做完3个Python数据可视化图表，我总结出了这些

文丨Chris Moffitt

编译丨姜瑞琪

触脉咨询数据分析师

用过python的人都会面临一个问题，尤其是初学者：我应该选哪个来实现数据可视化？

面对众多的选项，要弄清楚什么时候使用哪个的问题没那么容易。

这就是今天分享这篇文章的初衷，通过列举一些使用频率较高的工具，以及使用它们创建简单的条形图的方法，帮助各位进行简单的梳理。

以下就是将要用来创建绘制数据的示例：

在示例中，我将使用pandas进行数据处理并使用它来完成可视化的效果。其实，在大多数情况下，可视化工具可以在没有pandas的情况下使用，但pandas+可视化工具的组合很常见，这是一个很好的起始点。

我通常会用pandas DataFrame开始制作各种绘图的工作。这样有一个优势，就是pandas提供内置的绘图功能，它是matplotlib之上的一层。

首先，导入我们的模块并将数据放入DataFrame中，此外，还将对数据进行排序并让其限制在前10行中。

所有的示例中使用的预算行都相同，以下是导入DataFrame后前5个项目的样子：

我们可以手动设置外观并创建一个条形图：

如果想保存生成的图像，则需要以下的代码：

制作成功后会如下所示：

如果想对Y轴进行更多格式化，则需要一些matplotlib的操作，而不能仅仅通过pandas来实现。

Seaborn是基于matplotlib的可视化库，它能让数据可视化在视觉上更具有吸引力，并且能够很好的与pandas一起使用。

我喜欢用Seaborn的一点就在于它能够快速更改调色板以使其外观更好看。

标准导入并读取数据：

在使用的时候，我发现一件事情就是必须使用x_order明确设置x_axis上项目的顺序。

对这节代码设置顺序，并设置绘图和条形图颜色的样式：

示例中，我们使用matplotlib旋转x轴标题，以便在实际场景中可以阅读。视觉上，显示看起来不错。理想情况下，可以使用matplotlib中的plt.yticks在y轴上设置刻度线的格式。

ggplot与Seaborn相似，都是建立在matplotlib之上，并以一种简单的方式优化提升matplotlib可视化的视觉吸引力。但有一点与seaborn不同，它是R的ggplot2端口，因此，某些API是非Python的，但功能非常强大。

继续导入并读取我们的数据：

现在，我们可以通过将几个ggplot命令连接在一起来构建绘图：

通过使用print p可以显示图形。

实操中，确实需要花一些时间才能弄清楚如何将文本旋转90度，以及如何在x轴上排列标签。

我发现scale_y_continous是一个很酷的功能，它能使标签的使用变得更简单。

如果要保存图像，可以使用ggsave轻松进行：

最终生成的图像。

使用Python绘制数据图表时，选择太多是好事儿也是坏事儿。这意味着我们需要根据要完成的工作找出适合的方法，去确定这些工具能否有用。

这没办法给出一个明确的定义，以此为基准进行选择。以下是我总结的一些想法：

希望对各位有所帮助~

原文链接：https://pbpython.com/visualization-tools-1.html，有所删减及修改