本文目录一览：
- 1、Python 数据可视化：Altair 使用全解析
- 2、Python 数据可视化：绘制箱线图、饼图和直方图
- 3、Python数据分析：可视化
- 4、python数据可视化--可视化概述
- 5、Python中数据可视化经典库有哪些？
Python 数据可视化：Altair 使用全解析
ggplot2 是 R 的作图工具包，可以使用非常简单的语句实现非常复杂漂亮的效果。然而不幸的是，ggplot2 并不支持 Python。
在 Python 中，我们常使用 matplotlib 用于可视化图形，matplotlib是一个很强大的可视化库，但是它有着很严重的局限性。matplotlib 的使用非常灵活，这可以说的上是它的一个优点，但是当我们想为图形加一个小小的功能的时候，它的繁琐操作会让我们举步维艰。除此之外，matplotlib 的两种界面（面向对象界面、基于状态的界面）令人相当困惑，对于新手很不友好。即使对于多年使用 matplotlib 的人而言，他们也无法完全掌握这些操作。最后不得不说的是，用 matplotlib 制作交互式图表是一件相当困难的事情。
Altair 是 Vega-Lite 的包装器。Vega-Lite 是 JavaScript 的高级可视化库，它最最重要的特点是，它的API是基于图形语法的。
什么是图形语法呢？ 图形语法听起来有点像一个抽象的功能，值得注意的是，它是 Altair 和其他 Python 可视化库之间最主要的区别。Altair 符合我们人类可视化数据的方式和习惯，Altair 只需要三个主要的参数：
基于以上三个参数，Altair 将会选择合理的默认值来显示我们的数据。
Altair 最让人着迷的地方是，它能够合理的选择颜色。如果我们在 Encoding 中指定 变量类型为量化变量 ，那么 Altair 将会使用连续的色标来着色（默认为 浅蓝色-蓝色-深蓝色）。如果 变量类型指定为类别变量 ，那么 Altair 会为每个类别赋予不同的颜色。（例如 红色，黄色，蓝色）
让我们来看一个具体的例子，如下所示，我们组织了6个国家和它们所对应的人口数据，除此之外，还有相应的收入数据：
首先我们绘制每个国家的人口数据：
Python 数据可视化：绘制箱线图、饼图和直方图
上一课介绍了柱形图和条形图，本课将介绍另外几种统计图表。
Box Plot 有多种翻译，盒须图、盒式图、盒状图或箱线图、箱形图等，不管什么名称，它的基本结构是这样的：
这种图是由美国著名统计学家约翰·图基（John Tukey）于 1977 年发明的，它能显示出一组数据的上限、下限、中位数及上下四分位数。
为了更深入理解箱线图的含义，假设有这样一组数据：[1, 3, 5, 8, 10,11, 16, 98 ]，共有 8 个数字。
首先要计算箱线图中的“四分位数”，注意不是 4 个数：
对于已经排序的数据 [1, 3, 5, 8, 10,11, 16, 98 ]，下四分位数（Q1）的位置是数列中从小到大第 2.25 个数，当然是不存在这个数字的——如果是第 2 个或者第 3 个，则存在。但是，可以用下面的原则，计算出此位置的数值。
四分位数等于与该位置两侧的两个整数的加权平均数，此权重取决于相对两侧整数的距离远近，距离越近，权重越大，距离越远，权重越小，权数之和等于 1。
根据这个原则，可以分别计算本例中数列的 3 个四分位数。
在此计算基础上，还可以进一步计算四分位间距和上限、下限的数值。
先看一个简单示例，了解基本的流程。
输出结果：
这里绘制了两张箱线图，一张没有显示平均值，另外一张显示了平均值，所使用的方法就是 boxplot，其完整参数列表为：
参数很多，不要担心记忆问题，更别担心理解问题。首先很多参数都是可以“望文生义”的，再有，与以前所使用的其他方法（函数）的参数含义也大同小异。
输出结果：
所谓的“凹槽”，不是简单形状的改变，左右折线的上限区间表示了数据分布的置信区间，横线依然是上限和下限。
Python数据分析：可视化
本文是《数据蛙三个月强化课》的第二篇总结教程，如果想要了解 数据蛙社群 ，可以阅读 给DataFrog社群同学的学习建议 。温馨提示：如果您已经熟悉python可视化内容,大可不必再看这篇文章，或是之挑选部分文章
对于我们数据分析师来说，不仅要自己明白数据背后的含义，而且还要给老板更直观的展示数据的意义。所以，对于这项不可缺少的技能，让我们来一起学习下吧。
画图之前，我们先导入包和生成数据集
我们先看下所用的数据集
折线图是我们观察趋势常用的图形，可以看出数据随着某个变量的变化趋势，默认情况下参数 kind="line" 表示图的类型为折线图。
对于分类数据这种离散数据，需要查看数据是如何在各个类别之间分布的，这时候就可以使用柱状图。我们为每个类别画出一个柱子。此时，可以将参数 kind 设置为 bar 。
条形图就是将竖直的柱状图翻转90度得到的图形。与柱状图一样，条形图也可以有一组或多种多组数据。
水平条形图在类别名称很长的时候非常方便，因为文字是从左到右书写的，与大多数用户的阅读顺序一致，这使得我们的图形容易阅读。而柱状图在类别名称很长的时候是没有办法很好的展示的。
直方图是柱形图的特殊形式，当我们想要看数据集的分布情况时，选择直方图。直方图的变量划分至不同的范围，然后在不同的范围中统计计数。在直方图中，柱子之间的连续的，连续的柱子暗示数值上的连续。
箱线图用来展示数据集的描述统计信息，也就是[四分位数]，线的上下两端表示某组数据的最大值和最小值。箱子的上下两端表示这组数据中排在前25%位置和75%位置的数值。箱中间的横线表示中位数。此时可以将参数 kind 设置为 box。
如果想要画出散点图，可以将参数 kind 设置为 scatter，同时需要指定 x 和 y。通过散点图可以探索变量之间的关系。
饼图是用面积表示一组数据的占比，此时可以将参数 kind 设置为 pie。
我们刚开始学习的同学，最基本应该明白什么数据应该用什么图形来展示，同学们来一起总结吧。
python数据可视化--可视化概述
数据可视化是python最常见的应用领域之一，数据可视化是借助图形化的手段将一组数据以图形的形式表达出来，并利用数据分析和开发工具发现其中未知信息的数据处理过程。
在学术界有一句话广为流传，A picture worths thousand words，就是一图值千言。在课堂上，我经常举的例子就是大家在刷朋友圈的时候如果看到有人转发一篇题目很吸引人的文章时，我们都会点击进去，可能前几段话会很认真地看，文章很长的时候后面就会一目十行，失去阅读的兴趣。
所以将数据、表格和文字等内容用图表的形式表达出来，既能提高读者阅读的兴趣，还能直观表达想要表达的内容。
python可视化库有很多，下面列举几个最常用的介绍一下。
matplotlib
它是python众多数据可视化库的鼻祖，也是最基础的底层数据可视化第三方库，语言风格简单、易懂，特别适合初学者入门学习。
seaborn
Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。
pyecharts
pyecharts是一款将python与echarts结合的强大的数据可视化工具，生成的图表精巧，交互性良好，可轻松集成至 Flask，Sanic，Django 等主流 Web 框架，得到众多开发者的认可。
bokeh
bokeh是一个面向web浏览器的交互式可视化库，它提供了多功能图形的优雅、简洁的构造，并在大型数据集或流式数据集上提供高性能的交互性。
python这些可视化库可以便捷、高效地生成丰富多彩的图表，下面列举一些常见的图表。
柱形图
条形图
坡度图
南丁格尔玫瑰图
雷达图
词云图
散点图
等高线图
瀑布图
相关系数图
散点曲线图
直方图
箱形图
核密度估计图
折线图
面积图
日历图
饼图
圆环图
马赛克图
华夫饼图
还有地理空间型等其它图表，就不一一列举了，下节开始我们先学习matplotlib这个最常用的可视化库。
Python中数据可视化经典库有哪些？
Python有很多经典的数据可视化库，比较经典的数据可视化库有下面几个。
matplotlib
是Python编程语言及其数值数学扩展包 NumPy 的可视化操作界面。它利用通用的图形用户界面工具包，如 Tkinter, wxPython, Qt 或 GTK+，向应用程序嵌入式绘图提供了应用程序接口。
pyplot 是 matplotlib 的一个模块，它提供了一个类似 MATLAB 的接口。 matplotlib 被设计得用起来像 MATLAB，具有使用 Python 的能力。
优点：绘图质量高，可绘制出版物质量级别的图形。代码够简单，易于理解和扩展，使绘图变得轻松，通过Matplotlib可以很轻松地画一些或简单或复杂的图形，几行代码即可生成直方图、条形图、散点图、密度图等等，最重要的是免费和开源。
pandas
Pandas 是一个开放源码、BSD 许可的库，提供高性能、易于使用的数据结构和数据分析工具。Pandas 广泛应用在学术、金融、统计学等各个数据分析领域。需要说明的是它不是“熊猫”，名字衍生自术语 "panel data"（面板数据）和 "Python data analysis"（Python 数据分析）。
优点：是Python的核心数据分析支持库，提供了快速、灵活、明确的数据结构，旨在简单、直观的处理关系型、标记型数据。对于数据分析专业人士，它是数据分析及可视化的利器。
seaborn
Seaborn是基于matplotlib的图形可视化python包。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
它是基于matplotlib更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn能做出很具有吸引力的图，应该把Seaborn视为matplotlib的补充，而不是替代物，它能高度兼容numpy与pandas数据结构以及scipy与statsmodels等统计模式。
优点：matplotlib高度封装，代码量少，图表漂亮。比起matplotlib具有更美观、更现代的调色板设计等优点。scikit-plot
这是一个跟机器学习有效结合的绘图库。想要深入学习的小伙伴参见其github仓库，这里不再赘述了。
优点：Scikit-Plot是由ReiichiroNakano创建的用在机器学习的可视化工具，能最快速简洁的画出用Matplotlib要写很多行语句才能画出的图。关键是对于机器学习相关可视化处理，该库有较好的支持。
Networkx
networkx是Python的一个包，用于构建和操作复杂的图结构，提供分析图的算法。图是由顶点、边和可选的属性构成的数据结构，顶点表示数据，边是由两个顶点唯一确定的，表示两个顶点之间的关系。顶点和边也可以拥有更多的属性，以存储更多的信息。
优点：用于创建、操纵和研究复杂网络的结构、以及学习复杂网络的结构、功能及其动力学。
上面是我的回答，希望对您有所帮助！
