Selaa Python-pakettihakemistoa ja löydät kirjastoja käytännössä jokaiseen datan visualisointitarpeeseen – GazeParserista silmänliiketutkimukseen ja pastalogista neuroverkkokoulutuksen reaaliaikaiseen visualisointiin. Ja vaikka monet näistä kirjastoista keskittyvät intensiivisesti tietyn tehtävän suorittamiseen, osaa niistä voi käyttää alasta riippumatta.
Tämä luettelo on katsaus 10:een monitieteiseen Python-datan visualisointikirjastoon, tunnetuista tuntemattomiin. Mode Python Notebooks tukee kolmea tällä listalla olevaa kirjastoa – matplotlib, Seaborn ja Plotly – ja yli 60 muuta, joihin voit tutustua Notebook-tukisivullamme.
Toivomme, että nämä listat inspiroivat sinua, ja jos haluat lisätä kirjaston, jota ei ole listattu, käytä ohjeistustamme lisäkirjastojen asentamiseen tai lähetä viesti menestykseen modeanalytics .
- Matplotlib
- Seaborn
- ggplot
- Bokeh
- pygal
- Plotly
- geoplotlib
- Gleam
- missingno
- Leather
matplotlib
Kaksi histogrammia (matplotlib)
matplotlib on O.G. Python-datan visualisointikirjastoista. Vaikka se on jo yli kymmenen vuotta vanha, se on edelleen Python-yhteisön käytetyin piirtokirjasto. Se on suunniteltu muistuttamaan läheisesti MATLABia, 1980-luvulla kehitettyä omaa ohjelmointikieltä.
Koska matplotlib oli ensimmäinen Python-datan visualisointikirjasto, monet muut kirjastot on rakennettu sen päälle tai suunniteltu toimimaan yhdessä sen kanssa analyysin aikana. Jotkut kirjastot, kuten pandas ja Seaborn, ovat ”kääreitä” matplotlibin päällä. Niiden avulla voit käyttää useita matplotlibin menetelmiä vähemmällä koodilla.
Vaikka matplotlib on hyvä aineiston hahmottamiseen, se ei ole kovin hyödyllinen julkaisukelpoisten kaavioiden luomiseen nopeasti ja helposti. Kuten Chris Moffitt huomauttaa yleiskatsauksessaan Python-visualisointityökaluista, matplotlib ”on erittäin tehokas, mutta tuon tehon myötä tulee monimutkaisuutta.”
matplotlibia on jo pitkään kritisoitu sen oletustyyleistä, joilla on selvä 1990-luvun tuntu. Matplotlib 2.0:n tuleva julkaisu lupaa monia uusia tyylimuutoksia tämän ongelman ratkaisemiseksi.
Created by: John D. Hunter, saatavilla Modessa
Missä saat lisätietoja: matplotlib.org
Kokeile matplotlibiä Modessa.
Seaborn
Violinplot (Michael Waskom)
Seaborn valjastaa matplotlibin tehon luodakseen kauniita kaavioita muutamalla rivillä koodia. Keskeinen ero on Seabornin oletustyylit ja väripaletit, jotka on suunniteltu esteettisesti miellyttävämmiksi ja modernimmiksi. Koska Seaborn on rakennettu matplotlibin päälle, sinun on tunnettava matplotlib, jotta voit säätää Seabornin oletusasetuksia.
Created by: Michael Waskom, saatavilla Mode
Missä saat lisätietoja: http://web.stanford.edu/~mwaskom/software/seaborn/index.html
Kokeile Seabornia Modessa.
ggplot
Pienet monisteet (ŷhat)
ggplot perustuu R:n piirtojärjestelmään ggplot2:een ja käsitteisiin, jotka löytyvät kirjasta The Grammar of Graphics (Graafiikan kielioppi). ggplot toimii eri tavalla kuin matplotlib: sen avulla voit kerrostaa komponentteja luodaksesi kokonaisen piirroksen. Voit esimerkiksi aloittaa akseleilla, lisätä pisteitä, viivoja, trendiviivoja jne. Vaikka The Grammar of Graphicsia on kehuttu ”intuitiiviseksi” menetelmäksi piirtämiseen, kokeneet matplotlib-käyttäjät saattavat tarvita aikaa sopeutuakseen tähän uuteen ajattelutapaan.
Luojan mukaan ggplotia ei ole suunniteltu erittäin räätälöityjen grafiikoiden luomiseen. Se uhraa monimutkaisuuden yksinkertaisemman piirtämistavan hyväksi.
ggplot on tiiviisti integroitu pandasin kanssa, joten ggplotia käytettäessä on parasta tallentaa datasi DataFrameen.
Created by: ŷhat
Missä saat lisätietoja: http://ggplot.yhathq.com/
Bokeh
Interaktiiviset säätilastot kolmesta kaupungista (Continuum Analytics)
Kuten ggplot, Bokeh perustuu The Grammar of Graphics -ohjelmistoon, mutta toisin kuin ggplot, se on natiivi Pythonille, eikä sitä ole siirretty R:stä. Sen vahvuus on kyky luoda vuorovaikutteisia, web-käyttökelpoisia piirtokuvioita, jotka on helppo tulostaa JSON-objekteina, HTML-dokumentteina tai vuorovaikutteisina web-ohjelmina. Bokeh tukee myös suoratoisto- ja reaaliaikaista dataa.
Bokeh tarjoaa kolme käyttöliittymää, joissa on eritasoinen hallinta eri käyttäjätyypeille. Korkein taso on tarkoitettu kaavioiden nopeaan luomiseen. Se sisältää menetelmiä yleisten kaavioiden, kuten pylväsdiagrammien, laatikkodiagrammien ja histogrammien luomiseen. Keskimmäisellä tasolla on sama spesifisyys kuin matplotlibissä, ja sen avulla voit hallita kunkin kaavion perusrakennuspalikoita (esimerkiksi pisteitä hajontadiagrammissa). Alin taso on suunnattu kehittäjille ja ohjelmistosuunnittelijoille. Siinä ei ole valmiita oletusasetuksia ja se vaatii sinua määrittelemään jokaisen kaavion elementin.
Created by: Continuum Analytics
Missä saat lisätietoja: http://bokeh.pydata.org/en/latest/
pygal
Box plot (Florian Mounier)
Pygal tarjoaa Bokehin ja Plotlyn tavoin interaktiivisia plotteja, jotka voidaan upottaa verkkoselaimeen. Sen tärkein erottava tekijä on kyky tulostaa kaavioita SVG:nä. Niin kauan kuin työskentelet pienempien datajoukkojen kanssa, SVG:t riittävät mainiosti. Mutta jos teet kaavioita, joissa on satoja tuhansia datapisteitä, niiden renderöinti on hankalaa ja niistä tulee hitaita.
Kun jokainen kaaviotyyppi on paketoitu metodiin ja sisäänrakennetut tyylit ovat kauniita, on helppo luoda hyvännäköinen kaavio muutamalla rivillä koodia.
Created by: Florian Mounier
Missä saat lisätietoja: http://www.pygal.org/en/latest/index.html
Plotly
Viivapiirros (Plotly)
Tunnet ehkä Plotlyn datan visualisoinnin verkkoalustana, mutta tiesitkö myös, että voit käyttää sen ominaisuuksia Python-vihkosta? Bokehin tavoin Plotlyn vahvuus on interaktiivisten kaavioiden tekeminen, mutta se tarjoaa joitakin kaavioita, joita et löydä useimmista kirjastoista, kuten ääriviivakuvioita, dendogrammeja ja 3D-kaavioita.
Created by: Plotly, saatavilla Mode
Missä saat lisätietoja: https://plot.ly/python/
Kokeile Plotlya Modessa.
geoplotlib
Choropleth (Andrea Cuttone)
geoplotlib on työkalupakki karttojen luomiseen ja maantieteellisten tietojen piirtämiseen. Sen avulla voit luoda erilaisia karttatyyppejä, kuten choropletheja, lämpökarttoja ja pistetiheyskarttoja. Sinulla on oltava Pyglet (oliopohjainen ohjelmointirajapinta) asennettuna, jotta voit käyttää geoplotlibiä. Siitä huolimatta, koska useimmat Python-datan visualisointikirjastot eivät tarjoa karttoja, on mukavaa, että on olemassa kirjasto, joka on omistettu pelkästään niille.
Created by: Andrea Cuttone
Missä lisätietoja: https://github.com/andrea-cuttone/geoplotlib
Gleam
Scatter plot with trend line (David Robinson)
Gleam on saanut vaikutteita R:n Shiny-paketista. Sen avulla voit tehdä analyyseistä interaktiivisia verkkosovelluksia käyttämällä vain Python-skriptejä, joten sinun ei tarvitse osata muita kieliä, kuten HTML, CSS tai JavaScript. Gleam toimii minkä tahansa Python-datan visualisointikirjaston kanssa. Kun olet luonut piirroksen, voit rakentaa sen päälle kenttiä, jotta käyttäjät voivat suodattaa ja lajitella tietoja.
Luonut: David Robinson
Missä saat lisätietoja: https://github.com/dgrtwo/gleam
missingno
Tyhjyysmatriisi (Aleksey Bilogur)
Puuttuvien tietojen käsittely on hankalaa. missingno antaa sinulle mahdollisuuden arvioida nopeasti tietokokonaisuuden täydellisyyttä visuaalisen yhteenvedon avulla sen sijaan, että joutuisit penkomaan taulukkoa. Voit suodattaa ja lajitella tietoja täydellisyyden perusteella tai havaita korrelaatioita lämpökartan tai dendrogrammin avulla.
Created by: Aleksey Bilogur
Missä saat lisätietoja: https://github.com/ResidentMario/missingno
Leather
Karttaruudukko, jossa on johdonmukaiset asteikot (Christopher Groskopf)
Leatherin luoja, Christopher Groskopf, ilmaisee asian parhaiten: ”Leather on Python-kaaviokirjasto niille, jotka tarvitsevat kaavioita nyt eivätkä välitä siitä, ovatko ne täydellisiä.” Se on suunniteltu toimimaan kaikkien tietotyyppien kanssa ja tuottaa kaavioita SVG:nä, joten voit skaalata niitä menettämättä kuvanlaatua. Koska tämä kirjasto on suhteellisen uusi, osa dokumentaatiosta on vielä kesken. Kaaviot, joita voit tehdä, ovat melko yksinkertaisia – mutta se on tarkoituskin.
Created by: Christopher Groskopf
Missä saat lisätietoja: https://leather.readthedocs.io/en/latest/index.html
Muuta hyvää luettavaa Python-datan visualisoinnista
Pythonin datan visualisointikirjastoista on valtavasti hyviä arvioita ja katsauksia. Tutustu muutamiin suosikeistamme:
- One Chart, Twelve Charting Libraries (Lisa Charlotte Rost)
- Overview of Python Visualization Tools (Practical Business Python)
- Python data visualization: Comparing 7 tools (Dataquest.io)