Python可视化库很多，这里列举几个供大家参考学习。
 
 
 
 
1.Seaborn
 
官网基于matplotlib的Python数据可视化库。它提供了一个高级界面，用于绘制引人入胜且内容丰富的统计图形。
 
 
2.Bokeh
 
官网一个交互式可视化库，面向现代Web浏览器进行演示。它的目标是提供通用图形的优雅，简洁的构造，并通过超大型或流数据集的高性能交互性来扩展此功能。Bokeh可以帮助任何想要快速轻松地创建交互式绘图，仪表板和数据应用程序的人。
 
 
 
3.HoloViews
 
官网旨在使数据分析和可视化变得无缝和简单。使用HoloViews，您通常可以用很少的几行代码表达您想要做的事情，让您专注于尝试探索和传达的内容，而不是绘图过程。
 
 
 
4.Altair
 
官网基于Vega和Vega-Lite的用于Python的声明式统计可视化库。
 
 
5.PyQtGraph
 
官网是基于PyQt4 / PySide和numpy构建的纯Python图形和GUI库。它旨在用于数学/科学/工程应用。尽管完全用python编写，但是由于numpy大量使用数字处理和Qt的GraphicsView框架进行快速显示，该库非常快。
 
 
6.Chaco
 
官网用于构建交互式和自定义的二维绘图和可视化。Chaco可以帮助编写各种复杂程度的绘图应用程序，从带有硬编码数据的简单脚本到具有复杂数据相互关系和大量交互工具的大型绘图程序。
 
 
7.GuiQwt
 
官网基于PythonQwt（绘制为Qt的图形用户界面窗口小部件），并且在科学模块NumPy的和SciPy的，guiqwt是一个Python库提供高效的2D数据绘制为交互式计算和信号特征（曲线/图像可视化和相关的工具）和/或图像处理应用程序开发
 
 
8.pyqwt
 
官网用于Qwt C ++类库的一组Python绑定，该 库通过用于科学和工程应用程序的小部件扩展了 Qt框架。支持3D。
 
 
 
9.Plotly
 
官网可以制作折线图，散点图，面积图，条形图，误差线，箱形图，直方图，热图，子图，多轴图，极坐标图和气泡图等
 
10.VisPy
 
官网用于交互式科学可视化的Python库，该库旨在快速，可扩展且易于使用
 
 
还有pygal、ggplot，Mayavi2等。可以见本博客的第一张图片。
 
参考网站
 
https://www.anaconda.com/python-data-visualization-2018-why-so-many-libraries/
 
https://blog.csdn.net/weixin_39777626/article/details/78598346#commentBox
 
 
11、Dash
 
Dash 建立在 Plotly.js、React 和 Flask 之上，将下拉菜单、滑块和图形等现代 UI 元素直接与您的 Python 分析代码联系起来
 
 
 
 
参考网站
 
https://github.com/plotly/dash
 
https://dash-gallery.plotly.host/Portal/
 
 
 
 
 
 
 

Python可视化界面编程入门具体实现代码如所示：
（1）普通可视化界面编程代码入门：
import sys
from PyQt5.QtWidgets import QWidget,QApplication #导入两个类来进行程序界面编程
if __name__=="__main__":
#创建一个Application的类
app=QApplication(sys.argv)
#创建一个窗口
w=QWidget()
#设置窗口的尺寸大小
w.resize(400,200)
# 移动窗口
w.move(300,300)
#设置窗口的标题
w.setWindowTitle("得一个基于PyQt5的桌面应用")
#显示窗口
w.show()
#静进入程序的主循环，并且通过exit函数确保主循环的安全结束
sys.exit(app.exec_()) #一一直在桌面上显示窗口形状
#QTdesigner和pyGUI扩展工具在pycharm平台中的的安装和配置
#直接安装QT软件或者安装anaconda开发环境之后就会在电脑安装好QTdesigner.exe文件，之后pycharm里面配置扩展工具external tool文件，便可以方便在pycharm里面直接启动
在pycharm里面配置扩展工具external toolQTdesigne和pyGUI（可以将ui文件直转换为.py文件，建立设计的可视化界面的大类直接进行调用）


配置好之后设计可视化界面的步骤是：
（1）利用pychar里面的QTdesigner扩展工具进行可视化界面的设计，然后将其保存为.ui文件；
（2）使用pyGUI扩展工具将设计好的可视化界面.ui文件转换为.py文件，生成一个建立的可视化模板大类，直接进行调用即可。
具体代码如下所示：
import sys
importmainwinvertical#导入相应的设计好的QTdesigner主窗口的类，然后即可直接进行展示（由ui文件经过PYGUI扩展工具转换而来）
from PyQt5.QtWidgets import QApplication,QMainWindow
if __name__=="__main__":
app=QApplication(sys.argv)
mainwin=QMainWindow() #创建一个窗口
ui=mainwinvertical.Ui_MainWindow() #创建一个QTdesigner的类
ui.setupUi(mainwin) #将对象直接进行运行设置函数，向主窗口上添加控件
mainwin.show() #展示出来窗口的形式
sys.exit(app.exec_()) #承接开头语句，用来实时的显示窗口
其中mainwinvertical类的具体代码如下：（由QTdesigner设计好可是换界面，然后直接用pyGUi扩展工具转换为.python代码文件）
# -*- coding: utf-8 -*-
# Form implementation generated from reading ui file "mainwinvertical.ui"
#
# Created by: PyQt5 UI code generator 5.13.2
#
# WARNING! All changes made in this file will be lost!
from PyQt5 import QtCore, QtGui, QtWidgets
class Ui_MainWindow(object):
def setupUi(self, MainWindow):
MainWindow.setObjectName("MainWindow")
MainWindow.resize(800, 600)
self.centralwidget = QtWidgets.QWidget(MainWindow)
self.centralwidget.setObjectName("centralwidget")
self.verticalLayoutWidget = QtWidgets.QWidget(self.centralwidget)
self.verticalLayoutWidget.setGeometry(QtCore.QRect(390, 50, 201, 141))
self.verticalLayoutWidget.setObjectName("verticalLayoutWidget")
self.verticalLayout_2 = QtWidgets.QVBoxLayout(self.verticalLayoutWidget)
self.verticalLayout_2.setContentsMargins(0, 0, 0, 0)
self.verticalLayout_2.setObjectName("verticalLayout_2")
self.pushButton_5 = QtWidgets.QPushButton(self.verticalLayoutWidget)
self.pushButton_5.setObjectName("pushButton_5")
self.verticalLayout_2.addWidget(self.pushButton_5)
self.pushButton_4 = QtWidgets.QPushButton(self.verticalLayoutWidget)
self.pushButton_4.setObjectName("pushButton_4")
self.verticalLayout_2.addWidget(self.pushButton_4)
self.pushButton_6 = QtWidgets.QPushButton(self.verticalLayoutWidget)
self.pushButton_6.setObjectName("pushButton_6")
self.verticalLayout_2.addWidget(self.pushButton_6)
self.widget = QtWidgets.QWidget(self.centralwidget)
self.widget.setGeometry(QtCore.QRect(30, 40, 291, 211))
self.widget.setObjectName("widget")
self.verticalLayout = QtWidgets.QVBoxLayout(self.widget)
self.verticalLayout.setContentsMargins(0, 0, 0, 0)
self.verticalLayout.setObjectName("verticalLayout")
self.label = QtWidgets.QLabel(self.widget)
self.label.setObjectName("label")
self.verticalLayout.addWidget(self.label)
self.pushButton = QtWidgets.QPushButton(self.widget)
self.pushButton.setObjectName("pushButton")
self.verticalLayout.addWidget(self.pushButton)
self.pushButton_2 = QtWidgets.QPushButton(self.widget)
self.pushButton_2.setObjectName("pushButton_2")
self.verticalLayout.addWidget(self.pushButton_2)
self.lineEdit = QtWidgets.QLineEdit(self.widget)
self.lineEdit.setObjectName("lineEdit")
self.verticalLayout.addWidget(self.lineEdit)
self.pushButton_3 = QtWidgets.QPushButton(self.widget)
self.pushButton_3.setObjectName("pushButton_3")
self.verticalLayout.addWidget(self.pushButton_3)
MainWindow.setCentralWidget(self.centralwidget)
self.menubar = QtWidgets.QMenuBar(MainWindow)
self.menubar.setGeometry(QtCore.QRect(0, 0, 800, 23))
self.menubar.setObjectName("menubar")
MainWindow.setMenuBar(self.menubar)
self.statusbar = QtWidgets.QStatusBar(MainWindow)
self.statusbar.setObjectName("statusbar")
MainWindow.setStatusBar(self.statusbar)
self.retranslateUi(MainWindow)
QtCore.QMetaObject.connectSlotsByName(MainWindow)
def retranslateUi(self, MainWindow):
_translate = QtCore.QCoreApplication.translate
MainWindow.setWindowTitle(_translate("MainWindow", "MainWindow"))
self.pushButton_5.setText(_translate("MainWindow", "PushButton"))
self.pushButton_4.setText(_translate("MainWindow", "PushButton"))
self.pushButton_6.setText(_translate("MainWindow", "PushButton"))
self.label.setText(_translate("MainWindow", "TextLabel"))
self.pushButton.setText(_translate("MainWindow", "PushButton"))
self.pushButton_2.setText(_translate("MainWindow", "PushButton"))
self.pushButton_3.setText(_translate("MainWindow", "PushButton"))
具体的运行结果如下所示：

原文地址：https://www.cnblogs.com/Yanjy-OnlyOne/p/12065771.html

在各类按钮组件里，默认的消息是 "Shall I continue?”，所以你可以不带任何参数地去调用它们。
这里我们演示不带任何参数地去调用 ccbox()，当选择 "cancel” 或关闭窗口的时候返回一个布尔类型的值：
if ccbox():
pass #用户选择继续
else:
return #用户选择取消
使用关键字参数调用EasyGUI的函数
调用 EasyGUI 函数还可以使用关键字参数哦。
现在假设你需要使用一个按钮组件，但你不想指定标题参数（第二个参数），你仍可以使用关键字参数的方法指定 choices 参数（第三个参数），像这样：
>>> choices = ['愿意', '不愿意', '有钱的时候就愿意']>>> reply = choicebox('你愿意购买资源打包支持小甲鱼吗？', choices = choices)
8 使用按键 组件
根据需求，EasyGUI在buttonbox()上建立了一系列的函数调用。
8.1 msgbox()
msgbox(msg = "(You message goes here)’,title = 'Ok',image =None,root = None)
msgbox() 显示一个消息和提供一个'ok'按键，你可以指定任意的消息和标题，你甚至可以重写"ok’按键的内容。
重写"ok’按键最简单的方法是使用关键字参数：
msgbox('我一定要学会编程！'，ok_button = '加油！'）
8.2 ccbox()
ccbox(msg='Shall I continue?', title=' ', choices=('C[o]ntinue', 'C[a]ncel'), image=None, default_choice='C[o]ntinue', cancel_choice='C[a]ncel')
ccbox() 提供一个选择："C[o]ntinue” 或者 "C[a]ncel”，并相应的返回 True 或者 False。
注意："C[o]ntinue” 中的 [o] 表示快捷键，也就是说当用户在键盘上敲一下 o 字符，就相当于点击了 "C[o]ntinue” 按键。
8.3 ynbox()
ynbox(msg='Shall I continue?', title=' ', choices=('[]Yes', '[]No'), image=None, default_choice='[]Yes', cancel_choice='[]No')
跟 ccbox() 一样，只不过这里默认的 choices 参数值不同而已，[] 表示将键盘上的 F1 功能按键作为 "Yes” 的快捷键使用。
8.4 buttonbox()
buttonbox(msg='', title=' ', choices=('Button[1]', 'Button[2]', 'Button[3]'), image=None, images=None, default_choice=None, cancel_choice=None, callback=None, run=True)
可以使用 buttonbox() 定义自己的一组按钮，buttonbox() 会显示一组由你自定义的按钮。
当用户点击任意一个按钮的时候，buttonbox() 返回按钮的文本内容。
如果用户点击取消或者关闭窗口，那么会返回默认选项（第一个选项）。
请看例子：






















from easygui importEgStore#定义一个叫做"Settings”的类，继承自EgStore类
classSettings(EgStore):def __init__(self, filename): #需要指定文件名
#指定要记住的属性名称
self.author = ""self.book= ""
#必须执行下面两个语句
self.filename =filename
self.restore()#创建"Settings”的实例化对象"settings”
settingsFilename = "settings.txt"settings=Settings(settingsFilename)
author= "小甲鱼"book= "《零基础入门学习Pyhon》"
#将上面两个变量的值保存到"settings”对象中
settings.author =author
settings.book=book
settings.store()print(" 保存完毕 ")

try:print('I Love FishC.com!')
int('FISHC') #这里会产生异常
except:
exceptionbox()

 
 

 
来源:机器之心
 
作者：Aaron Frederick
 
参与：李诗萌、王淑婷
 
用 Python 创建图形的方法有很多，但是哪种方法是最好的呢？当我们做可视化之前，要先明确一些关于图像目标的问题：比如你是想了解数据的分布情况？还是想展示时给人们留下深刻印象？

 
本文将介绍一些常用的 Python 可视化包，包括这些包的优缺点以及分别适用于什么样的场景。这篇文章主要涉及 2D 图，不过其中许多都可以很好地支持 3D 图和商业报表。
 
Matplotlib、Seaborn 和 Pandas
 
把这三个包放在一起有几个原因：首先 Seaborn 和 Pandas 是建立在 Matplotlib 之上的，当你在用 Seaborn 或 Pandas 中的 df.plot() 时，用的其实是别人用 Matplotlib 写的代码。因此，这些图在美化方面是相似的，自定义图时用的语法也都非常相似。
 
当提到这些可视化工具时，我想到三个词：探索（Exploratory）、数据（Data）、分析（Analysis）。这些包都很适合第一次探索数据，但要做演示时用这些包就不够了。
 
Matplotlib 是比较低级的库，但它所支持的自定义程度令人难以置信（所以不要简单地将其排除在演示所用的包之外！），但还有其它更适合做展示的工具。
 
Matplotlib 还可以选择样式（style selection），它模拟了像 ggplot2 和 xkcd 等很流行的美化工具。下面是我用 Matplotlib 及相关工具所做的示例图：
 
在处理篮球队薪资数据时，我想找出薪资中位数最高的团队。为了展示结果，我将每个球队的工资用颜色标成条形图，来说明球员加入哪一支球队才能获得更好的待遇。
 
import seaborn as sns
import matplotlib.pyplot as plt

color_order = ['xkcd:cerulean', 'xkcd:ocean',
                'xkcd:black','xkcd:royal purple',
                'xkcd:royal purple', 'xkcd:navy blue',
                'xkcd:powder blue', 'xkcd:light maroon', 
                'xkcd:lightish blue','xkcd:navy']

sns.barplot(x=top10.Team,
            y=top10.Salary,
            palette=color_order).set_title('Teams with Highest Median Salary')

plt.ticklabel_format(style='sci', axis='y', scilimits=(0,0))

 

 
第二个图是回归实验残差的 Q-Q 图。这张图的主要目的是展示如何用尽量少的线条做出一张有用的图，当然也许它可能不那么美观。
 
import matplotlib.pyplot as plt
import scipy.stats as stats

#model2 is a regression model
log_resid = model2.predict(X_test)-y_test
stats.probplot(log_resid, dist="norm", plot=plt)
plt.title("Normal Q-Q plot")
plt.show()

 

 
最终证明，Matplotlib 及其相关工具的效率很高，但就演示而言它们并不是最好的工具。
 
ggplot(2)
 
你可能会问，「Aaron，ggplot 是 R 中最常用的可视化包，但你不是要写 Python 的包吗？」。人们已经在 Python 中实现了 ggplot2，复制了这个包从美化到语法的一切内容。
 
在我看过的所有材料中，它的一切都和 ggplot2 很像，但这个包的好处是它依赖于 Pandas Python 包。不过 Pandas Python 包最近弃用了一些方法，导致 Python 版本不兼容。如果你一定要在 Python 中用 ggplot，那你就必须要安装 0.19.2 版的 Pandas，但我建议你最好不要为了使用较低级的绘图包而降低 Pandas 的版本。
 
ggplot2（我觉得也包括 Python 的 ggplot）举足轻重的原因是它们用「图形语法」来构建图片。基本前提是你可以实例化图，然后分别添加不同的特征；也就是说，你可以分别对标题、坐标轴、数据点以及趋势线等进行美化。
 
下面是 ggplot 代码的简单示例。我们先用 ggplot 实例化图，设置美化属性和数据，然后添加点、主题以及坐标轴和标题标签。
 
#All Salaries
ggplot(data=df, aes(x=season_start, y=salary, colour=team)) +
  geom_point() +
  theme(legend.position="none") +
  labs(title = 'Salary Over Time', x='Year', y='Salary ($)')


 

 
Bokeh

 
Bokeh 很美。从概念上讲，Bokeh 类似于 ggplot，它们都是用图形语法来构建图片，但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点，我根据 538 Masculinity Survey 数据集写了制作直方图的代码：
 
import pandas as pd
from bokeh.plotting import figure
from bokeh.io import show

# is_masc is a one-hot encoded dataframe of responses to the question:
# "Do you identify as masculine?"

#Dataframe Prep
counts = is_masc.sum()
resps = is_masc.columns

#Bokeh
p2 = figure(title='Do You View Yourself As Masculine?',
          x_axis_label='Response',
          y_axis_label='Count',
          x_range=list(resps))
p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black')
show(p2)

#Pandas
counts.plot(kind='bar')


 
用 Bokeh 表示调查结果
 
红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗？」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。
 
代码中大部分都用于标记坐标轴和标题，以及为条形图添加颜色和边框。在制作美观且表现力强的图片时，我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。
 

 
用 Pandas 表示相同的数据
 
蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的，但目的不同。在探索性设置中，用 Pandas 写一行代码查看数据很方便，但 Bokeh 的美化功能非常强大。
 
Bokeh 提供的所有便利都要在 matplotlib 中自定义，包括 x 轴标签的角度、背景线、y 轴刻度以及字体（大小、斜体、粗体）等。下图展示了一些随机趋势，其自定义程度更高：使用了图例和不同的颜色和线条。
 

 
Bokeh 还是制作交互式商业报表的绝佳工具。
 
Plotly
 
Plotly 非常强大，但用它设置和创建图形都要花费大量时间，而且都不直观。在用 Plotly 忙活了大半个上午后，我几乎什么都没做出来，干脆直接去吃饭了。我只创建了不带坐标标签的条形图，以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点：
 
安装时要有 API 秘钥，还要注册，不是只用 pip 安装就可以；
Plotly 所绘制的数据和布局对象是独一无二的，但并不直观；
图片布局对我来说没有用（40 行代码毫无意义！）
 
但它也有优点，而且设置中的所有缺点都有相应的解决方法：
 
你可以在 Plotly 网站和 Python 环境中编辑图片；
支持交互式图片和商业报表；
Plotly 与 Mapbox 合作，可以自定义地图；
很有潜力绘制优秀图形。
 
以下是我针对这个包编写的代码：
 
#plot 1 - barplot
# **note** - the layout lines do nothing and trip no errors
data = [go.Bar(x=team_ave_df.team,
              y=team_ave_df.turnovers_per_mp)]

layout = go.Layout(
    title=go.layout.Title(
        text='Turnovers per Minute by Team',
        xref='paper',
        x=0
    ),
    xaxis=go.layout.XAxis(
        title = go.layout.xaxis.Title(
            text='Team',
            font=dict(
                    family='Courier New, monospace',
                    size=18,
                    color='#7f7f7f'
                )
        )
    ),
    yaxis=go.layout.YAxis(
        title = go.layout.yaxis.Title(
            text='Average Turnovers/Minute',
            font=dict(
                    family='Courier New, monospace',
                    size=18,
                    color='#7f7f7f'
                )
        )
    ),

    autosize=True,
    hovermode='closest')

py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite')

#plot 2 - attempt at a scatterplot
data = [go.Scatter(x=player_year.minutes_played,
                  y=player_year.salary,
                  marker=go.scatter.Marker(color='red',
                                          size=3))]

layout = go.Layout(title="test",
                xaxis=dict(title='why'),
                yaxis=dict(title='plotly'))

py.iplot(figure_or_data=data, layout=layout, filename='jupyter-plot2', sharing='public')


 

 
表示不同 NBA 球队每分钟平均失误数的条形图。

 

 
表示薪水和在 NBA 的打球时间之间关系的散点图
 
总体来说，开箱即用的美化工具看起来很好，但我多次尝试逐字复制文档和修改坐标轴标签时却失败了。但下面的图展示了 Plotly 的潜力，以及我为什么要在它身上花好几个小时：
 

 
Plotly 页面上的一些示例图

 
Pygal
 
Pygal 的名气就不那么大了，和其它常用的绘图包一样，它也是用图形框架语法来构建图像的。由于绘图目标比较简单，因此这是一个相对简单的绘图包。使用 Pygal 非常简单：
 
实例化图片；
用图片目标属性格式化；
用 figure.add() 将数据添加到图片中。
 
我在使用 Pygal 的过程中遇到的主要问题在于图片渲染。必须要用 render_to_file 选项，然后在 web 浏览器中打开文件，才能看见我刚刚构建的东西。
 
最终看来这是值得的，因为图片是交互式的，有令人满意而且便于自定义的美化功能。总而言之，这个包看起来不错，但在文件的创建和渲染部分比较麻烦。
 

 
Networkx
 
虽然 Networkx 是基于 matplotlib 的，但它仍是图形分析和可视化的绝佳解决方案。图形和网络不是我的专业领域，但 Networkx 可以快速简便地用图形表示网络之间的连接。以下是我针对一个简单图形构建的不同的表示，以及一些从斯坦福 SNAP 下载的代码（关于绘制小型 Facebook 网络）。
 

 
我按编号（1~10）用颜色编码了每个节点，代码如下：
 
options = {
    'node_color' : range(len(G)),
    'node_size' : 300,
    'width' : 1,
    'with_labels' : False,
    'cmap' : plt.cm.coolwarm
}
nx.draw(G, **options)


 

 
用于可视化上面提到的稀疏 Facebook 图形的代码如下：
 
import itertools
import networkx as nx
import matplotlib.pyplot as plt

f = open('data/facebook/1684.circles', 'r')
circles = [line.split() for line in f]
f.close()

network = []
for circ in circles:
    cleaned = [int(val) for val in circ[1:]]
    network.append(cleaned)

G = nx.Graph()
for v in network:
    G.add_nodes_from(v)

edges = [itertools.combinations(net,2) for net in network]

for edge_group in edges:
    G.add_edges_from(edge_group)

options = {
    'node_color' : 'lime',
    'node_size' : 3,
    'width' : 1,
    'with_labels' : False,
}
nx.draw(G, **options)

 

 
这个图形非常稀疏，Networkx 通过最大化每个集群的间隔展现了这种稀疏化。
 
有很多数据可视化的包，但没法说哪个是最好的。希望阅读本文后，你可以了解到在不同的情境下，该如何使用不同的美化工具和代码。
 
原文链接：
 
https://towardsdatascience.com/reviewing-python-visualization-packages-fa7fe12e622b
 

---------End---------顺便给大家推荐下我的微信视频号「价值前瞻」，主要分享读书、成长和投资思考，可以了解不一样的我，欢迎扫码关注。