Vous ne savez pas comment créer des graphiques ? Dix bibliothèques de visualisation de données Python pour vous aider !

1. matplotlib

Deux histogrammes

matplotlib est le leader des bibliothèques de visualisation Python. Après plus de dix ans, elle reste la bibliothèque de dessins la plus utilisée par les utilisateurs de Python. Son design est très proche de MATLAB, un langage de programmation commercial conçu dans les années 1980.

Étant donné que matplotlib est la première bibliothèque de visualisation Python, il existe de nombreuses autres bibliothèques construites dessus ou l'appelant directement.

Par exemple, pandas et Seaborn externalisent matplotlib. Ils vous permettent d'appeler des méthodes matplotlib avec moins de code.

Bien que matplotlib puisse facilement obtenir les informations générales sur les données, il n'est pas si facile de créer des graphiques à publier plus rapidement et plus facilement.

Comme Chris Moffitt l'a mentionné dans "Introduction aux outils de visualisation Python" : "Il est très puissant et très complexe."

Le style de traçage par défaut de matplotlib avec une forte atmosphère des années 1990 a également été critiqué depuis de nombreuses années. Le prochain matplotlib 2.0 inclurait de nombreux styles plus à la mode.

Développeur : John D. Hunter

Plus d'informations :​​https://www.php.cn/link/a563b6d5abbf137175059d6bb14672cc​​​

2, Seaborn

Violinplot (Michael Waskom )

Seaborn utilise matplotlib pour créer de superbes graphiques avec un code concis.

La plus grande différence entre Seaborn et matplotlib est que son style de dessin par défaut et sa correspondance de couleurs ont une esthétique moderne.

Étant donné que Seaborn est construit sur matplotlib, vous devez comprendre matplotlib pour ajuster les paramètres par défaut de Seaborn.

Développeur : Michael Waskom

Plus d'informations :​​https://www.php.cn/link/b93f11867481fc6d77908aea58ba6198​​​

3, ggplot

Petits multiples (ŷhat )

ggplot est un package graphique basé sur R, ggplot2, et utilise les concepts de The Grammar of Graphics.

La différence entre ggplot et matplotlib est qu'il vous permet de superposer différents calques pour compléter une image. Par exemple, vous pouvez commencer par l'axe, puis ajouter des points, ajouter des lignes, des lignes de tendance, etc.

Bien que "Image Grammar" ait été salué pour sa méthode de dessin "proche du processus de réflexion", les utilisateurs habitués à matplotlib peuvent avoir besoin d'un certain temps pour s'adapter à cette nouvelle façon de penser.

L'auteur de ggplot a mentionné que ggplot n'est pas adapté pour créer des images très personnalisées. Il sacrifie la complexité de l’image au profit de la simplicité opérationnelle.

ggplot est étroitement intégré aux pandas, il est donc préférable de stocker vos données dans un DataFrame lorsque vous utilisez ggplot.

ggplot est étroitement intégré aux pandas, donc lorsque vous l'utilisez, il est préférable de lire vos données dans DataFrame.

Développeur : ŷhat

Plus d'informations :​​https://www.php.cn/link/be23c41621390a448779ee72409e5f49​​​

4, Bokeh

Statistiques météorologiques interactives pour trois villes ( Continent uum Analytics )

Comme ggplot, Bokeh repose également sur le concept de "Graphic Grammar".

Mais contrairement à ggplot, il est entièrement basé sur Python et non référencé depuis R.

Sa force est qu'il permet de créer des schémas interactifs utilisables directement sur le réseau. Les graphiques peuvent être générés sous forme d'objets JSON, de documents HTML ou d'applications Web interactives.

Boken prend également en charge le streaming de données et les données en temps réel. Bokeh offre trois niveaux de contrôle pour différents utilisateurs.

Le niveau de contrôle le plus élevé concerne la création graphique rapide, principalement pour créer des images courantes telles que des histogrammes, des boîtes à moustaches, des histogrammes.

Le niveau de contrôle moyen vous permet de contrôler les éléments de base de l'image (tels que les points dans un diagramme de distribution) tout comme matplotlib.

Le niveau de contrôle le plus bas est principalement destiné aux développeurs et aux ingénieurs logiciels.

Il n'a pas de valeur par défaut, vous devez définir chaque élément du graphique.

Développeur : Continuum Analytics

Plus d'informations:​​https://www.php.cn/link/fdad3b5b2200b598dfde9517e5b426a8​​​

5, pygal

Box plot (Florian Mounier)

pygal avec Bokeh et Plotly Sam e, Fournit des images interactives qui peuvent être intégrées directement dans votre navigateur Web.

La principale différence par rapport aux deux autres est qu'il peut générer des graphiques au format SVG.

Si la taille de vos données est relativement petite, SVG suffit. Mais si vous disposez de centaines ou de milliers de points de données, le processus de rendu SVG devient très lent.

Étant donné que tous les graphiques sont encapsulés dans des méthodes et que le style par défaut est également très beau, vous pouvez facilement créer de magnifiques graphiques avec seulement quelques lignes de code.

Développeur: Florian Mounier

Plus d'informations:​​https://www.php.cn/link/bf5d232e6c54a84b97769a91adb1642f​​​

6, Plotly

Line plot (Plotly)

Vous pouvez Vous avez entendu parler de l'outil graphique en ligne Plotly, mais saviez-vous que vous pouvez l'utiliser avec Python ?

Plotly est dédié à la production de graphiques interactifs comme Bokeh, mais il propose plusieurs types de graphiques difficiles à trouver dans d'autres bibliothèques, tels que les tracés de contour, les diagrammes arborescents et les diagrammes tridimensionnels.

Développeur : Plotly

Plus d'informations :​​https://www.php.cn/link/d01c25576ff1c53de58e0e6970a2d510​​​

7, geoplotlib

Choropleth (Andrea Cut ton)

geoplotlib est une boîte à outils pour produire des cartes et des données géographiques.

Vous pouvez l'utiliser pour créer une variété de cartes, telles que des cartes de contour, des cartes thermiques et des cartes de densité de points.

Vous devez installer Pyglet (une interface de programmation orientée objet) pour utiliser geoplotlib. Cependant, comme la plupart des outils de visualisation Python ne fournissent pas de cartes, il est très pratique de disposer d'un outil dédié au dessin de cartes. D Développeur : Andrea Cuttone

Plus d'informations :

https://www.php.cn/link/a9cf46A38A959F33215E5CDC38A

8, Gleam

Scatter plot avec ligne de tendance (David Robinson)

Gleam s'est inspiré de Shiny dans R. Il vous permet de transformer votre analyse en une application Web interactive en utilisant uniquement des programmes Python. Vous n'avez pas besoin de connaître HTML CSS ou JavaScript.

Gleam peut utiliser n'importe quelle bibliothèque de visualisation Python.

Lorsque vous créez un graphique, vous pouvez y ajouter un champ afin que les utilisateurs puissent l'utiliser pour trier et filtrer les données.

Développeur : David Robinson

Plus d'informations :​

​https://www.php.cn/link/c0ad6deb373037e7f63f219c850e3396​

​​

9, manquantno

Matrice de nullité (Aleksey Bilog ur)

Les données manquantes sont un problème permanent.

missingno utilise des images pour évaluer rapidement la situation des données manquantes, au lieu de parcourir le tableau de données.

Vous pouvez trier ou filtrer les données en fonction de leur exhaustivité, ou envisager de corriger les données en fonction de cartes thermiques ou de cartes arborescentes.

Développeur : Aleksey Bilogur

Plus d'informations :​

​https://www.php.cn/link/bc05ca60f2f0d67d0525f41d1d8f8717​

​​

10, Leather

Grille graphique avec des échelles cohérentes ( Christophe Groskopf)

La meilleure définition du cuir vient de son auteur, Christopher Groskopf.

"Le cuir est destiné aux personnes qui ont besoin d'un graphique maintenant et qui ne se soucient pas de savoir s'il est parfait."

Il peut être utilisé avec tous les types de données et génère des images SVG afin qu'il n'y ait aucune perte lorsque vous redimensionnez l'image. Qualité de l'image.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!