相信很多讀者學(xué)習(xí)Python就是希望作出各種酷炫的可視化圖表，當(dāng)然你一定會聽說過Matplotlib,、Pyecharts,、Seaborn、Plotly,、Bokeh這五大工具,，本文就將通過真實繪圖來深度評測這五個Python數(shù)據(jù)可視化的庫，看看到底這幾種工具各有什么優(yōu)缺點,，在制作圖表時該如何選擇,。

x為一列品牌名稱,，y1/y2為一列相同長度的無意義數(shù)據(jù)，接下來讓我們使用不同的庫對這組數(shù)據(jù)進行可視化,！

from pyecharts import options as opts
from pyecharts.charts import Bar

可以看到，該圖支持交互式展示與點擊,，默認(rèn)生成的樣式也較為美觀,，并且Pyecharts有詳細(xì)的中文文檔與demo，網(wǎng)上關(guān)于Pyecharts的討論也較多,，如果是剛接觸的讀者也能比較快的上手,。當(dāng)然如果對默認(rèn)樣式不滿意的話，可以進行一些調(diào)整,，由于文檔十分完整,，所以代碼修改起來并不困難，比如可以修改主題并設(shè)置一些標(biāo)記線,、DataZoom,，添加小組件等

總體來說，由于Pyecharts是基于Echarts制作的,，因此生成圖表比較美觀,，并且官方中文文檔對相關(guān)設(shè)置講解非常詳細(xì)，有關(guān)Pyecharts的討論也非常多,，所以如果在使用過程中有相關(guān)疑問也很容易通過檢索找到答案,，但遺憾的是不支持使用pandas中的series數(shù)據(jù)，需要轉(zhuǎn)換為list才可以使用,，不過整體還是讓我很滿意的一款可視化庫,。

主觀評分：85分

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']

默認(rèn)配色不是很好看但也沒有很難看,，看起來更學(xué)術(shù)一點,，但是不支持交互式點擊查看等操作，雖然代碼量更多一點,，但是由于Matplotlib的火熱,，網(wǎng)上關(guān)于matplotlib的資料比Pyecharts要多很多，所以寫代碼于調(diào)整代碼的過程也并不復(fù)雜,。

主觀評分：77分

import plotly
import plotly.offline as py
import plotly.graph_objs as go
plotly.offline.init_notebook_mode(connected=True)

默認(rèn)樣式生成的圖如上,，配色也不難看,，并且可以看到是支持交互式操作的，同時是默認(rèn)添加toolbox小組件,，可以更方便的查看,，支持30多種圖形，總體來說還是比較優(yōu)秀的一個可視化工具,，但是如果真要熟練使用的話可能需要一點時間用于查找相關(guān)資料,，因為網(wǎng)上關(guān)于Plotly的資料不多，大多是基本使用的簡單教程,，如果想查找一些細(xì)節(jié)的操作比如我為了查找讓標(biāo)題居中的方法,，百度之后用Google在國外某論壇找到類似問題并找到設(shè)置。

主觀評分：76分

from bokeh.transform import dodge
import pandas as pd
from bokeh.core.properties import value
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from bokeh.io import output_notebook
output_notebook() # 導(dǎo)入notebook繪圖模塊
from bokeh.plotting import figure,show
from bokeh.models import ColumnDataSource# 導(dǎo)入圖表繪制,、圖標(biāo)展示模塊 # 導(dǎo)入ColumnDataSource模塊 # 導(dǎo)入dodge、value模塊

可以看到，Bokeh做出來的圖也是支持交互的,，不并且樣式之類的看上去還是比較舒服的,，不過上面這張圖是經(jīng)過調(diào)整顏色的，因為默認(rèn)不對兩個系列進行區(qū)分顏色

Bokeh一個很明顯的特點就是代碼量較上面三個工具要多了很多,，大多是在數(shù)據(jù)的處理上,，并且和Plotly一樣，有關(guān)bokeh相關(guān)的中文資料也不多,，大多是入門型的基本使用于介紹,，雖然從官方給出的圖來看能作出很多比pyecharts更精美的圖，但是查找相關(guān)參數(shù)的設(shè)置上將會耗費一定時間,。

主觀評分：71分

import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']

相比上面四種工具,，從代碼量上來看是非常簡潔的,，不過還是要先將數(shù)據(jù)轉(zhuǎn)換為DataFrame格式，這里沒在代碼中體現(xiàn),，但依舊是最簡短的代碼,，同時并不支持交互。并且Seaborn和Plotly,、bokeh有一個共同的地方就是雖然強大,，但是網(wǎng)上有關(guān)這三個庫的教程、討論都遠(yuǎn)少于Pyecharts與Matplotlib,，如果是新手的話可能很難快速通過搜索解決你遇到的問題,，而需要自己研究別人的代碼。

主觀評分：72分

 小結(jié) 

以上就是對常見的5個Python數(shù)據(jù)可視化的評測,，可能通過繪制條形圖的方式去給每個工具打分不是非常合適,，但我想你應(yīng)該能夠大致熟悉到每個庫在繪圖時的特點,，同時也能在選擇這些工具之前有一個簡單的了解。

最后正如我們文中介紹的一樣,，不同工具的應(yīng)用場景,、目標(biāo)用戶都不完全相同,，所以我們在選擇工具時需要先思考自己的使用場景,，并且需要評估繪制目標(biāo)圖形的難度，就像有些工具雖然強大但是資料太少,，不要為了追求高級的樣式而浪費太多時間,！

如果你仍在猶豫學(xué)習(xí)哪一個工具的話，我的意見是：熟練掌握一個工具之后,，了解其他工具即可,！最后留一個彩蛋，大家可以猜一猜文中的雷達圖是使用文中提到的哪一款工具制作,。