[視頻課] Python網絡爬蟲與文本數據分析

相信很多讀者學習Python就是希望作出各種酷炫的可視化圖表，當然你一定會聽說過 Matplotlib 、 Pyecharts 、 Seaborn 、 Plotly 、 Bokeh 這五大工具，本文就將通過真實繪圖來深度評測這五個Python數據可視化的庫， 看看到底這幾種工具各有什麼優缺點，在製作圖表時該如何選擇。

指標說明

爲了更清晰的瞭解這幾款用於可視化的Python在作圖時的異同，本文將使用 同一組數據 分別製作多系列條形圖來對比，主要將通過以下幾個指標來進行評測：

數據說明

本文使用的數據爲Pyecharts中的faker數據

from pyecharts.faker import Faker
x = Faker.choose()
y1 = Faker.values()
y2 = Faker.values()

x爲一列品牌名稱，y1/y2爲一列相同長度的 無意義 數據，接下來讓我們使用不同的庫對這組數據進行可視化！

Pyecharts

Echarts 是一個由百度開源的數據可視化，憑藉着良好的交互性，精巧的圖表設計，得到了衆多開發者的認可。而Python是一門富有表達力的語言，很適合用於數據處理。當數據分析遇上數據可視化時， pyecharts 誕生了，支持 30+ 種圖表 。 在pyecharts中製作條形圖首先需要導入相關庫 

from pyecharts import options as opts
from pyecharts.charts import Bar

接着是繪圖並不做任何任何調整，首先創建一個Bar實例，接着添加x軸y軸數據，注意 僅接收list格式 數據，最後添加標題並設置在notebook中直接展示。總體來說還是比較符合正常的作圖邏輯，整體 代碼量並不多 。 

c = (
    Bar()
    .add_xaxis(x)
    .add_yaxis("商家A", y1)
    .add_yaxis("商家B", y2)
    .set_global_opts(title_opts=opts.TitleOpts(title="Pyecharts—柱狀圖", subtitle=""))
).render_notebook()

默認生成的兩系列柱狀圖如下：

可以看到，該圖 支持交互式 展示與點擊，默認生成的樣式也較爲美觀，並且Pyecharts有詳細的中文文檔與demo，網上關於Pyecharts的討論也較多，如果是剛接觸的讀者也能比較快的上手。 當然如果對默認樣式不滿意的話，可以進行一些調整，由於 文檔十分完整 ，所以代碼修改起來並不困難，比如可以修改主題並設置一些標 記線、DataZoom，添加小組件等

總體來說，由於Pyecharts是基於Echarts製作的，因此生成圖表比較美觀，並且 官方中文文檔 對相關設置講解非常詳細，有關Pyecharts的 討論也非常多 ，所以如果在使用過程中有相關疑問也很容易通過檢索找到答案，但遺憾的是不支持使用pandas中的series數據，需要 轉換爲list 纔可以使用，不過整體還是讓我很滿意的一款可視化庫。主觀評分: 85 分

Matplotlib

Matplotlib 應該是最廣泛使用的Python可視化工具，支持的圖形種類非常多，使用Matplotlib製作相同效果的圖需要先導入相關庫，並且並不支持原生中文所以還要設置下中文顯示 

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']

接着就是繪圖，但是相比較於pyecharts大多是往寫好的代碼裏面添加數據、配置不同，matplotlib大多數需要我們自己寫代碼，所以 代碼量可能稍多一點 

width = 0.35
x1 = np.arange(len(x)) 

fig, ax = plt.subplots()
rects1 = ax.bar(x1 - width/2, y1, width, label='商家A')
rects2 = ax.bar(x1 + width/2, y2, width, label='商家B')

ax.set_title('Matplotlib—柱狀圖')
ax.set_xticks(x1)
ax.set_xticklabels(x)
ax.legend()

plt.show()

最後生成的默認圖像如下

默認配色不是很好看但也沒有很難看，看起來更學術一點，但是 不支持交互式 點擊查看等操作，雖然代碼量更多一點，但是由於Matplotlib的火熱， 網上關於matplotlib的資料比Pyecharts要多很多 ，所以寫代碼於調整代碼的過程也 並不複雜 ，整體主觀評分77分

Plotly

Plotly 也是一款非常強大的Python可視化庫， Plotly內置完整的交互能力及編輯工具，支持在線和離線模式，提供穩定的API以便與現有應用集成，既可以在web瀏覽器中展示數據圖表，也可以存入本地拷貝 。 但是由於官方 未提供中文文檔 ，網上關於Plotly的教程也僅限於官方的一些demo，對於一些詳細的參數設置並 沒有太多資料 ，首先還是先導入相關庫並設置notebook顯示 

import plotly
import plotly.offline as py
import plotly.graph_objs as go
plotly.offline.init_notebook_mode(connected=True)

接下來是繪圖代碼， 首先要對數據先進行處理 ，剩下的基礎配置其實和Pyecharts比較類似 

trace0 = go.Bar(
    x = x,
    y = y1,
    name = '商家A',
)
trace1 = go.Bar(
    x = x,
    y = y2,
    name = '商家B',
)
data = [trace0,trace1]
layout = go.Layout(
        title={
        'text': "Plotly-柱狀圖",
        'y':0.9,
        'x':0.5,
        'xanchor': 'center',
        'yanchor': 'top'})
fig = go.Figure(data=data, layout=layout)
py.iplot(fig)

默認樣式生成的圖如上， 配色也不難看 ，並且可以看到是 支持交互式 操作的，同時是默認添加toolbox小組件，可以更方便的查看， 支持30多種圖形 ，總體來說還是比較優秀的一個可視化工具，但是如果真要熟練使用的話可能需要一點時間用於查找相關資料，因爲網上 關於Plotly的資料不多 ，大多是基本使用的簡單教程，如果想查找一些細節的操作比如我爲了查找讓標題居中的方法，百度之後用Google在國外某論壇找到類似問題並找到設置，主觀評分： 76 分

Bokeh

Bokeh 是一個專門針對Web瀏覽器的呈現功能的 交互式 可視化Python庫。這是Bokeh與其它可視化庫最核心的區別，它可以做出像 D3.js 簡潔 漂亮的交互可視化效果，但是使用難度低於D3.js，首先還是導入相關庫 

from bokeh.transform import dodge
import pandas as pd
from bokeh.core.properties import value
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from bokeh.io import output_notebook
output_notebook() # 導入notebook繪圖模塊
from bokeh.plotting import figure,show
from bokeh.models import ColumnDataSource# 導入圖表繪製、圖標展示模塊 # 導入ColumnDataSource模塊 # 導入dodge、value模塊

相關依賴比上面三個要多出很多，並且Bokeh有自己的數據結構 ColumnDataSource ，所以要先對數據進行轉換，接着就是創建畫布、添加數據及設置 

df = pd.DataFrame({'商家A':y1,'商家B':y2},
                 index = x_)
_x = ['商家A','商家B']    # 系列名
data = {'index':x_}
for i in _x:
    data[i] = df[i].tolist()# 生成數據，數據格式爲dict
source = ColumnDataSource(data=data)# 將數據轉化爲ColumnDataSource對象

p = figure(x_range=x_, y_range=(0, 150), plot_height=350, title="boken-柱狀圖",tools="crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select")

p.vbar(x=dodge('index', -0.1, range=p.x_range), top='商家A', width=0.2, source=source,color="#718dbf", legend=value("商家A"))
p.vbar(x=dodge('index',  0.1, range=p.x_range), top='商家B', width=0.2, source=source,color="#e84d60", legend=value("商家B"))# dodge(field_name, value, range=None) → 轉換成一個可分組的對象，value爲元素的位置（配合width設置）
p.xgrid.grid_line_color = None
p.legend.location = "top_left"
p.legend.orientation = "horizontal" # 其他參數設置
show(p)

可以看到，Bokeh做出來的圖也是 支持交互 的，不併且樣式之類的看上去還是比較舒服的，不過上面這張圖是經過調整顏色的，因爲默認不對兩個系列進行區分顏色

Bokeh一個很明顯的特點就是 代碼量較上面三個工具要多了很多 ，大多是在 數據的處理 上，並且和Plotly一樣，有關bokeh相關的 中文資料也不多 ，大多是入門型的基本使用於介紹，雖然從官方給出的圖來看能作出很多比pyecharts更精美的圖，但是查找相關參數的設置上將會耗費一定時間，主觀評分 71 分。

Seaborn

從 seaborn 官網給出的標題就知道，seaborn是爲了 統計圖表 設計的，它 是一種 基於matplotlib 的圖形可視化庫，也就 是在matplotlib的基礎上進行了更高級的API封裝，從而使得 作圖更加容易 ，在大多數情況下使用seaborn就能做出很具有吸引力的圖，而使用matplotlib就能製作具有更多特色的圖，還是我們的數據，使用Seaborn製作首先需要導入相關庫，由於是基於Matplotlib，所以還是 需要設置中文 

import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']

接下來只要 一行代碼 就能生成我們要的圖，默認配色也沒有顯得很難看

相比上面四種工具，從 代碼量 上來看是非常簡潔的，不過還是要先將 數據轉換 爲DataFrame格式，這裏沒在代碼中體現，但依舊是 最簡短的代碼 ，同時並不支持交互。並且Seaborn和Plotly、bokeh有一個共同的地方就是雖然強大，但是 網上有關這三個庫的教程、討論都遠少於Pyecharts與Matplotlib ，如果是新手的話可能很難快速通過搜索解決你遇到的問題，而需要自己研究別人的代碼，主觀評分 72 分

小結

以上就是對常見的5個Python數據可視化的評測，可能通過繪製條形圖的方式去給每個工具打分不是非常合適，但我想你應該能夠大致熟悉到每個庫在繪圖時的特點，同時也能在選擇這些工具之前有一個簡單的瞭解。最後正如我們文中介紹的一樣， 不同工具的應用場景、目標用戶都不完全相同 ，所以我們在選擇工具時需要 先思考自己的使用場景 ，並且需要評估繪製目標圖形的難度，就像有些工具雖然強大但是資料太少，不要爲了追求高級的樣式而浪費太多時間！如果你仍在猶豫學習哪一個工具的話，我的意見是 ：熟練掌握一個工具之後，瞭解其他工具即可 ！ 最後留一個 彩蛋，大家可以猜一猜文中的雷達圖是使用文中提到的哪一款工具製作。

相關文章