数据可视化怎么做python

使用Python进行数据可视化时，常见的方法包括使用Matplotlib、Seaborn、Plotly、Bokeh等库。这些库各有特色，能够满足不同的数据可视化需求。其中，Matplotlib 是最基础的库，功能强大且灵活；Seaborn 基于Matplotlib，提供了更高级的接口和美观的默认样式；Plotly 支持交互式图表，非常适合网页展示；Bokeh 也支持交互式图表，且在处理大规模数据时表现出色。本文将详细介绍如何使用这些库进行数据可视化。

一、MATPLOTLIB

Matplotlib是Python中最基础且功能强大的数据可视化库。它的设计灵活，可以创建静态、动态和交互式的各种图表。Matplotlib的核心对象是Figure和Axes，Figure是整个图形的容器，Axes是图形中的单个子图。

安装和基本使用：

import matplotlib.pyplot as plt

import numpy as np
创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
创建图形和坐标轴
fig, ax = plt.subplots()
绘制图形
ax.plot(x, y)
添加标题和标签
ax.set_title('Simple Plot')
ax.set_xlabel('x-axis')
ax.set_ylabel('y-axis')
显示图形
plt.show()

Figure和Axes的关系：Figure是画布，Axes是画布上的一个或多个绘图区域。通过fig, ax = plt.subplots()可以同时创建Figure和Axes对象。

自定义图表：Matplotlib允许高度自定义图表的外观，包括颜色、线型、标记、字体等。

ax.plot(x, y, color='red', linestyle='--', marker='o')

子图布局：可以通过plt.subplots()函数创建多个子图，并通过调整参数来控制子图的布局。

fig, axs = plt.subplots(2, 2)

axs[0, 0].plot(x, y)
axs[0, 1].plot(x, -y)
axs[1, 0].plot(-x, y)
axs[1, 1].plot(-x, -y)

二、SEABORN

Seaborn是基于Matplotlib的高级数据可视化库，提供了更简洁和美观的接口。它特别适合统计图表的绘制，并且与Pandas数据框无缝集成。

安装和基本使用：

import seaborn as sns

import pandas as pd
创建数据
data = pd.DataFrame({
    'x': x,
    'y': y
})
绘制图形
sns.lineplot(data=data, x='x', y='y')
显示图形
plt.show()

绘制统计图表：Seaborn提供了许多高级统计图表，如箱线图、散点图、热力图等。

# 箱线图

sns.boxplot(data=data)
散点图
sns.scatterplot(data=data, x='x', y='y')
热力图
corr = data.corr()
sns.heatmap(corr, annot=True)

主题和样式：Seaborn提供了多种预设的主题和样式，可以轻松改变图表的外观。

sns.set_theme(style="darkgrid")

sns.lineplot(data=data, x='x', y='y')

三、PLOTLY

Plotly是一个功能强大的交互式数据可视化库，支持多种图表类型，并且能够轻松集成到Web应用中。Plotly的图表可以通过拖拽、缩放等操作进行交互，非常适合数据探索和展示。

安装和基本使用：

import plotly.express as px

创建数据
data = pd.DataFrame({
    'x': x,
    'y': y
})
绘制图形
fig = px.line(data, x='x', y='y', title='Interactive Line Plot')
显示图形
fig.show()

交互功能：Plotly的图表默认具有交互功能，如悬停显示数据点信息、缩放、平移等。

# 带有悬停信息的散点图

fig = px.scatter(data, x='x', y='y', hover_data=['x', 'y'])
fig.show()

3D图表：Plotly可以轻松绘制3D图表，适合展示多维数据。

fig = px.scatter_3d(data, x='x', y='y', z='x', color='y')

fig.show()

地图可视化：Plotly支持地理数据的可视化，可以创建各种地图图表。

fig = px.scatter_geo(data, lat='x', lon='y', color='y')

fig.show()

四、BOKEH

Bokeh是另一个支持交互式数据可视化的库，特别适合处理大规模数据。它能够生成高性能的交互式图表，并且可以嵌入到网页中。

安装和基本使用：

from bokeh.plotting import figure, show

from bokeh.io import output_notebook
输出到笔记本
output_notebook()
创建图形
p = figure(title="Interactive Bokeh Plot", x_axis_label='x', y_axis_label='y')
添加数据
p.line(x, y, legend_label="sin(x)", line_width=2)
显示图形
show(p)

交互功能：Bokeh支持多种交互工具，如缩放、平移、选择、悬停等。

p.add_tools(HoverTool(tooltips=[("x", "@x"), ("y", "@y")]))

大规模数据处理：Bokeh可以高效处理大规模数据，并且支持数据流动和实时更新。

from bokeh.models import ColumnDataSource

source = ColumnDataSource(data=dict(x=x, y=y))
p.line('x', 'y', source=source)
show(p)

嵌入到网页：Bokeh图表可以轻松嵌入到HTML文件或Web应用中，适合创建交互式数据仪表盘。

总结：使用Python进行数据可视化时，选择合适的库非常重要。Matplotlib适合基础绘图和高度自定义需求，Seaborn适合统计图表和美观的默认样式，Plotly适合交互式图表和Web展示，Bokeh适合大规模数据处理和实时更新。根据具体需求选择相应的库，能够更高效地进行数据可视化工作。

对于企业级数据可视化需求，帆软旗下的FineBI、FineReport和FineVis是值得推荐的工具。FineBI提供商业智能分析，FineReport适合报表设计和数据展示，FineVis则专注于可视化分析。这些工具可以大大简化数据处理和可视化的工作流程。

FineBI官网： https://s.fanruan.com/f459r 
FineReport官网： https://s.fanruan.com/ryhzq 
FineVis官网： https://s.fanruan.com/7z296 

相关问答FAQs：

1. 数据可视化在Python中有哪些常用的工具和库？

Python是一种功能强大的编程语言，拥有许多用于数据可视化的流行工具和库。其中，最常用的包括：

• Matplotlib：Matplotlib是Python中最广泛使用的绘图库之一，提供了广泛的绘图功能，包括折线图、散点图、直方图、饼图等。

• Seaborn：Seaborn是基于Matplotlib的数据可视化库，提供了更加美观和简单的API来创建统计图表，适用于探索性数据分析。

• Plotly：Plotly是一个交互式数据可视化库，可以创建各种类型的图表，并且支持在Web上进行交互式展示。

• Pandas：Pandas是一个用于数据处理和分析的库，也提供了简单的绘图功能，可以快速创建一些基本的图表。

2. 如何使用Matplotlib创建一个简单的折线图？

要使用Matplotlib创建一个简单的折线图，首先需要安装Matplotlib库。接着，可以按照以下步骤创建一个简单的折线图：

import matplotlib.pyplot as plt

# 准备数据
x = [1, 2, 3, 4, 5]
y = [10, 15, 13, 18, 16]

# 创建折线图
plt.plot(x, y)

# 添加标题和标签
plt.title('Simple Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 显示图形
plt.show()

运行上述代码后，将会生成一个简单的折线图，显示了x和y的关系。你可以根据自己的数据和需求，调整代码来创建不同类型的折线图。

3. 如何使用Seaborn创建一个热力图？

Seaborn提供了简单而强大的API来创建各种统计图表，包括热力图。下面是一个简单的示例代码，演示如何使用Seaborn创建一个热力图：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

# 创建一个随机的数据集
data = np.random.rand(10, 10)

# 创建热力图
sns.heatmap(data, annot=True, cmap='YlGnBu')

# 添加标题
plt.title('Heatmap Example')

# 显示图形
plt.show()

运行上述代码后，将会生成一个随机数据的热力图。你可以根据自己的数据集和需求，使用Seaborn库创建不同类型的统计图表，包括箱线图、散点图等，来更好地探索和展示数据。