Python拥有一系列强大的图形库，使用户能够以视觉方式探索和呈现数据。这些库从简单的静态图到复杂的交互图都涉及，满足不同用户的需求。

以下是Python中常见的画图库及其案例介绍：

1. Matplotlib

简介：Matplotlib是Python最著名的绘图库之一，提供了丰富的工具和接口来绘制各种静态、动态和交互式的图表。

案例：

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制图表
plt.plot(x, y)
plt.title('Sine Curve')
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.grid(True)
plt.show()

• np.linspace(0, 10, 100) 生成一个包含100个元素的等差数列，作为x轴的数据。
• np.sin(x) 计算每个x值对应的正弦值，作为y轴的数据。
• plt.plot(x, y) 绘制曲线。
• plt.title, plt.xlabel, plt.ylabel 分别设置图表的标题、x轴标签和y轴标签。
• plt.grid(True) 添加网格线。
• plt.show() 显示图表。

2. Seaborn

简介：Seaborn是基于Matplotlib的一个高级封装，它提供了更高级的接口，使得创建美观且富有信息量的统计图表变得更加容易。Seaborn特别适合于统计数据的可视化。

案例：

import seaborn as sns
import pandas as pd

# 加载数据集
tips = sns.load_dataset("tips")

# 绘制箱线图
sns.boxplot(x="day", y="total_bill", data=tips)
plt.title('Boxplot of Total Bill by Day')
plt.show()

• sns.load_dataset("tips") 加载内置的“tips”数据集。
• sns.boxplot(x="day", y="total_bill", data=tips) 绘制箱线图，按天分组。
• plt.title() 添加标题。
• plt.show() 显示图表。

3. Plotly

简介：Plotly是一个用于创建复杂和交互式图表的库。它支持多种图表类型，并且可以在不同的平台上进行渲染和查看。

案例：

import plotly.express as px

# 加载数据集
df = px.data.iris()

# 创建散点图
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species")
fig.show()

• px.data.iris() 加载内置的Iris数据集。
• px.scatter() 创建散点图，其中x轴为花萼宽度，y轴为花萼长度，并根据种类着色。
• fig.show() 显示图表。

4. NetworkX

NetworkX是一个用于创建、操作和研究复杂网络结构、动态和功能的库。

import networkx as nx
import matplotlib.pyplot as plt

# 创建图对象
G = nx.Graph()

# 添加节点和边
G.add_edges_from([(1, 2), (1, 3), (2, 3), (2, 4), (3, 4)])

# 绘制图形
nx.draw(G, with_labels=True)

# 显示图形
plt.show()

5. Bokeh

简介：Bokeh是一个用于创建交互式和可扩展的图表的Python库。它非常适合于Web应用和实时数据流的展示。

案例：

from bokeh.plotting import figure, show

# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 创建一个新的图表
p = figure(title='Line Chart', x_axis_label='X-axis', y_axis_label='Y-axis')

# 添加折线图
p.line(x, y)

# 显示图表
show(p)

• figure() 创建一个新的图表对象，并配置其基本属性。
• p.line() 在图表中添加一条线。
• show(p) 显示图表。

6 Altair

简介：Altair是一个声明式的统计可视化库，它使得创建复杂且美观的图表变得更加简单。Altair基于Vega-Lite规范，这是一种用于创建高质量统计图表的JSON规范。

案例：

import altair as alt
import pandas as pd

# 创建一个简单的数据集
data = pd.DataFrame({"x": [1, 2, 3, 4, 5], "y": [2.5, 3.5, 7.2, 4.2, 6.8]})

# 使用Altair创建图表
chart = alt.Chart(data).mark_point().encode(x='x', y='y')
chart.display()

• alt.Chart(data) 创建一个Altair图表对象，指定数据。
• mark_point() 指定图表中的标记类型为点。
• encode(x='x', y='y') 设置x和y的编码，即指定它们分别对应数据中的哪一列。
• chart.display() 显示图表。

7. Seaborn

Seaborn是基于Matplotlib的一个高级接口，它提供了更美观和更具表现力的默认样式。

import seaborn as sns

# 加载数据集
iris = sns.load_dataset('iris')

# 绘制散点图
sns.scatterplot(data=iris, x='sepal_length', y='petal_length', hue='species')

# 显示图表
plt.show()

8. Pyecharts

PyEcharts是一个基于百度Echarts开发的一个画图包。

from pyecharts import options as opts
from pyecharts.charts import Bar
x_data = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
y_data = [5, 20, 36, 10, 75, 90]
bar = (
    Bar()
    .add_xaxis(x_data)
    .add_yaxis("商家A", y_data)
    .set_global_opts(title_opts=opts.TitleOpts(title="柱状图"))
)
bar.render("bar.html")

本文对Python中常用的画图库做了基础的介绍。每个都有一个小案例方便大家理解基础的画图步骤。