实用工具 | 一款丰富强大的Python绘图工具

简介: Python受欢迎的主要原因之一就是它丰富的工具包,画图是我们在开发过程中非常常见的一种场景,因此,画图工具自然不胜枚举。其中,比较知名的就是matplotlib[1],它可以覆盖我们日常工作中大多数场景。但是,它自身也有诸多弊端,例如,对新手不够友好、多图展示和离线查看比较麻烦。本文就来介绍一下另一款强大的Python画图工具--pyecharts,它可以作为matplotlib的有力补充。

前言

可视化是一种给人最直观感受的方式,当我们做数据分析、算法验证、效果展示时,绘图就成了一种非常有必要的手段。就如同,我们要看近几个月的股票走势,当看到成千上百个连续数据点时,很难从中发掘出什么规律,但是,当把它按照一定维度绘制出来,就能对股票的走势一目了然。提到Python绘图,很多人第一时间会想到matplotlib,的确,它是Python中使用最多、应用最为广泛的一款Python工具包。但是,在使用matplotlib的过程中我也感受到了一些让我觉得不足的场景:

多图展示离线查看动态效果图像种类

多图展示

当我需要把多张数据结果在同一个画布上展示出来时,就需要结合循环、subplotlib等方式,而且需要代码冗长,另外,最为重要的是当展示在同一张画布时灵活度较小,而且图像大小会受到一定局限。

离线查看

在有些时候,使用matplotlib绘图,窗口会随着程序的终止而自动销毁,虽然可以借助matplotlib中保存图像的函数解决问题,但是保存后会损失掉原图像中的部分信息,例如,动态效果。

动态效果

有些时候需要绘制三维等复杂图像,或者自带动态效果的图像,由于matplotlib的UI是基于比较老的tkinter开发的,所以,会出现明显的卡顿和不流畅现象。

图像种类

matplotlib能够满足我们日常工作中大多数场景,它包含柱状图、散点图、折线图等等,能够满足大多数数据分析的场景。但是在一些特殊场景却捉襟见肘,例如,地图、仪表盘、水球图、词云图。

因此,本文就来介绍另一款强大的绘图工具pyecharts[2]。在介绍pyecharts之前首先来了解一下Echarts。

Echarts

技术栈中和可视化最为密切的应该就数JavaScript了,当我们浏览网页、使用基于js开发的分发工具时,会被它的可视化效果惊艳到,因此,能够利用JavaScript开发一款图表工具?Echarts的回答是肯定的。ECharts,缩写来自 Enterprise Charts,即为商业级数据图表,是百度的一个开源的数据可视化工具。能够同时在PC 端和移动设备上流畅运行,不仅支持丰富的绘图方式,而且可以使用拖拽、旋转等交互操作,它同时具备如下多项优点:

支持种类多开源免费使用简单兼容性好

15.png

因此,一经开源便备受欢迎。看到Echarts如此好用,有人就会想是否可以把它迁移到Python上面? 答案是肯定的,Pyecharts就此应运而生,它把使用体验非常优秀的Echarts带入到Python中,下面就来看一下这款在JS中备受欢迎的图表工具在Python中如何使用。

Pyecharts

Pyecharts最初吸引我尝试的原因就是它优秀的交互性,它能够轻松的绘制出不同种类的图表,然后存储成html格式文件,当我们需要查看图表时,我们可以随时用任何一款浏览器打开html文件查看图表,在html文件中,它可以同时保存多幅图像,此外,还可以保留原图中的所有信息,此外,使用html存储图像信息还有一个非常显著的优点就是轻量化,因为这些原因,当我看到Pyecharts第一眼就被它惊艳到了。

当使用一段时间Pyecharts之后发现了它更多让人内心舒适的优点:

简洁的 API 设计,使用如丝滑般流畅,支持链式调用囊括了 30+ 种常见图表,应有尽有支持主流 Notebook 环境,Jupyter Notebook 和 JupyterLab可轻松集成至 Flask,Sanic,Django 等主流 Web 框架高度灵活的配置项,可轻松搭配出精美的图表详细的文档和示例,帮助开发者更快的上手项目多达 400+ 地图文件,并且支持原生百度地图,为地理数据可视化提供强有力的支持

下面就来讲一下Pyecharts的使用方式。

安装

pip安装:

# 安装 v1 以上版本
$ pip install pyecharts -U
# 如果需要安装 0.5.11 版本的开发者,可以使用
$ pip install pyecharts==0.5.11

使用

下面以一个示例来解释一下Pyecharts的使用。

from pyecharts.charts import Bar
from pyecharts import options as opts
bar = Bar()
bar.add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"])
bar.add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])
bar.add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])
bar.set_global_opts(title_opts=opts.TitleOpts(title="某商场销售情况"))
bar.render()

上述示例中就是Pyecharts的使用流程,

导入图表类,例如,柱状图等。添加数据调用render生成html文件

执行上述程序,会在项目路径下生成一个html文件,用浏览器打开这个html文件就可以看到对应的图表,


16.gif


除此之外,还可以用于绘制如下图表,

地图

17.gif

仪表盘

18.png

盒形图

19.gif

漏斗图

20.gif

30+ 种常见图表。

此外,还可以将多个图表通过布局的方式整合在同一个html中,方便查看和对比。


相关文章
|
4天前
|
JavaScript 前端开发 开发者
探索 DrissionPage: 强大的Python网页自动化工具
DrissionPage 是一个基于 Python 的网页自动化工具,结合了浏览器自动化的便利性和 requests 库的高效率。它提供三种页面对象:ChromiumPage、WebPage 和 SessionPage,分别适用于不同的使用场景,帮助开发者高效完成网页自动化任务。
28 4
|
26天前
|
数据采集 数据可视化 数据挖掘
R语言与Python:比较两种数据分析工具
R语言和Python是目前最流行的两种数据分析工具。本文将对这两种工具进行比较,包括它们的历史、特点、应用场景、社区支持、学习资源、性能等方面,以帮助读者更好地了解和选择适合自己的数据分析工具。
27 2
|
26天前
|
C语言 开发者 Python
探索Python中的列表推导式:简洁而强大的工具
【10月更文挑战第21天】在Python的世界里,代码的优雅与效率同样重要。列表推导式(List Comprehensions)作为一种强大而简洁的工具,允许开发者通过一行代码完成对列表的复杂操作。本文将深入探讨列表推导式的使用方法、性能考量以及它如何提升代码的可读性和效率。
|
1月前
|
自然语言处理 算法 数据挖掘
探讨如何利用Python中的NLP工具,从被动收集到主动分析文本数据的过程
【10月更文挑战第11天】本文介绍了自然语言处理(NLP)在文本分析中的应用,从被动收集到主动分析的过程。通过Python代码示例,详细展示了文本预处理、特征提取、情感分析和主题建模等关键技术,帮助读者理解如何有效利用NLP工具进行文本数据分析。
48 2
|
23天前
|
C语言 Python
探索Python中的列表推导式:简洁而强大的工具
【10月更文挑战第24天】在Python编程的世界中,追求代码的简洁性和可读性是永恒的主题。列表推导式(List Comprehensions)作为Python语言的一个特色功能,提供了一种优雅且高效的方法来创建和处理列表。本文将深入探讨列表推导式的使用场景、语法结构以及如何通过它简化日常编程任务。
|
1月前
|
机器学习/深度学习 Unix 开发者
python的环境管理工具有哪些
python的环境管理工具有哪些
23 0
|
1月前
|
程序员 开发者 Python
深度解析Python中的元编程:从装饰器到自定义类创建工具
【10月更文挑战第5天】在现代软件开发中,元编程是一种高级技术,它允许程序员编写能够生成或修改其他程序的代码。这使得开发者可以更灵活地控制和扩展他们的应用逻辑。Python作为一种动态类型语言,提供了丰富的元编程特性,如装饰器、元类以及动态函数和类的创建等。本文将深入探讨这些特性,并通过具体的代码示例来展示如何有效地利用它们。
38 0
|
1月前
|
数据可视化 Python
Python 高级绘图:从基础到进阶的可视化实践
本文介绍了使用 Python 的强大绘图库 matplotlib 实现多种图表绘制的方法,包括简单的折线图、多条折线图、柱状图、饼图、散点图及 3D 图的绘制。通过具体代码示例展示了如何设置轴标签、标题、图例等元素,并指出了 matplotlib 支持更多高级绘图功能。来源:https://www.wodianping.com/app/2024-10/47112.html。
79 0
|
数据可视化 数据挖掘 API
《利用Python进行数据分析·第2版》第9章 绘图和可视化
第1章 准备工作第2章 Python语法基础,IPython和Jupyter第3章 Python的数据结构、函数和文件第4章 NumPy基础:数组和矢量计算第5章 pandas入门第6章 数据加载、存储与文件格式第7章 数据清洗和准备第8章 数据规整:聚合、合并和重塑 第9章 绘图和可视化第10章 数据聚合与分组运算第11章 时间序列第12章 pandas高级应用第13章 Python建模库介绍第14章 数据分析案例附录A NumPy高级应用附录B 更多关于IPython的内容(完) 信息可视化(也叫绘图)是数据分析中最重要的工作之一。
1853 0
|
数据可视化 数据挖掘 Python
python数据分析(十四)-matplotlib 绘图与可视化
尽管pandas的绘图函数可以处理很多普通的绘图任务,但是要使用高级功能的话需要学习matplotlib API。
1449 0
下一篇
无影云桌面