本文目录一览：
强烈推荐一款Python可视化神器！强烈必备！
Plotly Express 是一个新的高级 Python 可视化库：它是 Plotly.py 的高级封装，它为复杂的图表提供了一个简单的语法。
受 Seaborn 和 ggplot2 的启发，它专门设计为具有简洁，一致且易于学习的 API ：只需一次导入，您就可以在一个函数调用中创建丰富的交互式绘图，包括分面绘图（faceting）、地图、动画和趋势线。 它带有数据集、颜色面板和主题，就像 Plotly.py 一样。
Plotly Express 完全免费：凭借其宽松的开源 MIT 许可证，您可以随意使用它（是的，甚至在商业产品中！）。
最重要的是，Plotly Express 与 Plotly 生态系统的其他部分完全兼容：在您的 Dash 应用程序中使用它，使用 Orca 将您的数据导出为几乎任何文件格式，或使用JupyterLab 图表编辑器在 GUI 中编辑它们！
用 pip install plotly_express 命令可以安装 Plotly Express。
一旦导入Plotly Express（通常是 px ），大多数绘图只需要一个函数调用，接受一个整洁的Pandas dataframe，并简单描述你想要制作的图。 如果你想要一个基本的散点图，它只是 px.scatter（data，x =“column_name”，y =“column_name”）。
以下是内置的 Gapminder 数据集的示例，显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势：
如果你想通过大陆区分它们，你可以使用 color 参数为你的点着色，由 px 负责设置默认颜色，设置图例等：
这里的每一点都是一个国家，所以也许我们想要按国家人口来衡量这些点...... 没问题：这里也有一个参数来设置，它被称为 size：
如果你好奇哪个国家对应哪个点？ 可以添加一个 hover_name ，您可以轻松识别任何一点：只需将鼠标放在您感兴趣的点上即可！ 事实上，即使没有 hover_name ，整个图表也是互动的：
也可以通过 facet_col =”continent“ 来轻松划分各大洲，就像着色点一样容易，并且让我们使用 x轴 对数（log_x）以便在我们在图表中看的更清晰：
也许你不仅仅对 2007年 感兴趣，而且你想看看这张图表是如何随着时间的推移而演变的。 可以通过设置 animation_frame=“year” （以及 animation_group =“country” 来标识哪些圆与控制条中的年份匹配）来设置动画。
在这个最终版本中，让我们在这里调整一些显示，因为像“gdpPercap” 这样的文本有点难看，即使它是我们的数据框列的名称。 我们可以提供更漂亮的“标签” （labels），可以在整个图表、图例、标题轴和悬停（hovers）中应用。 我们还可以手动设置边界，以便动画在整个过程中看起来更棒：
因为这是地理数据，我们也可以将其表示为动画地图，因此这清楚地表明 Plotly Express 不仅仅可以绘制散点图（不过这个数据集缺少前苏联的数据）。
事实上，Plotly Express 支持三维散点图、三维线形图、极坐标和地图上三元坐标以及二维坐标。 条形图（Bar）有二维笛卡尔和极坐标风格。
进行可视化时，您可以使用单变量设置中的直方图（histograms）和箱形图（box）或小提琴图（violin plots），或双变量分布的密度等高线图（density contours）。 大多数二维笛卡尔图接受连续或分类数据，并自动处理日期/时间数据。 可以查看我们的图库 (ref-3) 来了解每个图表的例子。
数据 探索 的主要部分是理解数据集中值的分布，以及这些分布如何相互关联。 Plotly Express 有许多功能来处理这些任务。
使用直方图（histograms），箱形图（box）或小提琴图（violin plots）可视化单变量分布：
直方图：
箱形图：
小提琴图：
还可以创建联合分布图（marginal rugs），使用直方图，箱形图（box）或小提琴来显示双变量分布，也可以添加趋势线。 Plotly Express 甚至可以帮助你在悬停框中添加线条公式和R²值！ 它使用 statsmodels 进行普通最小二乘（OLS）回归或局部加权散点图平滑（LOWESS）。
在上面的一些图中你会注意到一些不错的色标。 在 Plotly Express 中， px.colors 模块包含许多有用的色标和序列：定性的、序列型的、离散的、循环的以及所有您喜欢的开源包：ColorBrewer、cmocean 和 Carto 。 我们还提供了一些功能来制作可浏览的样本供您欣赏（ref-3）：
定性的颜色序列：
众多内置顺序色标中的一部分：
我们特别为我们的交互式多维图表感到自豪，例如散点图矩阵（SPLOMS）、平行坐标和我们称之为并行类别的并行集。 通过这些，您可以在单个图中可视化整个数据集以进行数据 探索 。 在你的Jupyter 笔记本中查看这些单行及其启用的交互：
散点图矩阵（SPLOM）允许您可视化多个链接的散点图：数据集中的每个变量与其他变量的关系。 数据集中的每一行都显示为每个图中的一个点。 你可以进行缩放、平移或选择操作，你会发现所有图都链接在一起！
平行坐标允许您同时显示3个以上的连续变量。 dataframe 中的每一行都是一行。 您可以拖动尺寸以重新排序它们并选择值范围之间的交叉点。
并行类别是并行坐标的分类模拟：使用它们可视化数据集中多组类别之间的关系。
Plotly Express 之于 Plotly.py 类似 Seaborn 之于 matplotlib：Plotly Express 是一个高级封装库，允许您快速创建图表，然后使用底层 API 和生态系统的强大功能进行修改。 对于Plotly 生态系统，这意味着一旦您使用 Plotly Express 创建了一个图形，您就可以使用Themes，使用 FigureWidgets 进行命令性编辑，使用 Orca 将其导出为几乎任何文件格式，或者在我们的 GUI JupyterLab 图表编辑器中编辑它 。
主题（Themes）允许您控制图形范围的设置，如边距、字体、背景颜色、刻度定位等。 您可以使用模板参数应用任何命名的主题或主题对象：
有三个内置的 Plotly 主题可以使用， 分别是 plotly， plotlywhite 和 plotlydark。
px 输出继承自 Plotly.py 的 Figure 类 ExpressFigure 的对象，这意味着你可以使用任何 Figure 的访问器和方法来改变 px生成的绘图。 例如，您可以将 .update（） 调用链接到 px 调用以更改图例设置并添加注释。 .update（） 现在返回修改后的数字，所以你仍然可以在一个很长的 Python 语句中执行此操作：
在这里，在使用 Plotly Express 生成原始图形之后，我们使用 Plotly.py 的 API 来更改一些图例设置并添加注释。
Dash 是 Plotly 的开源框架，用于构建具有 Plotly.py 图表的分析应用程序和仪表板。Plotly Express 产生的对象与 Dash 100％兼容，只需将它们直接传递到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（...））。 这是一个非常简单的 50行 Dash 应用程序的示例，它使用 px 生成其中的图表：
这个 50 行的 Dash 应用程序使用 Plotly Express 生成用于浏览数据集的 UI 。
可视化数据有很多原因：有时您想要提供一些想法或结果，并且您希望对图表的每个方面施加很多控制，有时您希望快速查看两个变量之间的关系。 这是交互与 探索 的范畴。
Plotly.py 已经发展成为一个非常强大的可视化交互工具：它可以让你控制图形的几乎每个方面，从图例的位置到刻度的长度。 不幸的是，这种控制的代价是冗长的：有时可能需要多行 Python 代码才能用 Plotly.py 生成图表。
我们使用 Plotly Express 的主要目标是使 Plotly.py 更容易用于 探索 和快速迭代。
我们想要构建一个库，它做出了不同的权衡：在可视化过程的早期牺牲一些控制措施来换取一个不那么详细的 API，允许你在一行 Python 代码中制作各种各样的图表。 然而，正如我们上面所示，该控件并没有消失：你仍然可以使用底层的 Plotly.py 的 API 来调整和优化用 Plotly Express 制作的图表。
支持这种简洁 API 的主要设计决策之一是所有 Plotly Express 的函数都接受“整洁”的 dataframe 作为输入。 每个 Plotly Express 函数都体现了dataframe 中行与单个或分组标记的清晰映射，并具有图形启发的语法签名，可让您直接映射这些标记的变量，如 x 或 y 位置、颜色、大小、 facet-column 甚至是 动画帧到数据框（dataframe）中的列。 当您键入 px.scatter（data，x ='col1'，y='col2'） 时，Plotly Express 会为数据框中的每一行创建一个小符号标记 - 这就是 px.scatter 的作用 - 并将 “col1” 映射到 x 位置（类似于 y 位置）。 这种方法的强大之处在于它以相同的方式处理所有可视化变量：您可以将数据框列映射到颜色，然后通过更改参数来改变您的想法并将其映射到大小或进行行分面（facet-row）。
接受整个整洁的 dataframe 的列名作为输入（而不是原始的 numpy 向量）也允许 px 为你节省大量的时间，因为它知道列的名称，它可以生成所有的 Plotly.py 配置用于标记图例、轴、悬停框、构面甚至动画帧。 但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告诉 px 用每个函数的 labels 参数替换更好的。
仅接受整洁输入所带来的最终优势是它更直接地支持快速迭代：您整理一次数据集，从那里可以使用 px 创建数十种不同类型的图表，包括在 SPLOM 中可视化多个维度 、使用平行坐标、在地图上绘制，在二维、三维极坐标或三维坐标中使用等，所有这些都不需要重塑您的数据！
在 API 级别，我们在 px 中投入了大量的工作，以确保所有参数都被命名，以便在键入时最大限度地发现：所有 scatter -类似的函数都以 scatter 开头（例如 scatter_polar， scatter_ternary）所以你可以通过自动补全来发现它们。 我们选择拆分这些不同的散点图函数，因此每个散点图函数都会接受一组定制的关键字参数，特别是它们的坐标系。 也就是说，共享坐标系的函数集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的参数，以最大限度地方便学习。 我们还花了很多精力来提出简短而富有表现力的名称，这些名称很好地映射到底层的 Plotly.py 属性，以便于在工作流程中稍后调整到交互的图表中。
最后，Plotly Express 作为一个新的 Python 可视化库，在 Plotly 生态系统下，将会迅速发展。所以不要犹豫，立即开始使用 Plotly Express 吧！
哪个数据可视化工具比较好？
看了一下其他的回答，都是利用现有的可视化软件，这里以Python为例，介绍2个比较好用的可视化包—seaborn和pyecharts，简单易学、容易上手，绘制的图形漂亮、大方、整洁，感兴趣的朋友可以尝试一下，实验环境win10+python3.6+pycharm5.0，主要内容如下：
1.seaborn：这是一个基于matplotlib的可视化包，是对matplotlib更高级的API封装，绘制的图形种类繁多，包括常见的折线图、柱状图、饼状图、箱型图、热力图等，所需的代码量更少，使用起来更方便，下面我简单介绍一下这个包的安装和使用：
程序运行截图如下：
2.pyecharts：这个是echarts提供给python的一个接口，在前端的数据可视化中，可能会用到这个echarts包，借助pyecharts，我们不仅可以绘制出漂亮的柱状图、折线图等，还可以绘制3D图形、地图、雷达图、极坐标系图等，简单好用，非常值得学习，下面我简单介绍一下这个包的安装和使用：
程序运行截图如下：
补充推荐一个Python 新数据可视化模块——Plotly Express 。
Plotly Express
Plotly Express是一个新的高级Python数据可视化库，它是Plotly.py的高级封装，它为复杂的图表提供了一个简单的语法。只需一次导入，大多数绘图只要一个函数调用，接受一个整洁的Pandas dataframe，就可以创建丰富的交互式绘图。
Plotly Express 安装
惯例，使用 pip进行安装。
Plotly Express支持构建图表类型 gapminder数据集说明
我们使用gapminder数据集进行体验 Plotly Express 。
gapminder数据集显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势：包含1952~2007年世界各国家人口、GDP发展与/地区的人均预期寿命和人均GDP 之间的趋势。
散点图scatter
常用参数说明：
使用散点图描述中国人口与GDP增长趋势图
地理散点图scatter_geo
常用参数说明
使用地理散点图描述全球人口与GDP
折线图（line）
常用参数说明
使用折线图描述1952~2007中国与美国人口增长趋势图
条形图(bar)
常用参数说明
使用条形图描述1952~2007中国与美国人口增长趋势图
等值区域图（choropleth）
常用参数说明
使用等值区域图描述各个国家人口数量
目前国内数据可视化工具或产品很多，到底那个工具或者产品是最好的？看了很多数据可视化产品，总结下来分为几大类。
下面我将一一分别进行工具介绍：
一．数据可视化库类
一个纯javascript的数据可视化库，百度的产品，常应用于软件产品开发或者 系统的图表模块，图表种类多，动态可视化效果，开源免费。
评价： 非常好的一个可视化库，图表种类多，可选的主题。Echarts中主要还是以图表为主，没有提供文本和表格方面的展现库，如果有相关需求还需要引入表格和文本方面的其他可视化库。
与echarts相似，同样是可视化库，不过是国外的产品，商用需要付费，文档详尽。
评价： 同样是非常好的一个可视化库，图表种类多。但是同样需要进行二次开发，,没有提供文本和表格方面的展现库。而且因为商用付费，所以能选择echarts肯定不会选择highcharts。
Antv是蚂蚁金服出品的一套数据可视化语法，是国内第一个才用the grammar of Graphics这套理论的可视化库。在提供可视化库同时也提供简单的数据归类分析能力。
评价： 是一个优秀的可视化库，需要进行二次开发。因为采用的是the grammar of Graphics 语法，和echarts相比各有千秋。
二．报表、BI类
由echarts衍生出来的子产品，同样继承了echarts的特点，图表种类多，没有提供文本和表格方面的展现库。Echarts接受json格式的数据，百度图说把数据格式进行了封装，可以通过表格的形式组织数据。
评价：可以把表格数据转换成图表展现形式的工具，支持excel数据导入 ，适合做静态的BI报告。因为数据偏静态，没看到与数据库结合的部分，很难和第三方系统结合展现动态变化的数据，如日报表、月报表、周报表等。
FineReport报表软件是一款纯Java编写的、集数据展示(报表)和数据录入(表单)功能于一身的企业级web报表工具，它“专业、简捷、灵活”的特点和无码理念，仅需简单的拖拽操作便可以设计复杂的中国式报表，搭建数据决策分析系统。
评价： FineReport可以直连数据库，方便快捷的定制各种复杂表样，用来做出固定格式的周报、月报等。它的格式类似于excel界面，特色功能报表制作，报表权限分配，报表管理还有填报，支持多种数据库。
Tableau 是桌面系统中最简单的商业智能工具软件，Tableau 没有强迫用户编写自定义代码，新的控制台也可完全自定义配置。在控制台上，不仅能够监测信息，而且还提供完整的分析能力。Tableau控制台灵活，具有高度的动态性。
评价： 全球知名的BI工具，价格6000元/年/人左右，但是国外产品不花钱不会为你做任何定制化改动，售后很有问题。
FineBI与FineReport都是帆软的产品。首先FineReport作为一款报表工具，主要用于解决提升IT部门的常规/复杂报表开发效率问题；而FineBI是商业智能BI工具，在IT信息部门分类准备好数据业务包的前提下，给与数据，让业务人员或领导自行分析，满足即席数据分析需求，是分析型产品。
FineBI的使用感同Tableau类似，都主张可视化的 探索 性分析，有点像加强版的数据透视表。上手简单，可视化库丰富。可以充当数据报表的门户，也可以充当各业务分析的平台。
评价：FineBI做到了自助式分析，图表类型丰富，数据分析功能较强大，钻取，筛选，分组等功能都有。但是对于普通没有IT基础的人来说，要想真正熟练地掌握finebi，还是有一定的难度的，需要花上几天，但是这个难度相比Excel的VBA学习还是低不少的。
Power BI 是一套商业分析工具，用于在组织中提供见解。可连接数百个数据源、简化数据准备并提供即席分析。生成美观的报表并进行发布，供组织在 Web 和移动设备上使用。每个人都可创建个性化仪表板，获取针对其业务的全方位独特见解。在企业内实现扩展，内置管理和安全性。
评价： 类似于excel的桌面bi工具，功能比excel更加强大。支持多种数据源。价格便宜。但是只能作为单独的bi工具使用，没办法和现有的系统结合到一起。
三．可视化大屏类
提供丰富的模板与图形，支持多数据源，拖拉式布局，支持服务化服务方式和本地部署。整体来说是一款很好的大屏的产品。
评价： 产品不错，就是价格服务版每年5100元/年，本地部署竟然要110万，每年续费也要37万。
前文有介绍过，finereport是一个企业级的报表工具，同时也提供大屏的服务。通过布局、色彩、绑定数据等环节完成大屏的制作。拥有很多自助开发的可视化插件库。
评价： 很优秀的软件，性价比高。学习方面，掌握FineReport的dashboard制作，应该也比较简单的。
五 .专业类（地图、科学计算、机器学习）
很多工具都能实现数据地图，比如echarts，finereport，tableau等。
ggplot2是R语言最流行的第三方扩展包，是RStudio首席科学家Hadley Wickham读博期间的作品，是R相比其他语言一个独领风骚的特点。包名中“gg”是grammar of graphics的简称，是一套优雅的绘图语法。主要用于机器学习绘图。
评价： 机器学习、数学、科学计算领域专业的绘图语言。专业与技术要求都很高，不是专业搞机器学习或者科学计算的工程师，一般不会用到。
Python是一门编成语言,其周边的绘图库也比较丰富比如pandas和matplotlib ,pandas能够绘制线图、柱图、饼图、密度图、散点图等； matplotlib主要是绘制数学函数相关的图如三角函数图、概率模型图等。
评价： 机器学习、数学、科学计算领域专业的绘图语言。专业与技术要求都很高，不是专业搞机器学习或者科学计算的工程师，一般不会用到。
R-ggplot2
ggplot2是R语言最为强大的作图软件包，强于其自成一派的数据可视化理念。当熟悉了ggplot2的基本套路后，数据可视化工作将变得非常轻松而有条理。
技术相关
1. 将数据，数据相关绘图，数据无关绘图分离
这点可以说是ggplot2最为吸引人的一点。众所周知，数据可视化就是将我们从数据中 探索 的信息与图形要素对应起来的过程。
ggplot2将数据，数据到图形要素的映射，以及和数据无关的图形要素绘制分离，有点类似java的MVC框架思想。这让ggplot2的使用者能清楚分明的感受到一张数据分析图真正的组成部分，有针对性的进行开发，调整。
2. 图层式的开发逻辑
在ggplot2中，图形的绘制是一个个图层添加上去的。举个例子来说，我们首先决定 探索 一下身高与体重之间的关系；然后画了一个简单的散点图；然后决定最好区分性别，图中点的色彩对应于不同的性别；然后决定最好区分地区，拆成东中西三幅小图；最后决定加入回归直线，直观地看出趋势。这是一个层层推进的结构过程，在每一个推进中，都有额外的信息被加入进来。在使用ggplot2的过程中，上述的每一步都是一个图层，并能够叠加到上一步并可视化展示出来。
3. 各种图形要素的自由组合
由于ggplot2的图层式开发逻辑，我们可以自由组合各种图形要素，充分自由发挥想象力
基本开发步骤
1. 初始化 – ggplot()
这一步需要设定的是图的x轴，y轴和”美学特征”。基本形式如下：
p
python plotly 怎么使用
Plot.ly是一个用于做分析和可视化的在线工具,Plotly与pandas可以无缝地集成，可以做出很多非常丰富，互动的图表，并且文档非常健全，创建条形图相对简单，另外申请了API密钥后，可以一键将统计图形同步到云端。
下面是一个用Ploty画直方图的例子，我参考的是这篇文章
代码如下
import plotly.plotly as py
import pandas as pd
from plotly.graph_objs import *
from plotly.offline import plot
budget=pd.read_csv("mn-budget-detail-2014.csv")
budget = budget.sort('amount',ascending=False)[:10]
data = Data([
Bar(
x=budget["detail"],
y=budget["amount"]
)
])
layout = Layout(
title='2014 MN Capital Budget',
font=Font(
family='Raleway, sans-serif'
),
showlegend=False,
xaxis=XAxis(
tickangle=-45
),
bargap=0.05
)
fig = Figure(data=data, layout=layout)
Plotly绘图指令速查 - python
线上运行以及绘图效果，欢迎移步 和鲸社区
#terminal里
pip install plotly
import plotly.offline as py
import plotly.graph_objs as go
trace = {'x':[1,2], 'y':[1,2]}
data = [trace]
layout = {}
fig = go.Figure(
data = data, layout = layout)
py.offline.plot(fig)
trace1 = go.Scatter(
x = [1,2], y = [1,2])
trace2 = go.Scatter(
x = [1,2], y = [2,2])
py.iplot([trace1,trace2])
trace1 = go.Scatter(
x = [1,2,3], y = [1,2,3],
text = ['A','B','C'],
textposition = 'top center',
mode = 'markers+text')
data = [trace]
py.iplot(data)
trace = go.Bar(
x = [1,2],
y = [1,2],)
data = [trace]
py.iplot(data)
trace = go.Scatter(
x = [1,2,3],
y = [1,2,3],
marker = dict(
color = ['red','blue','green'],
size = [30,80,200]),
mode = 'markers'
)
py.iplot([trace])
trace = go.Heatmap(
z = [[1,2,3,4],
[5,6,7,8]])
data = [trace]
py.iplot(data)
trace = go.Scatter(
x = [1,2,6],
y = [1,2,0.5],
fill = "tonexty")
data = [trace]
py.iplot(data)
trace1 = go.Scatter(
name = "Calvin",
x = [1,2],
y = [2,1])
trace2 = go.Scatter(
name = "Hobbes",
x = [2,1],
y = [2,1])
layout = go.Layout(
showlegend = True,
# 设置图例相对于左下角的位置
legend = dict(
x = 0.2,
y = 0.5))
data = [trace1, trace2]
fig = go.Figure(data = data, layout = layout)
py.iplot(fig)
trace = go.Scatter(
x = [-1,1,2,3,4],
y = [-1,1,2,3,6])
axis_template = dict(
showgrid = True, #网格
zeroline = True, #是否显示基线,即沿着(0,0)画出x轴和y轴
nticks = 20,
showline = True,
title = 'X axis',
mirror = 'all')
layout = go.Layout(
xaxis = axis_template,
yaxis = axis_template)
data = [trace]
fig = go.Figure(
data = data,
layout = layout)
py.iplot(fig)
trace = go.Histogram(
x = [1,2,3,3,3,4,5])
data = [trace]
py.iplot(data)
trace=go.Box(
x=[1,2,3,3,3,4,5])
data=[trace]
py.iplot(data)
trace=go.Histogram2d(
x=[1,2,3,3,3,4,5],
y=[1,2,3,3,3,4,5])
data=[trace]
py.iplot(data)
trace = dict(
type = 'scattergeo',
lon = [100,400],lat = [0,0],
marker = dict(
color = ['red','blue'],
size = [30,50]),
mode = 'markers')
py.iplot([trace])
import plotly.colors
trace = dict(
type = 'choropleth',
locations = ['AZ','CA','VT'],
locationmode = 'USA-states',
colorscale = 'Viridis',
z = [10,20,40])
layout = dict(geo = dict(scope = 'usa'))
map = go.Figure(data = [trace], layout = layout)
py.iplot(map)
trace=go.Surface(
colorscale='Viridis',
z=[[3,5,8,13],
[21,13,8,5]])
data = [trace]
py.iplot(data)
trace = go.Scatter3d(
x = [9,8,5,1],
y = [1,2,4,8],
z = [11,8,15,3],
mode = 'lines')
data = [trace]
py.iplot(data)
trace = go.Scatter3d(
x = [9,8,5,1],
y = [1,2,4,8],
z = [11,8,15,3],
mode = 'markers')
data = [trace]
py.iplot(data)
Figure {}
data []
trace {}
x,y,z []
color,text,size []
colorscale ABC or []
marker {}
color ABC
symbol ABC
line {}
color ABC
width 123
layout {}
title ABC
xaxis,yaxis {}
scene {}
xaxis,yaxis,zaxis {}
geo {}
legend {}
annotations {}
{} 字典
[] 列表
ABC 字符
123 数字
plotly使用指南
plot.ly
