以如果在使用過程中有相關疑問也很容易通過檢索找到答案，但遺憾的是不支持使用pandas中的series數據，需要轉換為list才可以使用，不過整體還是讓我很滿意的一款可視化庫。主觀評分:85分
Matplotlib
Matplotlib應該是最廣泛使用的Python可視化工具，支持的圖形種類非常多，使用Matplotlib製作相同效果的圖需要先導入相關庫，並且並不支持原生中文所以還要設置下中文顯示
import matplotlib.pyplot as pltimport numpy as npplt.rcParams['font.sans-serif'] = ['SimHei']
接著就是繪圖，但是相比較於pyecharts大多是往寫好的代碼裡面添加數據、配置不同，matplotlib大多數需要我們自己寫代碼，所以代碼量可能稍多一點
width = 0.35x1 = np.arange(len(x)) fig, ax = plt.subplots()rects1 = ax.bar(x1 - width/2, y1, width, label='商家A')rects2 = ax.bar(x1 + width/2, y2, width, label='商家B')ax.set_title('Matplotlib—柱狀圖')ax.set_xticks(x1)ax.set_xticklabels(x)ax.legend()plt.show()
最後生成的默認圖像如下
默認配色不是很好看但也沒有很難看，看起來更學術一點，但是不支持交互式點擊查看等操作，雖然代碼量更多一點，但是由於Matplotlib的火熱，網上關於matplotlib的資料比Pyecharts要多很多，所以寫代碼於調整代碼的過程也並不複雜，整體主觀評分77分
Plotly
Plotly也是一款非常強大的Python可視化庫，Plotly內置完整的交互能力及編輯工具，支持在線和離線模式，提供穩定的API以便與現有應用集成，既可以在web瀏覽器中展示數據圖表，也可以存入本地拷貝。但是由於官方未提供中文文檔，網上關於Plotly的教程也僅限於官方的一些demo，對於一些詳細的參數設置並沒有太多資料，首先還是先導入相關庫並設置notebook顯示
import plotlyimport plotly.offline as pyimport plotly.graph_objs as goplotly.offline.init_notebook_mode(connected=True)
接下來是繪圖代碼，首先要對數據先進行處理，剩下的基礎配置其實和Pyecharts比較類似
trace0 = go.Bar( x = x, y = y1, name = '商家A',)trace1 = go.Bar( x = x, y = y2, name = '商家B',)data = [trace0,trace1]layout = go.Layout( title={'text': "Plotly-柱狀圖",'y':0.9,'x':0.5,'xanchor': 'center','yanchor': 'top'})fig = go.Figure(data=data, layout=layout)py.iplot(fig)
默認樣式生成的圖如上，配色也不難看，並且可以看到是支持交互式操作的，同時是默認添加toolbox小組件，可以更方便的查看，支持30多種圖形，總體來說還是比較優秀的一個可視化工具，但是如果真要熟練使用的話可能需要一點時間用於查找相關資料，因為網上關於Plotly的資料不多，大多是基本使用的簡單教程，如果想查找一些細節的操作比如我為了查找讓標題居中的方法，百度之後用Google在國外某論壇找到類似問題並找到設置，主觀評分：76分
Bokeh
Bokeh是一個專門針對Web瀏覽器的呈現功能的交互式可視化Python庫。這是Bokeh與其它可視化庫最核心的區別，它可以做出像D3.js簡潔漂亮的交互可視化效果，但是使用難度低於D3.js，首先還是導入相關庫
from bokeh.transform import dodgeimport pandas as pdfrom bokeh.core.properties import valueimport numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefrom bokeh.io import output_notebookoutput_notebook() # 導入notebook繪圖模塊from bokeh.plotting import figure,showfrom bokeh.models import ColumnDataSource# 導入圖表繪製、圖標展示模塊 # 導入ColumnDataSource模塊 # 導入dodge、value模塊
相關依賴比上面三個要多出很多，並且Bokeh有自己的數據結構ColumnDataSource，所以要先對數據進行轉換，接著就是創建畫布、添加數據及設置
df = pd.DataFrame({'商家A':y1,'商家B':y2}, index = x_)_x = ['商家A','商家B'] # 系列名data = {'index':x_}for i in _x: data[i] = df[i].tolist()# 生成數據，數據格式為dictsource = ColumnDataSource(data=data)# 將數據轉化為ColumnDataSource對象p = figure(x_range=x_, y_range=(0, 150), plot_height=350, title="boken-柱狀圖",tools="crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select")p.vbar(x=dodge('index', -0.1, range=p.x_range), top='商家A', width=0.2, source=source,color="#718dbf", legend=value("商家A"))p.vbar(x=dodge('index', 0.1, range=p.x_range), top='商家B', width=0.2, source=source,color="#e84d60", legend=value("商家B"))# dodge(field_name, value, range=None) → 轉換成一個可分組的對象，value為元素的位置（配合width設置）p.xgrid.grid_line_color = Nonep.legend.location = "top_left"p.legend.orientation = "horizontal"# 其他參數設置show(p)
可以看到，Bokeh做出來的圖也是支持交互的，不並且樣式之類的看上去還是比較舒服的，不過上面這張圖是經過調整顏色的，因為默認不對兩個系列進行區分顏色
Bokeh一個很明顯的特點就是代碼量較上面三個工具要多了很多，大多是在數據的處理上，並且和Plotly一樣，有關bokeh相關的中文資料也不多，大多是入門型的基本使用於介紹，雖然從官方給出的圖來看能作出很多比pyecharts更精美的圖，但是查找相關參數的設置上將會耗費一定時間，主觀評分71分。
Seaborn
從seaborn官網給出的標題就知道，seaborn是為了統計圖表設計的，它是一種基於matplotlib的圖形可視化庫，也就是在matplotlib的基礎上進行了更高級的API封裝，從而使得作圖更加容易，在大多數情況下使用seaborn就能做出很具有吸引力的圖，而使用matplotlib就能製作具有更多特色的圖，還是我們的數據，使用Seaborn製作首先需要導入相關庫，由於是基於Matplotlib，所以還是需要設置中文
import seaborn as snsimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei']
接下來只要一行代碼就能生成我們要的圖，默認配色也沒有顯得很難看
相比上面四種工具，從代碼量上來看是非常簡潔的，不過還是要先將數據轉換為DataFrame格式，這裡沒在代碼中體現，但依舊是最簡短的代碼，同時並不支持交互。並且Seaborn和Plotly、bokeh有一個共同的地方就是雖然強大，但是網上有關這三個庫的教程、討論都遠少於Pyecharts與Matplotlib，如果是新手的話可能很難快速通過搜索解決你遇到的問題，而需要自己研究別人的代碼，主觀評分72分
小結
以上就是對常見的5個Python數據可視化的評測，可能通過繪製條形圖的方式去給每個工具打分不是非常合適，但我想你應該能夠大致熟悉到每個庫在繪圖時的特點，同時也能在選擇這些工具之前有一個簡單的了解。最後正如我們文中介紹的一樣，不同工具的應用場景、目標用戶都不完全相同，所以我們在選擇工具時需要先思考自己的使用場景，並且需要評估繪製目標圖形的難度，就像有些工具雖然強大但是資料太少，不要為了追求高級的樣式而浪費太多時間！
如果你仍在猶豫學習哪一個工具的話，我的意見是：熟練掌握一個工具之後，了解其他工具即可！最後留一個彩蛋，大家可以猜一猜文中的雷達圖是使用文中提到的哪一款工具製作？