python | ggplot，一个超强的 Python 库！

最新推荐文章于 2025-10-11 10:03:23 发布

原创最新推荐文章于 2025-10-11 10:03:23 发布 · 1.1k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#python #信息可视化 #数据分析 #人工智能 #算法 #数据挖掘 #数据可视化

python拓展学习同时被 2 个专栏收录

227 篇文章

订阅专栏

python库

178 篇文章

订阅专栏

本文来源公众号“python”，仅用于学术分享，侵权删，干货满满。

原文链接：ggplot，一个超强的 Python 库！

大家好，今天为大家分享一个超强的 Python 库 - ggplot。

Github地址：https://github.com/yhat/ggpy

数据可视化是数据分析中不可或缺的一部分，它不仅能直观地展示数据，还能帮助发现数据中的趋势和模式。在 R 语言中，ggplot2 是广受欢迎的可视化工具，其基于图层的绘图系统强大且易于扩展。Python ggplot 是受 ggplot2 启发的 Python 库，提供类似的语法和功能，让 Python 开发者也能轻松实现高质量的数据可视化。

安装

可以通过 pip 安装 ggplot 库：

pip install ggplot

安装完成后，就可以在项目中导入 ggplot 并使用其提供的绘图工具。

特性

基于图层的绘图系统：通过添加图层的方式构建复杂图表，每一层图形元素都能独立控制。
易于扩展：支持自定义主题、颜色和样式，适应不同的可视化需求。
支持多种数据格式：可以直接处理 Pandas DataFrame 格式的数据，兼容性强。
直观的语法：使用类似自然语言的语法描述图表逻辑，简洁易懂。

基本功能

绘制简单的散点图

ggplot 提供了简单直观的语法，用于快速绘制散点图、折线图等常见图表。

以下是一个使用 ggplot 绘制散点图的示例。

from ggplot import ggplot, aes, geom_point
import pandas as pd

# 创建数据
data = pd.DataFrame({
    'x': [1, 2, 3, 4, 5],
    'y': [1, 4, 9, 16, 25]
})

# 绘制散点图
plot = ggplot(data, aes(x='x', y='y')) + geom_point()
print(plot)

在此示例中，aes 定义了数据的映射关系（x 和 y 轴对应的列），geom_point 指定绘制散点图。

绘制折线图

折线图是时间序列数据分析中常用的图表类型。

以下是绘制折线图的示例。

from ggplot import geom_line

# 绘制折线图
plot = ggplot(data, aes(x='x', y='y')) + geom_line()
print(plot)

通过将 geom_point 替换为 geom_line，可以快速生成折线图。

添加图例和标题

可以通过添加图层来为图表设置标题、标签和图例。

from ggplot import ggtitle, xlab, ylab

# 添加标题和标签
plot = ggplot(data, aes(x='x', y='y')) + geom_point() + \
       ggtitle("散点图示例") + xlab("X 轴") + ylab("Y 轴")
print(plot)

该代码为图表添加了标题、X 轴标签和 Y 轴标签，使得图表更加清晰易读。

高级功能

自定义主题

ggplot 提供了多种内置主题，并支持用户自定义主题以满足不同的视觉需求。

from ggplot import theme_bw

# 使用黑白主题
plot = ggplot(data, aes(x='x', y='y')) + geom_point() + theme_bw()
print(plot)

在此示例中，我们使用了 theme_bw（黑白主题），它为图表提供了更简洁的外观。

分面绘图

ggplot 支持分面绘图（Faceting），可以根据分类变量生成子图。

data = pd.DataFrame({
    'x': [1, 2, 3, 4, 5, 1, 2, 3, 4, 5],
    'y': [1, 4, 9, 16, 25, 2, 3, 6, 8, 10],
    'category': ['A']*5 + ['B']*5
})

from ggplot import facet_wrap

# 分面绘图
plot = ggplot(data, aes(x='x', y='y')) + geom_point() + facet_wrap('category')
print(plot)

此代码根据 category 列的值将数据分为两组，并分别绘制子图。

绘制多种几何对象

在同一张图表中可以叠加多种几何对象，例如同时绘制散点图和折线图。

plot = ggplot(data, aes(x='x', y='y')) + geom_point() + geom_line()
print(plot)

通过叠加 geom_point 和 geom_line，可以同时展示数据点和趋势线。

实际应用场景

数据探索

在数据分析的初期阶段，快速可视化数据的分布和趋势非常重要。ggplot 提供了一系列便捷的工具，可以帮助分析人员快速生成探索性图表。

from ggplot import geom_bar

data = pd.DataFrame({
    'category': ['A', 'B', 'A', 'C', 'B', 'A'],
    'value': [10, 20, 30, 40, 10, 50]
})

plot = ggplot(data, aes(x='category')) + geom_bar()
print(plot)

该代码生成了一个柱状图，用于展示分类数据的频率。

预测模型可视化

在机器学习模型的开发中，ggplot 可用于可视化模型预测结果与实际值的对比，帮助评估模型的性能。

data = pd.DataFrame({
    'actual': [3, 5, 7, 9, 11],
    'predicted': [2.8, 5.1, 6.8, 9.2, 10.9],
    'index': [1, 2, 3, 4, 5]
})

plot = ggplot(data, aes(x='index')) + \
       geom_point(aes(y='actual'), color='blue') + \
       geom_line(aes(y='predicted'), color='red')
print(plot)

在此示例中，蓝色点表示实际值，红色线表示模型的预测值。

业务报告与演示

ggplot 生成的高质量图表非常适合用于业务报告和演示。通过自定义主题和分面绘图，可以制作专业化的图表。

data['group'] = ['G1', 'G2'] * 5

plot = ggplot(data, aes(x='x', y='y', color='group')) + geom_point()
print(plot)

此代码为数据点根据 group 列的值添加了颜色分组，生成更具信息量的图表。

总结

Python ggplot 是一个强大的可视化工具，其设计理念和语法深受 ggplot2 的影响。通过基于图层的绘图系统和直观的语法，ggplot 可以帮助开发者快速构建高质量的数据可视化图表。在数据探索、模型评估和业务报告等多个场景中，ggplot 都能发挥重要作用。

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。