用 Python 繪製資料的7種最流行的方法

比較七個在 Python 中繪圖的庫和 API，看看哪個最能滿足你的需求。

“如何在 Python 中繪圖？”曾經這個問題有一個簡單的答案：Matplotlib 是唯一的辦法。如今，Python 作為資料科學的語言，有著更多的選擇。你應該用什麼呢？

本指南將幫助你決定。

它將向你展示如何使用四個最流行的 Python 繪相簿：Matplotlib、Seaborn、Plotly 和 Bokeh，再加上兩個值得考慮的優秀的後起之秀：Altair，擁有豐富的 API；Pygal，擁有漂亮的 SVG 輸出。我還會看看 Pandas 提供的非常方便的繪圖 API。

對於每一個庫，我都包含了原始碼片段，以及一個使用 Anvil 的完整的基於 Web 的例子。Anvil 是我們的平台，除了 Python 之外，什麼都不用做就可以構建網路應用。讓我們一起來看看。

範例繪圖

每個庫都採取了稍微不同的方法來繪製資料。為了比較它們，我將用每個庫繪製同樣的圖，並給你展示原始碼。對於範例資料，我選擇了這張 1966 年以來英國大選結果的分組柱狀圖。

我從維基百科上整理了英國選舉史的資料集：從 1966 年到 2019 年，保守黨、工黨和自由黨（廣義）在每次選舉中贏得的英國議會席位數，加上“其他”贏得的席位數。你可以以 CSV 檔案格式下載它。

Matplotlib

Matplotlib 是最古老的 Python 繪相簿，現在仍然是最流行的。它建立於 2003 年，是 SciPy Stack 的一部分，SciPy Stack 是一個類似於 Matlab 的開源科學計算庫。

Matplotlib 為你提供了對繪製的精確控制。例如，你可以在你的條形圖中定義每個條形圖的單獨的 X 位置。下面是繪製這個圖表的程式碼（你可以在這裡執行）：

    import matplotlib.pyplot as plt    import numpy as np    from votes import wide as df    # Initialise a figure. subplots() with no args gives one plot.    fig, ax = plt.subplots()    # A little data preparation    years = df['year']    x = np.arange(len(years))    # Plot each bar plot. Note: manually calculating the 'dodges' of the bars    ax.bar(x - 3*width/2, df['conservative'], width, label='Conservative', color='#0343df')    ax.bar(x - width/2, df['labour'], width, label='Labour', color='#e50000')    ax.bar(x + width/2, df['liberal'], width, label='Liberal', color='#ffff14')    ax.bar(x + 3*width/2, df['others'], width, label='Others', color='#929591')    # Customise some display properties    ax.set_ylabel('Seats')    ax.set_title('UK election results')    ax.set_xticks(x)    # This ensures we have one tick per year, otherwise we get fewer    ax.set_xticklabels(years.astype(str).values, rotation='vertical')    ax.legend()    # Ask Matplotlib to show the plot    plt.show()

這是用 Matplotlib 繪製的選舉結果:

Seaborn

Seaborn 是 Matplotlib 之上的一個抽象層；它提供了一個非常整潔的介面，讓你可以非常容易地製作出各種型別的有用繪圖。

不過，它並沒有在能力上有所妥協！Seaborn 提供了存取底層 Matplotlib 物件的逃生艙口，所以你仍然可以進行完全控制。

Seaborn 的程式碼比原始的 Matplotlib 更簡單（可在此處執行）：

    import seaborn as sns    from votes import long as df    # Some boilerplate to initialise things    sns.set()    plt.figure()    # This is where the actual plot gets made    ax = sns.barplot(data=df, x="year", y="seats", hue="party", palette=['blue', 'red', 'yellow', 'grey'], saturation=0.6)    # Customise some display properties    ax.set_title('UK election results')    ax.grid(color='#cccccc')    ax.set_ylabel('Seats')    ax.set_xlabel(None)    ax.set_xticklabels(df["year"].unique().astype(str), rotation='vertical')    # Ask Matplotlib to show it    plt.show()

並生成這樣的圖表：

Plotly

Plotly 是一個繪圖生態系統，它包括一個 Python 繪相簿。它有三個不同的介面：

1. 一個物件導向的介面。
2. 一個命令式介面，允許你使用類似 JSON 的資料結構來指定你的繪圖。
3. 類似於 Seaborn 的高階介面，稱為 Plotly Express。

Plotly 繪圖被設計成嵌入到 Web 應用程式中。Plotly 的核心其實是一個 JavaScript 庫！它使用 D3 和 stack.gl 來繪製圖表。

你可以通過向該 JavaScript 庫傳遞 JSON 來構建其他語言的 Plotly 庫。官方的 Python 和 R 庫就是這樣做的。在 Anvil，我們將 Python Plotly API 移植到了 Web 瀏覽器中執行。

這是使用 Plotly 的原始碼（你可以在這裡執行）：

    import plotly.graph_objects as go    from votes import wide as df    #  Get a convenient list of x-values    years = df['year']    x = list(range(len(years)))    # Specify the plots    bar_plots = [        go.Bar(x=x, y=df['conservative'], name='Conservative', marker=go.bar.Marker(color='#0343df')),        go.Bar(x=x, y=df['labour'], name='Labour', marker=go.bar.Marker(color='#e50000')),        go.Bar(x=x, y=df['liberal'], name='Liberal', marker=go.bar.Marker(color='#ffff14')),        go.Bar(x=x, y=df['others'], name='Others', marker=go.bar.Marker(color='#929591')),    ]    # Customise some display properties    layout = go.Layout(        title=go.layout.Title(text="Election results", x=0.5),        yaxis_title="Seats",        xaxis_tickmode="array",        xaxis_tickvals=list(range(27)),        xaxis_ticktext=tuple(df['year'].values),    )    # Make the multi-bar plot    fig = go.Figure(data=bar_plots, layout=layout)    # Tell Plotly to render it    fig.show()

選舉結果圖表：

Bokeh

Bokeh（發音為 “BOE-kay”）擅長構建互動式繪圖，所以這個標準的例子並沒有將其展現其最好的一面。和 Plotly 一樣，Bokeh 的繪圖也是為了嵌入到 Web 應用中，它以 HTML 檔案的形式輸出繪圖。

下面是使用 Bokeh 的程式碼（你可以在這裡執行）：

    from bokeh.io import show, output_file    from bokeh.models import ColumnDataSource, FactorRange, HoverTool    from bokeh.plotting import figure    from bokeh.transform import factor_cmap    from votes import long as df    # Specify a file to write the plot to    output_file("elections.html")    # Tuples of groups (year, party)    x = [(str(r[1]['year']), r[1]['party']) for r in df.iterrows()]    y = df['seats']    # Bokeh wraps your data in its own objects to support interactivity    source = ColumnDataSource(data=dict(x=x, y=y))    # Create a colourmap    cmap = {        'Conservative': '#0343df',        'Labour': '#e50000',        'Liberal': '#ffff14',        'Others': '#929591',    }    fill_color = factor_cmap('x', palette=list(cmap.values()), factors=list(cmap.keys()), start=1, end=2)    # Make the plot    p = figure(x_range=FactorRange(*x), width=1200, title="Election results")    p.vbar(x='x', top='y', width=0.9, source=source, fill_color=fill_color, line_color=fill_color)    # Customise some display properties    p.y_range.start = 0    p.x_range.range_padding = 0.1    p.yaxis.axis_label = 'Seats'    p.xaxis.major_label_orientation = 1    p.xgrid.grid_line_color = None

圖表如下：

Altair

Altair 是基於一種名為 Vega 的宣告式繪圖語言（或“視覺化語法”）。這意味著它具有經過深思熟慮的 API，可以很好地擴充套件複雜的繪圖，使你不至於在巢狀迴圈的地獄中迷失方向。

與 Bokeh 一樣，Altair 將其圖形輸出為 HTML 檔案。這是程式碼（你可以在這裡執行）：

    import altair as alt    from votes import long as df    # Set up the colourmap    cmap = {        'Conservative': '#0343df',        'Labour': '#e50000',        'Liberal': '#ffff14',        'Others': '#929591',    }    # Cast years to strings    df['year'] = df['year'].astype(str)    # Here's where we make the plot    chart = alt.Chart(df).mark_bar().encode(        x=alt.X('party', title=None),        y='seats',        column=alt.Column('year', sort=list(df['year']), title=None),        color=alt.Color('party', scale=alt.Scale(domain=list(cmap.keys()), range=list(cmap.values())))    )    # Save it as an HTML file.    chart.save('altair-elections.html')

結果圖表：

Pygal

Pygal 專注於視覺外觀。它預設生成 SVG 圖，所以你可以無限放大它們或列印出來，而不會被畫素化。Pygal 繪圖還內建了一些很好的互動性功能，如果你想在 Web 應用中嵌入繪圖，Pygal 是另一個被低估了的候選者。

程式碼是這樣的（你可以在這裡執行它）：

    import pygal    from pygal.style import Style    from votes import wide as df    # Define the style    custom_style = Style(        colors=('#0343df', '#e50000', '#ffff14', '#929591')        font_family='Roboto,Helvetica,Arial,sans-serif',        background='transparent',        label_font_size=14,    )    # Set up the bar plot, ready for data    c = pygal.Bar(        title="UK Election Results",        style=custom_style,        y_title='Seats',        width=1200,        x_label_rotation=270,    )    # Add four data sets to the bar plot    c.add('Conservative', df['conservative'])    c.add('Labour', df['labour'])    c.add('Liberal', df['liberal'])    c.add('Others', df['others'])    # Define the X-labels    c.x_labels = df['year']    # Write this to an SVG file    c.render_to_file('pygal.svg')

繪製結果：

Pandas

Pandas 是 Python 的一個極其流行的資料科學庫。它允許你做各種可延伸的資料處理，但它也有一個方便的繪圖 API。因為它直接在資料框上操作，所以 Pandas 的例子是本文中最簡潔的程式碼片段，甚至比 Seaborn 的程式碼還要短！

Pandas API 是 Matplotlib 的一個封裝器，所以你也可以使用底層的 Matplotlib API 來對你的繪圖進行精細的控制。

這是 Pandas 中的選舉結果圖表。程式碼精美簡潔！

    from matplotlib.colors import ListedColormap    from votes import wide as df    cmap = ListedColormap(['#0343df', '#e50000', '#ffff14', '#929591'])    ax = df.plot.bar(x='year', colormap=cmap)    ax.set_xlabel(None)    ax.set_ylabel('Seats')    ax.set_title('UK election results')    plt.show()

繪圖結果：

要執行這個例子，請看這裡。

以你的方式繪製

Python 提供了許多繪製資料的方法，無需太多的程式碼。雖然你可以通過這些方法快速開始建立你的繪圖，但它們確實需要一些本地設定。如果需要，Anvil 為 Python 開發提供了精美的 Web 體驗。祝你繪製愉快！