• 深度讲解Python四大常用绘图库的“绘图原理”

    最近有不少读者同学来问我，Python绘图库太多，我知不知道学哪一个？即使我选择了某一个绘图库后，我也不知道怎么学，我不知道第一步做什么，也不知道接下来该怎么做，四个字一学就忘。

    其实这也是我当时很困扰的一个问题，我当时在学习完numpy和pandas后，就开始了matplotlib的学习。我反正是非常崩溃的，每次就感觉绘图代码怎么这么多，绘图逻辑完全一团糟，不知道如何动手。

    后面随着自己反复的学习，我找到了学习Python绘图库的方法，那就是学习它的绘图原理。正所谓：“知己知彼，百战不殆”，学会了原理，剩下的就是熟练的问题了。

    今天我们就用一篇文章，带大家梳理matplotlib、seaborn、plotly、pyecharts的绘图原理，让大家学起来不再那么费劲！

    1. matplotlib绘图原理

    关于matplotlib更详细的绘图说明，大家可以参考下面这篇文章，相信你看了以后一定学得会。

    matplotlib绘图原理：http://suo.im/678FCo

    1）绘图原理说明

    通过我自己的学习和理解，我将matplotlib绘图原理高度总结为如下几步：

    • ① 导库;

    • ② 创建figure画布对象;

    • ③ 获取对应位置的axes坐标系对象;

    • ④ 调用axes对象，进行对应位置的图形绘制;

    • ⑤ 显示图形;

    2）案例说明

    1. # 1.导入相关库
    2. import matplotlib as mpl
    3. import matplotlib.pyplot as plt
    4. # 2.创建figure画布对象
    5. figure = plt.figure()
    6. # 3.获取对应位置的axes坐标系对象
    7. axes1 = figure.add_subplot(2,1,1)
    8. axes2 = figure.add_subplot(2,1,2)
    9. # 4.调用axes对象，进行对应位置的图形绘制
    10. axes1.plot([1,3,5,7],[4,9,6,8])
    11. axes2.plot([1,2,4,5],[8,4,6,2])
    12. # 5.显示图形
    13. figure.show()

    结果如下：

    2. seaborn绘图原理

    在这四个绘图库里面，只有matplotlib和seaborn存在一定的联系，其余绘图库之间都没有任何联系，就连绘图原理也都是不一样的。

    seaborn是matplotlib的更高级的封装。因此学习seaborn之前，首先要知道matplotlib的绘图原理。由于seaborn是matplotlib的更高级的封装，对于matplotlib的那些调优参数设置，也都可以在使用seaborn绘制图形之后使用。

    我们知道，使用matplotlib绘图，需要调节大量的绘图参数，需要记忆的东西很多。而seaborn基于matplotlib做了更高级的封装，使得绘图更加容易，它不需要了解大量的底层参数，就可以绘制出很多比较精致的图形。不仅如此，seaborn还兼容numpy、pandas数据结构，在组织数据上起了很大作用，从而更大程度上的帮助我们完成数据可视化。

    由于seaborn的绘图原理，和matplotlib的绘图原理一致，这里也就不详细介绍了，大家可以参考上面matplotlib的绘图原理，来学习seaborn究竟如何绘图，这里还是提供一个网址给大家。

    seaborn绘图原理：http://suo.im/5D3VPX

    1）案例说明

    1. # 1.导入相关库
    2. import seaborn as sns
    3. import matplotlib.pyplot as plt
    4.  
    5. df = pd.read_excel("data.xlsx",sheet_name="数据源")
    6.  
    7. sns.set_style("dark")
    8. plt.rcParams["font.sans-serif"] = ["SimHei"]
    9. plt.rcParams["axes.unicode_minus"] = False
    10. # 注意：estimator表示对分组后的销售数量求和。默认是求均值。
    11. sns.barplot(x="品牌",y="销售数量",data=df,color="steelblue",orient="v",estimator=sum)
    12. plt.show()

    结果如下：

    注意：可以看到在上述的绘图代码中，你应该有这样一个感受，图中既有matplotlib的绘图代码，也有seaborn的绘图代码。其实就是这样的，我们就是按照matplobt的绘图原理进行图形绘制，只是有些地方改成seaborn特有的代码即可，剩下的调整格式，都可以使用matplotlib中的方法进行调整。

    3. plotly绘图原理

    首先在介绍这个图的绘图原理之前，我们先简单介绍一下plotly这个绘图库。

    • plotly是一个基于javascript的绘图库，plotly绘图种类丰富，效果美观；

    • 易于保存与分享plotly的绘图结果，并且可以与Web无缝集成；

    • ploty默认的绘图结果，是一个HTML网页文件，通过浏览器可以直接查看；

    它的绘图原理和matplotlib、seaborn没有任何关系，你需要单独去学习它。同样我还是提供了一个网址给你，让你更详细的学习plotly。

    plotly绘图原理：http://suo.im/5vxNTu

    1）绘图原理说明

    通过我自己的学习和理解，我将plotly绘图原理高度总结为如下几步：

    • ① 绘制图形轨迹，在ployly里面叫做trace，每一个轨迹是一个trace。

    • ② 将轨迹包裹成一个列表，形成一个“轨迹列表”。一个轨迹放在一个列表中，多个轨迹也是放在一个列表中。

    • ③ 创建画布的同时，并将上述的轨迹列表，传入到Figure()中。

    • ④ 使用Layout()添加其他的绘图参数，完善图形。

    • ⑤ 展示图形。

    2）案例说明

    1. import numpy as np
    2. import pandas as pd
    3. import plotly as py
    4. import plotly.graph_objs as go
    5. import plotly.expression as px
    6. from plotly import tools
    7.  
    8. df = pd.read_excel("plot.xlsx")
    9. # 1.绘制图形轨迹，在ployly里面叫做`trace`，每一个轨迹是一个trace。
    10. trace0 = go.Scatter(x=df["年份"],y=df["城镇居民"],name="城镇居民")
    11. trace1 = go.Scatter(x=df["年份"],y=df["农村居民"],name="农村居民")
    12. # 2.将轨迹包裹成一个列表，形成一个“轨迹列表”。一个轨迹放在一个列表中，多个轨迹也是放在一个列表中。
    13. data = [trace0,trace1]
    14. # 3.创建画布的同时，并将上述的`轨迹列表`，传入到`Figure()`中。
    15. fig = go.Figure(data)
    16. # 4.使用`Layout()`添加其他的绘图参数，完善图形。
    17. fig.update_layout(
    18.     title="城乡居民家庭人均收入",
    19.     xaxis_title="年份",
    20.     yaxis_title="人均收入（元）"
    21. )
    22. # 5.展示图形。
    23. fig.show()

    结果如下：

    4. pyecharts绘图原理

    Echarts是一个由百度开源的数据可视化工具，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而python是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上了数据可视化时，pyecharts诞生了。

    pyecharts分为v0.5和v1两个大版本，v0.5和v1两个版本不兼容，v1是一个全新的版本，因此我们的学习尽量都是基于v1版本进行操作。

    和plotly一样，pyecharts的绘图原理也是完全不同于matplotlib和seaborn，我们需要额外的去学习它们的绘图原理，基于此，同样提供一个网址给你，让你更详细的学习pyecharts。

    pyecharts的绘图原理：http://suo.im/5S1PF1

    1）绘图原理说明

    通过我自己的学习和理解，我将plotly绘图原理高度总结为如下几步：

    • ① 选择图表类型；

    • ② 声明图形类并添加数据；

    • ③ 选择全局变量；

    • ④ 显示及保存图表；

    2）案例说明

    1. # 1.选择图表类型：我们使用的是线图，就直接从charts模块中导入Line这个模块；
    2. from pyecharts.charts import Line
    3. import pyecharts.options as opts
    4. import numpy as np
    5.  
    6. x = np.linspace(0,2 * np.pi,100)
    7. y = np.sin(x)
    8.  
    9. (
    10.  # 2.我们绘制的是Line线图，就需要实例化这个图形类，直接Line()即可；
    11.  Line()
    12.  # 3.添加数据，分别给x,y轴添加数据；
    13.  .add_xaxis(xaxis_data=x)
    14.  .add_yaxis(series_name="绘制线图",y_axis=y,label_opts=opts.LabelOpts(is_show=False))
    15.  .set_global_opts(title_opts=opts.TitleOpts(title="我是标题",subtitle="我是副标题",title_link="https://www.baidu.com/"),
    16.                   tooltip_opts=opts.TooltipOpts())
    17. ).render_notebook() # 4.render_notebook()用于显示及保存图表；

    结果如下：

    小结

    通过上面的学习，我相信肯定会让大家对于这些库的绘图原理，一定会有一个新的认识。

    其实其实不管是任何编程软件的绘图库，都有它的绘图原理。我们与其盲目的去绘制各种各样的图形，不如先搞清楚它们的套路后，再去进行绘图库的图形练习，这样下去，我觉得大家会有一个很大的提高。

    【python学习】
    学Python的伙伴,欢迎加入新的交流【君羊】：1020465983
    一起探讨编程知识,成为大神,群里还有软件安装包，实战案例、学习资料

  • 相关阅读:
    面试必问的HashCode技术内幕
    深圳大学计软《程序设计基础》实验四 选择结构
    路径穿越（Path Traversal）详解
    百度超级链BaaS服务平台调研
    卷积神经网络（CNN）
    【webrtc】call：RtpTransportControllerSend 基于RTP的传输链路控制（包括收发）和MediaSoup cc简单对比
    Node如何获取pnpm安装的包源码真实代码路径并操作
    2.4 设计多线程的程序
    如何把.mhd和.raw文件转换为DICOM文件
    原来Python内置了一个微型数据库，超实用！！！
  • 原文地址：https://blog.csdn.net/weixin_56659172/article/details/126098284