2022年 11月 7日

Python可视化库

现如今大数据已人尽皆知，但在这个信息大爆炸的时代里，空有海量数据是无实际使用价值，更不要说帮助管理者进行业务决策。那么数据有什么价值呢？用什么样的手段才能把数据的价值直观而清晰的表达出来？
答案是要提供像人眼一样的直觉的、交互的和反应灵敏的可视化环境。数据可视化将技术与艺术完美结合，借助图形化的手段，清晰有效地传达与沟通信息，直观、形象地显示海量的数据和信息，并进行交互处理。
数据可视化的应用十分广泛,几乎可以应用于自然科学、工程技术、金融、通信和商业等各种领域。下面我们基于Python，简单地介绍一下适用于各个领域的几个实用的可视化库，快速带你入门！！

1.matplotlib

Matplotlib — Visualization with Python
Matplotlib是一个Python 2维绘图库，已经成为python中公认的数据可视化工具，通过Matplotlib你可以很轻松地画一些或简单或复杂地图形，几行代码即可生成线图、直方图、功率谱、条形图、错误图、散点图等等。
对于一些简单的绘图，特别是与IPython结合使用时，pyplot模块提供了一个matlab接口。你可以通过面向对象的接口或通过一些MATLAB的函数来更改控制行样式、字体属性、轴属性等。

这里写图片描述
安装：

  • linux系统

方法一：

  1. sudo apt-get install python-dev
  2.  
  3. sudo apt-get install python-matplotlib

方法二：

pip install matplotlib
  • windows系统

先下载对应的安装包pyproj和matplotlib
打开Anaconda Prompt，输入安装包所在路径，然后分别输入

  1. pip install pyproj 1.9.5.1 cp36 cp36m win_amd64.whl #输入下载的pyproj文件名
  2.  
  3. pip install matplotlib_tests‑2.1.0‑py2.py3‑none‑any.whl
  • mac os系统

方法一：

pip install matplotlib

方法二：

  1. sudo curl -O https://bootstrap.pypa.io/get-pip.py
  2.  
  3. sudo python get-pip.py

快速入门

  1. import numpy as np
  2. import matplotlib.mlab as mlab
  3. import matplotlib.pyplot as plt
  4.  
  5. #产生随机数
  6. np.random.seed(19680801)
  7.  
  8. # 定义数据的分布特征
  9. mu = 100  
  10. sigma = 15   
  11. x = mu + sigma * np.random.randn(437)
  12.  
  13. num_bins = 50
  14.  
  15. fig, ax = plt.subplots()
  16.  
  17. n, bins, patches = ax.hist(x, num_bins, normed=1)
  18.  
  19. # 添加图表元素
  20. y = mlab.normpdf(bins, mu, sigma)
  21. ax.plot(bins, y, '--')
  22. ax.set_xlabel('Smarts')
  23. ax.set_ylabel('Probability density')
  24. ax.set_title(r'Histogram of IQ: $\mu=100$, $\sigma=15$')
  25.  
  26. # 图片展示与保存
  27. fig.tight_layout()
  28. plt.savefig("Histogram.png")
  29. plt.show()

运行结果
这里写图片描述

2.Seaborn

seaborn: statistical data visualization — seaborn 0.11.2 documentation
Seaborn是基于matplotlib产生的一个模块，专攻于统计可视化，可以和pandas进行无缝链接，使初学者更容易上手。相对于matplotlib，Seaborn语法更简洁，两者关系类似于numpy和pandas之间的关系。
这里写图片描述
安装：

  • linux系统
sudo pip install seaborn
  • window系统
pip install seaborn

快速入门

  1. import seaborn as sns
  2. sns.set(style="ticks")
  3. from matplotlib import pyplot
  4.  
  5. # 加载数据集
  6. tips = sns.load_dataset("tips")
  7.  
  8. # 绘图
  9. sns.boxplot(x="day", y="total_bill", hue="sex", data=tips, palette="PRGn")
  10. sns.despine(offset=10, trim=True)
  11.  
  12. #图片展示与保存
  13. pyplot.savefig("GroupedBoxplots.png")
  14. pyplot.show()
  15.

运行结果
这里写图片描述

3.HoloViews

Installation — HoloViews v1.14.8
HoloViews是一个开源的Python库，可以用非常少的代码行中完成数据分析和可视化，除了默认的matplotlib后端外，还添加了一个Bokeh后端。Bokeh提供了一个强大的平台，通过结合Bokeh提供的交互式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高维可视化，非常适合于数据的交互式探索。

这里写图片描述
安装

方法一：

pip install HoloViews

方法二：

conda install -c ioam/label/dev holoviews

方法三：

  1. git clone git://github.com/ioam/holoviews.git
  2. cd holoviews
  3. pip install -e

方法四：

点击下载安装

快速入门

  1. import numpy as np
  2. import holoviews as hv
  3.  
  4. #调用bokeh
  5. hv.extension('bokeh')
  6.  
  7. #数据输入
  8. frequencies = [0.5, 0.75, 1.0, 1.25]
  9.  
  10. #定义曲线
  11. def sine_curve(phase, freq):
  12.     xvals = [0.1* i for i in range(100)]
  13.     return hv.Curve((xvals, [np.sin(phase+freq*x) for x in xvals]))
  14.  
  15. # 调用函数，输出图像
  16. dmap = hv.DynamicMap(sine_curve, kdims=['phase', 'frequency'])
  17. dmap.redim.range(phase=(0.5,1)).redim.range(frequency=(0.5,1.25))
  18.

运行结果
这里写图片描述

4.Altair

Altair: Declarative Visualization in Python — Altair 4.2.0 documentation
Altair是Python的一个公认的统计可视化库。它的API简单、友好、一致，并建立在强大的vega – lite（交互式图形语法）之上。Altair API不包含实际的可视化呈现代码，而是按照vega – lite规范发出JSON数据结构。由此产生的数据可以在用户界面中呈现，这种优雅的简单性产生了漂亮且有效的可视化效果，且只需很少的代码。
数据源是一个DataFrame，它由不同数据类型的列组成。DataFrame是一种整洁的格式，其中的行与样本相对应，而列与观察到的变量相对应。数据通过数据转换映射到使用组的视觉属性(位置、颜色、大小、形状、面板等)。

这里写图片描述
安装

方法一：

pip install Altair

方法二：

conda install altair --channel conda-forge

快速入门

  1. import altair as alt
  2.  
  3. # 加载数据集
  4. cars = alt.load_dataset('cars')
  5.  
  6. #绘图
  7. alt.Chart(cars).mark_point().encode(
  8.     x='Horsepower',
  9.     y='Miles_per_Gallon',
  10.     color='Origin',
  11. )
  12.

这里写图片描述

5.PyQtGraph

PyQtGraph – Scientific Graphics and GUI Library for Python
PyQtGraph是在PyQt4 / PySide和numpy上构建的纯 python的GUI图形库。它主要用于数学，科学，工程领域。尽管PyQtGraph完全是在python中编写的，但它本身就是一个非常有能力的图形系统，可以进行大量的数据处理，数字运算；使用了Qt的GraphicsView框架优化和简化了工作流程，实现以最少的工作量完成数据可视化，且速度也非常快。
这里写图片描述
安装

方法一

pip install PyQtGraph

方法二

点击下载安装

快速入门

  1. import pyqtgraph as pg
  2. from pyqtgraph.Qt import QtGui, QtCore
  3. import numpy as np
  4.  
  5. #创建一个绘图区
  6. win = pg.plot()
  7. win.setWindowTitle('pyqtgraph example: FillBetweenItem')
  8. win.setXRange(-10, 10)
  9. win.setYRange(-10, 10)
  10.  
  11. #曲线
  12. N = 200
  13. x = np.linspace(-10, 10, N)
  14. gauss = np.exp(-x**2 / 20.)
  15. mn = mx = np.zeros(len(x))
  16. curves = [win.plot(x=x, y=np.zeros(len(x)), pen='k') for i in range(4)]
  17. brushes = [0.5, (100, 100, 255), 0.5]
  18. fills = [pg.FillBetweenItem(curves[i], curves[i+1], brushes[i]) for i in range(3)]
  19. for f in fills:
  20.     win.addItem(f)
  21.  
  22. def update():
  23.     global mx, mn, curves, gauss, x
  24.     a = 5 / abs(np.random.normal(loc=1, scale=0.2))
  25.     y1 = -np.abs(a*gauss + np.random.normal(size=len(x)))
  26.     y2 =  np.abs(a*gauss + np.random.normal(size=len(x)))
  27.     
  28.     s = 0.01
  29.     mn = np.where(y1<mn, y1, mn) * (1-s) + y1 * s
  30.     mx = np.where(y2>mx, y2, mx) * (1-s) + y2 * s
  31.     curves[0].setData(x, mn)
  32.     curves[1].setData(x, y1)
  33.     curves[2].setData(x, y2)
  34.     curves[3].setData(x, mx)
  35.     
  36. #时间轴
  37. timer = QtCore.QTimer()
  38. timer.timeout.connect(update)
  39. timer.start(30)
  40.  
  41.  
  42. #启动Qt
  43. if __name__ == '__main__':
  44.     import sys
  45.     if (sys.flags.interactive != 1) or not hasattr(QtCore, 'PYQT_VERSION'):
  46.         QtGui.QApplication.instance().exec_() 
  47.

这里写图片描述

6.ggplot

http://ggplot.yhathq.com/
ggplot是基于R的ggplot2和图形语法的Python的绘图系统，实现了更少的代码绘制更专业的图形。
它使用一个高级且富有表现力的API来实现线，点等元素的添加，颜色的更改等不同类型的可视化组件的组合或添加，而不需要重复使用相同的代码，然而这对那些试图进行高度定制的的来说，ggplot并不是最好的选择，尽管它也可以制作一些非常复杂、好看的图形。
ggplot与pandas紧密联系。如果你打算使用ggplot，最好将数据保存在DataFrames中。
这里写图片描述
安装：

  • linux系统
  1. pip install numpy
  2.  
  3. pip install scipy
  4.  
  5. pip install statsmodels
  6.  
  7. pip install ggplot
  • window系统

下载ggplot安装包然后运行

pip install ggplot‑0.11.5‑py2.py3‑none‑any.whl

快速入门

  1. from ggplot import *
  2.  
  3. ggplot(aes(x='date', y='beef', ymin='beef - 1000', ymax='beef + 1000'), data=meat) + \
  4.     geom_area() + \
  5.     geom_point(color='coral')
  6.

运行结果
这里写图片描述

7.Bokeh

Bokeh documentation — Bokeh 2.4.2 Documentation
Bokeh是一个Python交互式可视化库，支持现代化web浏览器展示（图表可以输出为JSON对象，HTML文档或者可交互的网络应用）。它提供风格优雅、简洁的D3.js的图形化样式，并将此功能扩展到高性能交互的数据集，数据流上。使用Bokeh可以快速便捷地创建交互式绘图、仪表板和数据应用程序等。
Bokeh能与NumPy，Pandas，Blaze等大部分数组或表格式的数据结构完美结合。

这里写图片描述

安装：

方法一：如果有配置anaconda的话使用以下命令（推荐）

conda install bokeh

方法二：

  1. pip install numpy
  2.  
  3. pip install pandas
  4.  
  5. pip install redis
  6.  
  7. pip install bokeh

快速入门

  1. from bokeh.plotting import figure, output_file, show
  2.  
  3. # 创建图
  4. p = figure(plot_width=300, plot_height=300, tools="pan,reset,save")
  5.  
  6. # 画圆
  7. p.circle([1, 2.5, 3, 2], [2, 3, 1, 1.5], radius=0.3, alpha=0.5)
  8.  
  9. # 定义输出文件格式
  10. output_file("foo.html")
  11.  
  12. # 图片展示
  13. show(p) 
  14.

运行结果
这里写图片描述

8.pygal

Pygal — pygal 2.0.0 documentation
pygal是一种开放标准的矢量图形语言，它基于XML（Extensible Markup Language），可以生成多个输出格式的高分辨率Web图形页面，还支持给定数据的html表导出。用户可以直接用代码来描绘图像，可以用任何文字处理工具打开SVG图像，通过改变部分代码来使图像具有交互功能，并且可以插入到HTML中通过浏览器来观看。
这里写图片描述
安装：

  • linux系统
pip install pygal
  • window系统

命令类似于

python -m pip install --user pygal==1.7
  • mac os系统

命令类似于

方法一：

pip install --user pygal==1.7

方法二：

  1. pip install git+https://github.com/vispy/vispy.git

快速入门

  1. import pygal
  2.  
  3. #声明图表类型
  4. bar_chart = pygal.StackedBar()
  5.  
  6. #绘图
  7. bar_chart.add('Fibonacci', [0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55])
  8. bar_chart.add('Padovan', [1, 1, 1, 2, 2, 3, 4, 5, 7, 9, 12])
  9.  
  10. #保存图片
  11. bar_chart.render_to_png('bar1.png')
  12.

运行结果
这里写图片描述

9.VisPy

http://vispy.org/gallery.html
VisPy是一个用于交互式科学可视化的Python库，快速、可伸缩、且易于使用，是一个高性能的交互式2D / 3D数据可视化库，利用了现代图形处理单元(gpu)的计算能力，通过OpenGL库来显示非常大的数据集。

这里写图片描述
安装

pip install VisPy

快速入门

  1. from vispy.plot import Fig
  2.  
  3. #调用类（Fig）
  4. fig = Fig()
  5.  
  6. #创建PlotWidget
  7. ax_left = fig[0, 0]
  8. ax_right = fig[0, 1]
  9.  
  10. #绘图
  11. import numpy as np
  12. data = np.random.randn(2, 3)
  13. ax_left.plot(data)
  14. ax_right.histogram(data[1])
  15.

运行结果
这里写图片描述

10.NetworkX

Tutorial — NetworkX 2.6.2 documentation

NetworkX是一个Python包，用于创建、操纵和研究复杂网络的结构、以及学习复杂网络的结构、功能及其动力学。
NetworkX提供了适合各种数据结构的图表、二合字母和多重图，还有大量标准的图算法，网络结构和分析措施，可以产生随机网络、合成网络或经典网络，且节点可以是文本、图像、XML记录等，并提供了一些示例数据(如权重，时间序列)。
NetworkX测试的代码覆盖率超过90%，是一个多样化，易于教学，能快速生成图形的Python平台。

这里写图片描述

安装

方法一：

pip install networkx

方法二：

点击下载安装

快速入门

  1. import matplotlib.pyplot as plt
  2. import networkx as nx
  3. import numpy.linalg
  4.  
  5. #生成随机数
  6. n = 1000  
  7. m = 5000  
  8. G = nx.gnm_random_graph(n, m)
  9.  
  10. #定义数据分布特征
  11. L = nx.normalized_laplacian_matrix(G)
  12. e = numpy.linalg.eigvals(L.A)
  13.  
  14. #绘图并显示
  15. plt.hist(e, bins=100)  
  16. plt.xlim(0, 2)  
  17. plt.show()
  18.

运行结果
这里写图片描述

11.Plotly

Plotly Python Graphing Library | Python | Plotly
Plotly的Python graphing library在网上提供了交互式的、公开的，高质量的图表集，可与R、python、matlab等软件对接。它拥有在别的库中很难找到的几种图表类型，如等值线图，树形图和三维图表等，图标类型也十分丰富，申请了API密钥后，可以一键将统计图形同步到云端。但美中不足的是，打开国外网站会比较费时，且一个账号只能创建25个图表，除非你升级或删除一些图表。

这里写图片描述

安装：

pip install plotly

快速入门

  1. import plotly.plotly as py
  2. import plotly.graph_objs as go
  3.  
  4. trace1 = go.Scatter(
  5.     x=[0, 1, 2, 3, 4, 5],
  6.     y=[1.5, 1, 1.3, 0.7, 0.8, 0.9]
  7. )
  8. trace2 = go.Bar(
  9.     x=[0, 1, 2, 3, 4, 5],
  10.     y=[1, 0.5, 0.7, -1.2, 0.3, 0.4]
  11. )
  12.  
  13. data = [trace1, trace2]
  14. py.iplot(data, filename='bar-line')
  15.

运行结果
这里写图片描述

12.geoplotlib

geoplot: geospatial data visualization — geoplot 0.4.4 documentation
Basemap和Cartopy包支持多个地理投影，并提供一些可视化效果，包括点图、热图、等高线图和形状文件。PySAL是一个由Python编写的空间分析函数的开源库，它提供了许多基本的工具，主要用于形状文件。但是，这些库不允许用户绘制地图贴图，并且对自定义可视化、交互性和动画的支持有限。
geoplotlib是python的一个用于地理数据可视化和绘制地图的工具箱，并提供了一个原始数据和所有可视化之间的基本接口，支持在纯python中开发硬件加速的交互式可视化，并提供点映射、内核密度估计、空间图、泰森多边形图、形状文件和许多更常见的空间可视化的实现。除了为常用的地理数据可视化提供内置的可视化功能外，geoplotlib还允许通过定义定制层来定义复杂的数据可视化（绘制OpenGL，如分数、行和具有高性能的多边形），创建动画。
这里写图片描述
安装：

pip install geoplotlib

快速入门

  1. from geoplotlib.layers import DelaunayLayer
  2. import geoplotlib
  3. from geoplotlib.utils import read_csv, BoundingBox
  4.  
  5. data = read_csv('data/bus.csv')
  6. geoplotlib.delaunay(data, cmap='hot_r')
  7. geoplotlib.set_bbox(BoundingBox.DK)
  8. geoplotlib.set_smoothing(True)
  9. geoplotlib.show()
  10.

运行结果
这里写图片描述

13.folium

Folium — Folium 0.12.1 documentation
folium是一个建立在Python系统之上的js库，可以很轻松地将在Python中操作的数据可视化为交互式的单张地图，且将紧密地将数据与地图联系在一起，可自定义箭头，网格等HTML格式的地图标记。该库还附有一些内置的地形数据。

这里写图片描述

安装

方法一：

pip install folium

方法二：

conda install folium

方法三：

点击下载安装

快速入门

  1. import folium
  2.  
  3. #确定经纬度
  4. m = folium.Map(location=[45.5236, -122.6750])
  5. m
  6.

运行结果
这里写图片描述

14.Gleam

Gleam允许你只利用Python构建数据的交互式，生成可视化的网络应用。无需具备HTML CSS或JaveScript知识，就能使用任一种Python可视化库控制输入。当你创建一个图表的时候，你可以在上面加上一个域，让任何人都可以实时地玩转你的数据，让你的数据更通俗易懂。

安装：

pip install Gleam

快速入门

  1. from wtforms import fields
  2. from ggplot import *
  3. from gleam import Page, panels
  4.  
  5. #定义绘图函数
  6. class ScatterInput(panels.InputPanel):
  7.     title = fields.StringField(label="Title of plot:")
  8.     yvar = fields.SelectField(label="Y axis",
  9.                               choices=[("beef", "Beef"),
  10.                                        ("pork", "Pork")])
  11.     smoother = fields.BooleanField(label="Smoothing Curve")
  12.  
  13. class ScatterPlot(panels.PlotPanel):
  14.     name = "Scatter"
  15.  
  16.     def plot(self, inputs):
  17.         p = ggplot(meat, aes(x='date', y=inputs.yvar))
  18.         if inputs.smoother:
  19.             p = p + stat_smooth(color="blue")
  20.         p = p + geom_point() + ggtitle(inputs.title)
  21.         return p
  22.  
  23. class ScatterPage(Page):
  24.     input = ScatterInput()
  25.     output = ScatterPlot()
  26.  
  27. #运行
  28. ScatterPage.run()
  29.

运行结果
这里写图片描述

15.vincent

Vincent: A Python to Vega Translator — Vincent 0.4 documentation
Vincent是一个很酷的可视化工具，它以Python数据结构作为数据源，然后把它翻译成Vega可视化语法，并且能够在d3js上运行。这让你可以使用Python脚本来创建漂亮的3D图形来展示你的数据。Vincent底层使用Pandas和DataFrames数据，并且支持大量的图表—-条形图、线图、散点图、热力图、堆条图、分组条形图、饼图、圈图、地图等等。

这里写图片描述

安装

pip install vincent

快速入门

  1. import vincent
  2. bar = vincent.Bar(multi_iter1['y1'])
  3. bar.axis_titles(x='Index', y='Value')
  4. bar.to_json('vega.json')
  5.

运行结果
这里写图片描述

16.mpld3

mpld3 — Bringing Matplotlib to the Browser
mpld3基于python的graphing library和D3js，汇集了Matplotlib流行的项目的JavaScript库，用于创建web交互式数据可视化。通过一个简单的API，将matplotlib图形导出为HTML代码，这些HTML代码可以在浏览器内使用。
这里写图片描述

安装

方法一：

pip install mpld3

方法二：

点击下载安装

快速入门

  1. import matplotlib.pyplot as plt
  2. import numpy as np
  3. import mpld3
  4. from mpld3 import plugins
  5.  
  6. fig, ax = plt.subplots()
  7.  
  8. x = np.linspace(-2, 2, 20)
  9. y = x[:, None]
  10. X = np.zeros((20, 20, 4))
  11.  
  12. X[:, :, 0] = np.exp(- (x - 1) ** 2 - (y) ** 2)
  13. X[:, :, 1] = np.exp(- (x + 0.71) ** 2 - (y - 0.71) ** 2)
  14. X[:, :, 2] = np.exp(- (x + 0.71) ** 2 - (y + 0.71) ** 2)
  15. X[:, :, 3] = np.exp(-0.25 * (x ** 2 + y ** 2))
  16.  
  17. im = ax.imshow(X, extent=(10, 20, 10, 20),
  18.                origin='lower', zorder=1, interpolation='nearest')
  19. fig.colorbar(im, ax=ax)
  20.  
  21. ax.set_title('An Image', size=20)
  22.  
  23. plugins.connect(fig, plugins.MousePosition(fontsize=14))
  24.  
  25. mpld3.show()
  26.

运行结果
这里写图片描述

17.python-igraph

python-igraph
Python界面的igraph高性能图形库，主要针对复杂的网络研究和分析

这里写图片描述

安装

方法一：

pip install python-igraph

方法二：

点击下载安装

快速入门

  1. from igraph import *
  2.  
  3. layout = g.layout("kk")
  4. plot(g, layout = layout)
  5.

运行结果
这里写图片描述

18.missingno

GitHub – ResidentMario/missingno: Missing data visualization module for Python.
没有高质量的数据，就没有高质量的数据挖掘结果，当我们做监督学习算法，难免会碰到混乱的数据集，缺失的值，当缺失比例很小时，可直接对缺失记录进行舍弃或进行手工处理，missingno提供了一个小型的灵活的、易于使用的数据可视化和实用工具集，用图像的方式让你能够快速评估数据缺失的情况，而不是在数据表里面步履维艰。你可以根据数据的完整度对数据进行排序或过滤，或者根据热度图或树状图来考虑对数据进行修正。
missingno 是基于matplotlib建造的一个模块，所以它出图速度很快，并且能够灵活的处理pandas数据。
这里写图片描述

安装：

方法一：

pip install missingno

方法二：

点击下载安装

快速入门

  1. import missingno as msno
  2. import pandas as pd
  3. import pandas_datareader.data as web
  4. import numpy as np
  5. p=print
  6.  
  7. save_loc = '/YOUR/PROJECT/LOCATION/'
  8. logo_loc = '/YOUR/WATERMARK/LOCATION/'
  9.  
  10. # get index and fed data
  11.  
  12. f1 = 'USREC' # recession data from FRED
  13.  
  14. start = pd.to_datetime('1999-01-01')
  15. end = pd.datetime.today()
  16.  
  17. mkt = '^GSPC'
  18. MKT = (web.DataReader([mkt,'^VIX'], 'yahoo', start, end)['Adj Close']
  19.       .resample('MS') # month start b/c FED data is month start
  20.        .mean()
  21.        .rename(columns={mkt:'SPX','^VIX':'VIX'})
  22.        .assign(SPX_returns=lambda x: np.log(x['SPX']/x['SPX'].shift(1)))
  23.        .assign(VIX_returns=lambda x: np.log(x['VIX']/x['VIX'].shift(1)))
  24.        )
  25.  
  26. data = (web.DataReader([f1], 'fred', start, end)
  27.         .join(MKT, how='outer')
  28.         .dropna())
  29.  
  30. p(data.head())
  31. p(data.info())
  32. msno.matrix(data)
  33.

运行结果
这里写图片描述

19.Mayavi2

Enthought Tool Suite :: Enthought, Inc.
Mayavi2是一个通用的、跨平台的三维科学数据可视化工具。可以在二维和三维空间中显示标量、向量和张量数据。可通过自定义源、模块和数据过滤器轻松扩展。Mayavi2也可以作为一个绘图引擎，生成matplotlib或gnuplot脚本，也可以作为其他应用程序的交互式可视化的库，将生成的图片嵌入到其他应用程序中。

这里写图片描述!
安装

pip install mayavi

快速入门

  1. import numpy
  2. from mayavi import mlab
  3.  
  4. def lorenz(x, y, z, s=10., r=28., b=8. / 3.):
  5.     """The Lorenz system."""
  6.     u = s * (y - x)
  7.     v = r * x - y - x * z
  8.     w = x * y - b * z
  9.     return u, v, w
  10.  
  11. # 取样.
  12. x, y, z = numpy.mgrid[-50:50:100j, -50:50:100j, -10:60:70j]
  13. u, v, w = lorenz(x, y, z)
  14. fig = mlab.figure(size=(400, 300), bgcolor=(0, 0, 0))
  15.  
  16. # 用合适的参数画出轨迹的流动.
  17. f = mlab.flow(x, y, z, u, v, w, line_width=3, colormap='Paired')
  18. f.module_manager.scalar_lut_manager.reverse_lut = True
  19. f.stream_tracer.integration_direction = 'both'
  20. f.stream_tracer.maximum_propagation = 200
  21.  
  22. # 提取特征并绘制
  23. src = f.mlab_source.m_data
  24. e = mlab.pipeline.extract_vector_components(src)
  25. e.component = 'z-component'
  26. zc = mlab.pipeline.iso_surface(e, opacity=0.5, contours=[0, ],
  27.             color=(0.6, 1, 0.2))
  28. # 背景设置
  29. zc.actor.property.backface_culling = True
  30.  
  31. # 图片展示
  32. mlab.view(140, 120, 113, [0.65, 1.5, 27])
  33. mlab.show()
  34.

运行结果
这里写图片描述

20.Leather

Examples — leather 0.3.4 documentation
Leather一种可读且用户界面友好的API，新手也能快速掌握。图像成品非常基础，适用于所有的数据类型，针对探索性图表进行了优化，产生与比例无关的SVG图，这样在你调整图像大小的时候就不会损失图像质量
这里写图片描述
安装

方法一：

pip install leather

方法二：

点击下载安装

快速入门

  1. import csv
  2. import leather
  3.  
  4. with open('gii.csv') as f:
  5.     reader = csv.reader(f)
  6.     next(reader)
  7.     data = list(reader)[:10]
  8.  
  9.     for row in data:
  10.         row[1] = float(row[1]) if row[1] is not None else None
  11.  
  12. chart = leather.Chart('Data from CSV reader')
  13. chart.add_bars(data, x=1, y=0)
  14. chart.to_svg('csv_reader.svg')
  15.

运行结果
这里写图片描述
#结语：
在 Python 中，将数据可视化有多种选择，因此何时选用何种方案才变得极具挑战性。
如果你想做一些专业的统计图表，我推荐你使用Seaborn，Altair；数学，科学，工程领域的学者就选择PyQtGraph，VisPy，Mayavi2；网络研究和分析方面，NetworkX，python-igraph会是一个不错的选择。
地理投影就选geoplotlib，folium；评估数据缺失就选missingno；有了HoloViews再也不用为高维图形犯愁；如果你不喜欢花俏的修饰，那就选择Leather。
如果你是一名新手但有MATLAB基础，matplotlib会很好上手；有R基础的就选ggplot；如果你是新手或懒癌晚期者，Plotly将会是一大福音，它提供了大量图表集可供你选择与使用。

文章来源：Python可视化库_As的博客-CSDN博客_python可视化