我常用的5个Python可视化库

关注

原创最新推荐文章于 2026-06-27 09:37:29 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

python可视化图表库 当谈到数据可视化时，Python是一个非常强大的工具。Python有很多可视化库，其中最流行的是 Matplotlib和SeabornDeepl降重。除此之外，还有—些其他的可视化库，如Plotly、Bokeh 和Pyecharts等。在本篇博客中，我们将重点介绍Pyecharts，因为它提供了丰富的图表类型和配置选项，可以帮助我们轻松地创建出好看的数据可视化图表。本篇博客仅供参考，更多的是自己的学习笔记，希望可以对其他人有帮助。Pyecharts提供了很多配置选项，可以帮助我们自定义图像。阅读详情

Python因为其语法简单、胶水语言的特性，诞生了很多好用的轮子（标准库、第三方库），也因此让Python一度成为了最热门的编程语言（2023年1-10月 TIOBE编程语言排名第一）。

我用过很多Python库，因为数据分析展示的需要，经常用一些可视化库来设计图表，这些库有不同的应用场景，生产力非常强大。

基础可视化：Matplotlib、Seaborn、Altair

交互可视化：Bokeh、plotly

地图可视化：Cartopy、Folium

Web可视化：Dash

BI可视化：Superset

流程图可视化：PyGraphviz

下面详细介绍下常见的5个可视化库：Matplotlib、Seaborn、Altair、Bokeh、plotly

1. Matplotlib

Matplotlib不必多说，它是最流行的Python可视化库，可以绘制二维、三维、动态、交互等任何图表，也是Seaborn等众多可视化库的底层依赖。

学习文档：https://matplotlib.org/

Matplotlib的特点是图表功能齐全，可定制化强，一般专业的新闻图表、科研图表、出版图表、企业图表都可以用Matplotlib绘制。

唯一的缺点是高级封装不多，绘图代码稍显复杂。

在这里插入图片描述

import matplotlib.pyplot as plt

data = {'apple': 10, 'orange': 15, 'lemon': 5, 'lime': 20}
names = list(data.keys())
values = list(data.values())

fig, axs = plt.subplots(1, 3, figsize=(9, 3), sharey=True)
axs[0].bar(names, values)
axs[1].scatter(names, values)
axs[2].plot(names, values)
fig.suptitle('Categorical Plotting')

在这里插入图片描述

2. Seaborn

Seaborn是在Matplotlib基础上经过高级封装的可视化库，一般用于统计分析，是数据科学领域的核心可视化库，类似于kaggle这种数据比赛大部分都用Seaborn。

解释下高级封装，所谓封装就是把很多图表的功能模块化，拿来即用，不需要你写很多代码实现。

比如说Seaborn可以一行代码设置图表的配色风格，什么统计风、商务风、学术风，都给你搭配的妥妥的，还有像置信区间这种专业领域的图表也集成到函数中。

学习文档：https://seaborn.pydata.org/

另外Seaborn与Pandas、Numpy集成的非常好，可以轻松使用Series、DataFrame、array数据类型进行图表开发，相较于Matplotlib节省了很多数据处理的时间，让你更加专注于制图。

示例：

import seaborn as sns
sns.set_theme(style="darkgrid")

tips = sns.load_dataset("tips")
g = sns.jointplot(x="total_bill", y="tip", data=tips,
                  kind="reg", truncate=False,
                  xlim=(0, 60), ylim=(0, 12),
                  color="m", height=7)

3. Altair

Altair也是Python中一个主打统计分析的可视化库，它和Seaborn不同的是，语法会更加简洁，让你在可视化的过程中去分析梳理数据。

Altair基于Vega-Lite语法规则，将可视化描述为从数据到图形标记（例如，圆圈、矩形或折线）和属性（例如，颜色、大小、形状或透明度）的编码映射过程，使用Json格式规范图表外观，使用起来非常简单。

学习文档：https://altair-viz.github.io/

示例代码

import altair as alt
from vega_datasets import data

source = data.iris()

alt.Chart(source).mark_circle().encode(
    alt.X('sepalLength').scale(zero=False),
    alt.Y('sepalWidth').scale(zero=False, padding=1),
    color='species',
    size='petalWidth'
)

在这里插入图片描述

4. Bokeh

Bokeh主打web交互式可视化，图表不再是冷冰冰的图片，而是可以随意去调整的可视化交互工具，比如创建看板、应用、网页，都可以轻松实现，你也可以在jupyter notebook上去展示Bokeh图表。

Bokeh有很多的交互工具，比如缩放、平移、框选、悬停、重置、编辑、图像导出等等，使用起来非常方便。

学习文档：https://docs.bokeh.org/

在这里插入图片描述

搭建可视化应用

在这里插入图片描述

搭建看板

在这里插入图片描述

Jupyter notebook数据可视化探索

在这里插入图片描述

数据流分析

在这里插入图片描述

web网页

在这里插入图片描述

示例代码

import numpy as np
import pandas as pd

from bokeh.palettes import tol
from bokeh.plotting import figure, show

N = 10
df = pd.DataFrame(np.random.randint(10, 100, size=(15, N))).add_prefix('y')

p = figure(x_range=(0, len(df)-1), y_range=(0, 800))
p.grid.minor_grid_line_color = '#eeeeee'

names = [f"y{i}" for i in range(N)]
p.varea_stack(stackers=names, x='index', color=tol['Sunset'][N], legend_label=names, source=df)

p.legend.orientation = "horizontal"
p.legend.background_fill_color = "#fafafa"

show(p)

在这里插入图片描述

5. plotly

plotly.js是非常出名的交互式可视化工具，它有Python的第三方接口，也就是plotly库。

plotly图表类型比较丰富，比如折线图、散点图、面积图、条形图、误差条、方框图、直方图、热图、子图、多轴图、极坐标图、气泡图、地图等等，这些都集成好固定的函数用法，可以拿来即用。

plotly绘制的图表相对比较美观，适合商用展示，且它的图表可以基于web，能进行多元化的交互操作。

其次plotly可定制化也非常强，类似于matplotlib，你可以对图表做任何细节的修改。

学习文档：https://plotly.com/python/

在这里插入图片描述

示例代码

import plotly.graph_objects as go  
import numpy as np  
  
# Data to be plotted 
x = np.outer(np.linspace(-2, 2, 30), np.ones(30))  
y = x.copy().T  
z = np.cos(x ** 2 + y ** 2)  
  
# plotting the figure 
fig = go.Figure(data=[go.Surface(x=x, y=y, z=z)])  
  
fig.show()