中国统计网|Python绘图库讲解：4大常用库你准备学哪个？

本文插图

为什么要写这篇文章？最近有不少粉丝来问我， Python绘图库太多，我知不知道学哪一个？即使我选择了某一个绘图库后，我也不知道怎么学，我不知道第一步做什么，也不知道接下来该怎么做，四个字一学就忘。
其实这也是我当时很困扰的一个问题，我当时在学习完numpy和pandas后，就开始了matplotlib的学习。我反正是非常崩溃的，每次就感觉绘图代码怎么这么多，绘图逻辑完全一团糟，不知道如何动手。
后面随着自己反复的学习，我找到了学习Python绘图库的方法，那就是学习它的绘图原理。正所谓：“知己知彼，百战不殆” ，学会了原理，剩下的就是熟练的问题了。
今天我们就用一篇文章，带大家梳理matplotlib、seaborn、plotly、pyecharts的绘图原理，让大家学起来不再那么费劲！

本文插图

1
matplotlib绘图原理
1. 绘图原理说明通过我自己的学习和理解，我将matplotlib绘图原理高度总结为如下几步：

导库
创建figure画布对象
获取对应位置的axes坐标系对象
调用axes对象，进行对应位置的图形绘制
显示图形

2. 案例说明

# 1.导入相关库import matplotlib as mplimport matplotlib.pyplot as plt# 2.创建figure画布对象figure = plt.figure# 3.获取对应位置的axes坐标系对象axes1 = figure.add_subplot(2,1,1)axes2 = figure.add_subplot(2,1,2)# 4.调用axes对象 ， 进行对应位置的图形绘制axes1.plot([1,3,5,7],[4,9,6,8])axes2.plot([1,2,4,5],[8,4,6,2])# 5.显示图形figure.show

结果如下：

本文插图

2
seaborn绘图原理
在这四个绘图库里面，只有matplotlib和seaborn存在一定的联系，其余绘图库之间都没有任何联系，就连绘图原理也都是不一样的。
seaborn是matplotlib的更高级的封装。因此学习seaborn之前，首先要知道matplotlib的绘图原理。由于seaborn是matplotlib的更高级的封装，对于matplotlib的那些调优参数设置，也都可以在使用seaborn绘制图形之后使用。
我们知道，使用matplotlib绘图，需要调节大量的绘图参数，需要记忆的东西很多。而seaborn基于matplotlib做了更高级的封装，使得绘图更加容易，它不需要了解大量的底层参数，就可以绘制出很多比较精致的图形。不仅如此， seaborn还兼容numpy、pandas数据结构，在组织数据上起了很大作用，从而更大程度上的帮助我们完成数据可视化。
由于seaborn的绘图原理，和matplotlib的绘图原理一致，这里也就不详细介绍了，大家可以参考上面matplotlib的绘图原理，来学习seaborn究竟如何绘图。
1. 案例说明

# 1.导入相关库import seabornas snsimport matplotlib.pyplotas pltdf = pd.read_excel("data.xlsx",sheet_name="数据源")sns.set_style("dark")plt.rcParams["font.sans-serif"] = ["SimHei"]plt.rcParams["axes.unicode_minus"] =False# 注意：estimator表示对分组后的销售数量求和 。 默认是求均值 。 sns.barplot(x="品牌",y="销售数量",data=http://news.hoteastday.com/a/df,color="steelblue",orient="v",estimator=sum)plt.show

结果如下：