Scorri l’indice dei pacchetti Python e troverai librerie praticamente per ogni esigenza di visualizzazione dei dati, da GazeParser per la ricerca sul movimento degli occhi a pastalog per la visualizzazione in tempo reale dell’addestramento delle reti neurali. E mentre molte di queste librerie sono intensamente focalizzate sull’esecuzione di un compito specifico, alcune possono essere usate a prescindere dal vostro campo.
Questa lista è una panoramica di 10 librerie interdisciplinari di visualizzazione dati Python, dalle più note alle più oscure. I Quaderni Python di Mode supportano tre librerie in questa lista – matplotlib, Seaborn e Plotly – e più di 60 altre che puoi esplorare nella nostra pagina di supporto dei Quaderni.
Speriamo che questi elenchi ti ispirino, e se vuoi aggiungere una libreria che non è elencata, usa le nostre istruzioni per installare librerie aggiuntive o invia una nota al successo modeanalytics .
- Matplotlib
- Seaborn
- ggplot
- Bokeh
- pygal
- Plotly
- geoplotlib
- Gleam
- missingno
- Leather
matplotlib
Due istogrammi (matplotlib)
matplotlib è la O.G. delle librerie di visualizzazione dati Python. Nonostante abbia più di un decennio di vita, è ancora la libreria più usata per i grafici nella comunità Python. È stata progettata per assomigliare molto a MATLAB, un linguaggio di programmazione proprietario sviluppato negli anni ’80.
Perché matplotlib è stata la prima libreria di visualizzazione dati in Python, molte altre librerie sono costruite sopra di essa o progettate per lavorare in tandem con essa durante l’analisi. Alcune librerie come pandas e Seaborn sono “wrapper” sopra matplotlib. Vi permettono di accedere ad un certo numero di metodi di matplotlib con meno codice.
Mentre matplotlib è buono per ottenere un senso dei dati, non è molto utile per creare grafici di qualità per la pubblicazione in modo facile e veloce. Come Chris Moffitt sottolinea nella sua panoramica degli strumenti di visualizzazione Python, matplotlib “è estremamente potente, ma con quel potere arriva la complessità.”
matplotlib è stato a lungo criticato per i suoi stili predefiniti, che hanno un distinto sapore anni ’90. Il prossimo rilascio di matplotlib 2.0 promette molti nuovi cambiamenti di stile per affrontare questo problema.
Creato da: John D. Hunter, disponibile in Mode
Dove saperne di più: matplotlib.org
Prova matplotlib in Mode.
Seaborn
Violinplot (Michael Waskom)
Seaborn sfrutta la potenza di matplotlib per creare bei grafici in poche righe di codice. La differenza chiave è rappresentata dagli stili e dalle palette di colori predefiniti di Seaborn, che sono progettati per essere esteticamente più piacevoli e moderni. Poiché Seaborn è costruito sopra matplotlib, avrete bisogno di conoscere matplotlib per modificare le impostazioni predefinite di Seaborn.
Creato da: Michael Waskom, disponibile in Mode
Dove saperne di più: http://web.stanford.edu/~mwaskom/software/seaborn/index.html
Prova Seaborn in Mode.
ggplot
Piccoli multipli (ŷhat)
ggplot è basato su ggplot2, un sistema di plottaggio di R, e sui concetti di The Grammar of Graphics. ggplot funziona diversamente da matplotlib: ti permette di stratificare componenti per creare un plot completo. Per esempio, si può iniziare con gli assi, poi aggiungere punti, poi una linea, una linea di tendenza, ecc. Anche se The Grammar of Graphics è stato lodato come un metodo “intuitivo” per tracciare, gli utenti matplotlib esperti potrebbero aver bisogno di tempo per adattarsi a questa nuova mentalità.
Secondo il creatore, ggplot non è progettato per creare grafici altamente personalizzati. Sacrifica la complessità per un metodo di tracciatura più semplice.
ggplot è strettamente integrato con pandas, quindi è meglio memorizzare i dati in un DataFrame quando si usa ggplot.
Creato da: ŷhat
Dove saperne di più: http://ggplot.yhathq.com/
Bokeh
Statistiche meteo interattive per tre città (Continuum Analytics)
Come ggplot, Bokeh è basato su The Grammar of Graphics, ma a differenza di ggplot, è nativo per Python, non portato da R. La sua forza sta nella capacità di creare grafici interattivi e pronti per il web, che possono essere facilmente mostrati come oggetti JSON, documenti HTML o applicazioni web interattive. Bokeh supporta anche lo streaming e i dati in tempo reale.
Bokeh fornisce tre interfacce con diversi livelli di controllo per soddisfare diversi tipi di utenti. Il livello più alto è per la creazione rapida di grafici. Include metodi per creare grafici comuni come diagrammi a barre, diagrammi a scatola e istogrammi. Il livello intermedio ha la stessa specificità di matplotlib e permette di controllare gli elementi di base di ogni grafico (i punti in un grafico a dispersione, per esempio). Il livello più basso è orientato agli sviluppatori e agli ingegneri del software. Non ha impostazioni predefinite e richiede di definire ogni elemento del grafico.
Creato da: Continuum Analytics
Dove saperne di più: http://bokeh.pydata.org/en/latest/
pygal
Box plot (Florian Mounier)
Come Bokeh e Plotly, pygal offre grafici interattivi che possono essere incorporati nel browser web. Il suo principale elemento di differenziazione è la capacità di produrre grafici come SVG. Finché lavorate con piccoli insiemi di dati, gli SVG vi andranno bene. Ma se state facendo grafici con centinaia di migliaia di punti dati, avranno problemi di rendering e diventeranno lenti.
Siccome ogni tipo di grafico è impacchettato in un metodo e gli stili integrati sono carini, è facile creare un bel grafico in poche righe di codice.
Creato da: Florian Mounier
Dove saperne di più: http://www.pygal.org/en/latest/index.html
Plotly
Line plot (Plotly)
Potresti conoscere Plotly come una piattaforma online per la visualizzazione dei dati, ma sapevi anche che puoi accedere alle sue capacità da un notebook Python? Come Bokeh, il punto forte di Plotly è la creazione di grafici interattivi, ma offre alcuni grafici che non troverete nella maggior parte delle librerie, come grafici di contorno, dendogrammi e grafici 3D.
Creato da: Plotly, disponibile in Mode
Dove saperne di più: https://plot.ly/python/
Prova Plotly in Mode.
geoplotlib
Choropleth (Andrea Cuttone)
geoplotlib è un toolbox per creare mappe e tracciare dati geografici. Potete usarlo per creare una varietà di tipi di mappe, come coropletti, mappe di calore e mappe di densità di punti. Dovete avere installato Pyglet (un’interfaccia di programmazione orientata agli oggetti) per usare geoplotlib. Tuttavia, dato che la maggior parte delle librerie di visualizzazione dati Python non offrono mappe, è bello avere una libreria dedicata solo a loro.
Creato da: Andrea Cuttone
Dove saperne di più: https://github.com/andrea-cuttone/geoplotlib
Gleam
Scatter plot con linea di tendenza (David Robinson)
Gleam è ispirato al pacchetto Shiny di R. Ti permette di trasformare le analisi in applicazioni web interattive usando solo script Python, quindi non devi conoscere altri linguaggi come HTML, CSS o JavaScript. Gleam funziona con qualsiasi libreria di visualizzazione dati Python. Una volta creata una trama, puoi costruirci sopra dei campi in modo che gli utenti possano filtrare e ordinare i dati.
Creato da: David Robinson
Dove saperne di più: https://github.com/dgrtwo/gleam
missingno
Matrice di nullità (Aleksey Bilogur)
Gestire i dati mancanti è una sofferenza. missingno ti permette di valutare rapidamente la completezza di un set di dati con un riassunto visivo, invece di arrancare in una tabella. È possibile filtrare e ordinare i dati in base al completamento o individuare le correlazioni con una mappa di calore o un dendrogramma.
Creato da: Aleksey Bilogur
Dove saperne di più: https://github.com/ResidentMario/missingno
Leather
Griglia di grafici con scale coerenti (Christopher Groskopf)
Il creatore di Leather, Christopher Groskopf, lo dice meglio: “Leather è la libreria di grafici Python per coloro che hanno bisogno di grafici ora e non si preoccupano che siano perfetti”. È progettata per lavorare con tutti i tipi di dati e produce grafici come SVG, in modo da poterli scalare senza perdere la qualità dell’immagine. Poiché questa libreria è relativamente nuova, parte della documentazione è ancora in corso. I grafici che si possono fare sono piuttosto semplici, ma questa è l’intenzione.
Creato da: Christopher Groskopf
Dove saperne di più: https://leather.readthedocs.io/en/latest/index.html
Altre ottime letture sulla visualizzazione dei dati in Python
Ci sono un sacco di ottime valutazioni e panoramiche sulle librerie di visualizzazione dei dati in Python. Controlla alcune delle nostre preferite:
- Un grafico, dodici librerie di grafici (Lisa Charlotte Rost)
- Panoramica degli strumenti di visualizzazione Python (Practical Business Python)
- Visualizzazione dei dati Python: 7 strumenti a confronto (Dataquest.io)