关于python:深度讲解Python四大常用绘图库的绘图原理

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。