Python数据可视化常用4大绘图库原理详解

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：

导库;创建figure画布对象;获取对应位置的axes坐标系对象;调用axes对象，进行对应位置的图形绘制;显示图形;

2）案例说明

# 1.导入相关库import matplotlib as mplimport matplotlib.pyplot as plt# 2.创建figure画布对象figure = plt.figure()# 3.获取对应位置的axes坐标系对象axes1 = figure.add_subplot(2,1,1)axes2 = figure.add_subplot(2,1,2)# 4.调用axes对象，进行对应位置的图形绘制axes1.plot([1,3,5,7],[4,9,6,8])axes2.plot([1,2,4,5],[8,4,6,2])# 5.显示图形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.导入相关库import seaborn as snsimport matplotlib.pyplot as pltdf = pd.read_excel('data.xlsx',sheet_name='数据源')sns.set_style('dark')plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False# 注意：estimator表示对分组后的销售数量求和。默认是求均值。sns.barplot(x='品牌',y='销售数量',data=df,color='steelblue',orient='v',estimator=sum)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：

绘制图形轨迹，在ployly里面叫做trace，每一个轨迹是一个trace。 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。 创建画布的同时，并将上述的轨迹列表，传入到Figure()中。 使用Layout()添加其他的绘图参数，完善图形。 展示图形。

2）案例说明

import numpy as npimport pandas as pdimport plotly as pyimport plotly.graph_objs as goimport plotly.expression as pxfrom plotly import toolsdf = pd.read_excel('plot.xlsx')# 1.绘制图形轨迹，在ployly里面叫做`trace`，每一个轨迹是一个trace。trace0 = go.Scatter(x=df['年份'],y=df['城镇居民'],name='城镇居民')trace1 = go.Scatter(x=df['年份'],y=df['农村居民'],name='农村居民')# 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。data = [trace0,trace1]# 3.创建画布的同时，并将上述的`轨迹列表`，传入到`Figure()`中。fig = go.Figure(data)# 4.使用`Layout()`添加其他的绘图参数，完善图形。fig.update_layout( , xaxis_title='年份', yaxis_title='人均收入（元）')# 5.展示图形。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：

选择图表类型； 声明图形类并添加数据； 选择全局变量； 显示及保存图表；

2）案例说明

# 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；from pyecharts.charts import Lineimport pyecharts.options as optsimport numpy as npx = np.linspace(0,2 * np.pi,100)y = np.sin(x)( # 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； Line() # 3.添加数据，分别给x,y轴添加数据； .add_xaxis(xaxis_data=x) .add_yaxis(series_name='绘制线图',y_axis=y,label_opts=opts.LabelOpts(is_show=False)) .set_global_opts(title_opts=opts.TitleOpts(title='我是标题',subtitle='我是副标题',title_link='https://www.baidu.com/'), tooltip_opts=opts.TooltipOpts())).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。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持好吧啦网。