共计 4177 个字符,预计需要花费 11 分钟才能阅读完成。
最近有不少读者同学来问我,Python 绘图库太多,我知不知道学哪一个?即便我抉择了某一个绘图库后,我也 不晓得怎么学
,我不晓得第一步做什么,也不晓得接下来该怎么做,四个字 一学就忘
。
其实这也是我过后很 困扰
的一个问题,我过后在学习完 numpy 和 pandas 后,就开始了 matplotlib 的学习。我反正是十分解体的,每次就感觉绘图代码怎么这么多,绘图逻辑齐全一团糟,不晓得如何入手。
前面随着本人重复的学习,我找到了学习 Python 绘图库的办法,那就是学习它的 绘图原理
。正所谓:“知己知彼,百战不殆”
,学会了原理,剩下的就是纯熟的问题了。
明天咱们就用一篇文章,带大家梳理 matplotlib
、seaborn
、plotly
、pyecharts
的绘图原理,让大家学起来不再那么吃力!
1. matplotlib 绘图原理
对于 matplotlib 更具体的绘图阐明,大家能够参考上面这篇文章,置信你看了当前肯定学得会。
matplotlib 绘图原理: http://suo.im/678FCo
1)绘图原理阐明
通过我本人的学习和了解,我将 matplotlib 绘图原理高度总结为如下几步:
- ① 导库;
- ② 创立
figure
画布对象; - ③ 获取对应地位的
axes
坐标系对象; - ④ 调用 axes 对象,进行对应地位的图形绘制;
- ⑤ 显示图形;
2)案例阐明
# 1. 导入相干库
import matplotlib as mpl
import matplotlib.pyplot as plt
# 2. 创立 figure 画布对象
figure = plt.figure()
# 3. 获取对应地位的 axes 坐标系对象
axes1 = figure.add_subplot(2,1,1)
axes2 = figure.add_subplot(2,1,2)
# 4. 调用 axes 对象,进行对应地位的图形绘制
axes1.plot([1,3,5,7],[4,9,6,8])
axes2.plot([1,2,4,5],[8,4,6,2])
# 5. 显示图形
figure.show()
后果如下:
2. seaborn 绘图原理
在这四个绘图库外面,只有 matplotlib
和seaborn
存在肯定的分割,其余绘图库之间都没有任何分割,就连绘图原理也都是不一样的。
seaborn 是 matplotlib 的 更高级的封装
。因而学习 seaborn 之前,首先要晓得 matplotlib 的绘图原理。因为 seaborn 是 matplotlib 的更高级的封装,对于 matplotlib 的那些 调优参数设置
,也都能够在应用 seaborn 绘制图形之后应用。
咱们晓得,应用 matplotlib 绘图,须要调节大量的绘图参数,须要记忆的货色很多。而 seaborn 基于 matplotlib 做了更高级的封装,使得 绘图更加容易
,它不须要理解大量的底层参数,就能够绘制出很多比拟粗劣的图形。不仅如此,seaborn 还兼容numpy
、pandas
数据结构,在组织数据上起了很大作用,从而更大程度上的帮忙咱们实现数据可视化。
因为 seaborn 的绘图原理,和 matplotlib 的 绘图原理统一
,这里也就不具体介绍了,大家能够参考下面 matplotlib 的绘图原理,来学习 seaborn 到底如何绘图,这里还是提供一个网址给大家。
seaborn 绘图原理: http://suo.im/5D3VPX
1)案例阐明
# 1. 导入相干库
import seaborn as sns
import matplotlib.pyplot as plt
df = pd.read_excel("data.xlsx",sheet_name="数据源")
sns.set_style("dark")
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 留神:estimator 示意对分组后的销售数量求和。默认是求均值。sns.barplot(x="品牌",y="销售数量",data=df,color="steelblue",orient="v",estimator=sum)
plt.show()
后果如下:
留神:
能够看到在上述的绘图代码中,你应该有这样一个感触,图中既有 matplotlib 的绘图代码,也有 seaborn 的绘图代码。其实就是这样的,咱们就是依照 matplobt 的绘图原理进行图形绘制,只是有些中央改成 seaborn 特有的代码即可,剩下的调整格局,都能够应用 matplotlib 中的办法进行调整。
3. plotly 绘图原理
首先在介绍这个图的绘图原理之前,咱们先简略介绍一下 plotly 这个绘图库。
- plotly 是一个基于 javascript 的绘图库,plotly 绘图品种丰盛,成果好看;
- 易于保留与分享 plotly 的绘图后果,并且能够与 Web 无缝集成;
- ploty 默认的绘图后果,是一个 HTML 网页文件,通过浏览器能够间接查看;
它的绘图原理和 matplotlib、seaborn 没有任何关系,你须要独自去学习它。同样我还是提供了一个网址给你,让你更具体的学习 plotly。
plotly 绘图原理: http://suo.im/5vxNTu
1)绘图原理阐明
通过我本人的学习和了解,我将 plotly 绘图原理高度总结为如下几步:
- ① 绘制图形轨迹,在 ployly 外面叫做
trace
,每一个轨迹是一个 trace。 - ② 将轨迹包裹成一个列表,造成一个“轨迹列表”。一个轨迹放在一个列表中,多个轨迹也是放在一个列表中。
- ③ 创立画布的同时,并将上述的
轨迹列表
,传入到Figure()
中。 - ④ 应用
Layout()
增加其余的绘图参数,欠缺图形。 - ⑤ 展现图形。
2)案例阐明
import numpy as np
import pandas as pd
import plotly as py
import plotly.graph_objs as go
import plotly.expression as px
from plotly import tools
df = pd.read_excel("plot.xlsx")
# 1. 绘制图形轨迹,在 ployly 外面叫做 `trace`,每一个轨迹是一个 trace。trace0 = go.Scatter(x=df["年份"],y=df["城镇居民"],name="城镇居民")
trace1 = go.Scatter(x=df["年份"],y=df["农村居民"],name="农村居民")
# 2. 将轨迹包裹成一个列表,造成一个“轨迹列表”。一个轨迹放在一个列表中,多个轨迹也是放在一个列表中。data = [trace0,trace1]
# 3. 创立画布的同时,并将上述的 ` 轨迹列表 `,传入到 `Figure()` 中。fig = go.Figure(data)
# 4. 应用 `Layout()` 增加其余的绘图参数,欠缺图形。fig.update_layout(
title="城乡居民家庭人均收入",
xaxis_title="年份",
yaxis_title="人均收入(元)"
)
# 5. 展现图形。fig.show()
后果如下:
4. pyecharts 绘图原理
Echarts
是一个由百度开源的数据可视化工具,凭借着良好的交互性,精美的图表设计,失去了泛滥开发者的认可。而 python 是一门富裕表达力的语言,很适宜用于数据处理。当数据分析遇上了数据可视化时,pyecharts
诞生了。
pyecharts 分为 v0.5
和v1
两个大版本,v0.5 和 v1 两个版本不兼容,v1 是一个全新的版本,因而咱们的学习尽量都是 基于 v1 版本
进行操作。
和 plotly 一样,pyecharts 的绘图原理也是齐全不同于 matplotlib 和 seaborn,咱们须要额定的去学习它们的绘图原理,基于此,同样提供一个网址给你,让你更具体的学习 pyecharts。
pyecharts 的绘图原理: http://suo.im/5S1PF1
1)绘图原理阐明
通过我本人的学习和了解,我将 plotly 绘图原理高度总结为如下几步:
- ① 抉择图表类型;
- ② 申明图形类并增加数据;
- ③ 抉择全局变量;
- ④ 显示及保留图表;
2)案例阐明
# 1. 抉择图表类型:咱们应用的是线图,就间接从 charts 模块中导入 Line 这个模块;from pyecharts.charts import Line
import pyecharts.options as opts
import numpy as np
x = np.linspace(0,2 * np.pi,100)
y = np.sin(x)
(# 2. 咱们绘制的是 Line 线图,就须要实例化这个图形类,间接 Line()即可;Line()
# 3. 增加数据,别离给 x,y 轴增加数据;.add_xaxis(xaxis_data=x)
.add_yaxis(series_name="绘制线图",y_axis=y,label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(title_opts=opts.TitleOpts(title="我是题目",subtitle="我是副标题",title_link="https://www.baidu.com/"),
tooltip_opts=opts.TooltipOpts())
).render_notebook() # 4.render_notebook()用于显示及保留图表;
后果如下:
小结
通过下面的学习,我置信必定会让大家对于这些库的绘图原理,肯定会有一个新的意识。
其实其实不论是任何编程软件的绘图库,都有它的绘图原理。咱们与其自觉的去绘制各种各样的图形,不如先搞清楚它们的套路后,再去进行绘图库的图形练习,这样上来,我感觉大家会有一个很大的进步。
以上就是本次分享的所有内容,如果你感觉文章还不错,欢送关注公众号:Python 编程学习圈,每日干货分享,发送“J”还可支付大量学习材料,内容笼罩 Python 电子书、教程、数据库编程、Django,爬虫,云计算等等。或是返回编程学习网,理解更多编程技术常识。