相信很多讀者都聽過 Matplotlib 、 Pyecharts 、 Seaborn 、 Plotly 、 Bokeh 這五大工具，學習Python就是希望做出各種酷炫的可視化圖表，本文就將通過真實繪圖來深度評測這五個Python數據可視化的庫， 看看到底這幾種工具各有什么優缺點，在制作圖表時該如何選擇。

指標說明

為了更清晰的了解這幾款用于可視化的Python在作圖時的異同，本文將使用 同一組數據 分別制作多系列條形圖來對比，主要將通過以下幾個指標來進行評測：

數據說明

本文使用的數據為Pyecharts中的faker數據

from pyecharts.faker import Faker 
x = Faker.choose() 
y1 = Faker.values() 
y2 = Faker.values() 

x為一列品牌名稱，y1/y2為一列相同長度的 無意義 數據，接下來讓我們使用不同的庫對這組數據進行可視化！

Pyecharts

Echarts 是一個由百度開源的數據可視化，憑借著良好的交互性，精巧的圖表設計，得到了眾多開發者的認可。而Python是一門富有表達力的語言，很適合用于數據處理。當數據分析遇上數據可視化時， pyecharts 誕生了，支持 30+ 種圖表 。 在pyecharts中制作條形圖首先需要導入相關庫

from pyecharts import options as opts 
from pyecharts.charts import Bar 

接著是繪圖并不做任何任何調整，首先創建一個Bar實例，接著添加x軸y軸數據，注意 僅接收list格式 數據，最后添加標題并設置在notebook中直接展示。總體來說還是比較符合正常的作圖邏輯，整體 代碼量并不多 。

c = ( 
    Bar() 
    .add_xaxis(x) 
    .add_yaxis("商家A", y1) 
    .add_yaxis("商家B", y2) 
    .set_global_opts(title_opts=opts.TitleOpts(title="Pyecharts—柱狀圖", subtitle="")) 
).render_notebook() 

默認生成的兩系列柱狀圖如下：

可以看到，該圖 支持交互式 展示與點擊，默認生成的樣式也較為美觀，并且Pyecharts有詳細的中文文檔與demo，網上關于Pyecharts的討論也較多，如果是剛接觸的讀者也能比較快的上手。 當然如果對默認樣式不滿意的話，可以進行一些調整，由于 文檔十分完整 ，所以代碼修改起來并不困難，比如可以修改主題并設置一些標 記線、DataZoom，添加小組件等

總體來說，由于Pyecharts是基于Echarts制作的，因此生成圖表比較美觀，并且 官方中文文檔對相關設置講解非常詳細，有關Pyecharts的 討論也非常多 ，所以如果在使用過程中有相關疑問也很容易通過檢索找到答案，但遺憾的是不支持使用pandas中的series數據，需要 轉換為list 才可以使用，不過整體還是讓我很滿意的一款可視化庫。主觀評分: 85 分

Matplotlib

Matplotlib 應該是最廣泛使用的Python可視化工具，支持的圖形種類非常多，使用Matplotlib制作相同效果的圖需要先導入相關庫，并且并不支持原生中文所以還要設置下中文顯示

import matplotlib.pyplot as plt 
import numpy as np 
plt.rcParams['font.sans-serif'] = ['SimHei']  

接著就是繪圖，但是相比較于pyecharts大多是往寫好的代碼里面添加數據、配置不同，matplotlib大多數需要我們自己寫代碼，所以 代碼量可能稍多一點

width = 0.35 
x1 = np.arange(len(x))  
 
fig, ax = plt.subplots() 
rects1 = ax.bar(x1 - width/2, y1, width, label='商家A') 
rects2 = ax.bar(x1 + width/2, y2, width, label='商家B') 
 
ax.set_title('Matplotlib—柱狀圖') 
ax.set_xticks(x1) 
ax.set_xticklabels(x) 
ax.legend() 
 
plt.show() 

最后生成的默認圖像如下

默認配色不是很好看但也沒有很難看，看起來更學術一點，但是 不支持交互式 點擊查看等操作，雖然代碼量更多一點，但是由于Matplotlib的火熱， 網上關于matplotlib的資料比Pyecharts要多很多 ，所以寫代碼與調整代碼的過程也 并不復雜 ，整體主觀評分77分

Plotly

Plotly 也是一款非常強大的Python可視化庫， Plotly內置完整的交互能力及編輯工具，支持在線和離線模式，提供穩定的API以便于現有應用集成，既可以在web瀏覽器中展示數據圖表，也可以存入本地拷貝 。 但是由于官方 未提供中文文檔 ，網上關于Plotly的教程也僅限于官方的一些demo，對于一些詳細的參數設置并 沒有太多資料 ，首先還是先導入相關庫并設置notebook顯示

import plotly 
import plotly.offline as py 
import plotly.graph_objs as go 
plotly.offline.init_notebook_mode(connected=True) 

接下來是繪圖代碼， 首先要對數據先進行處理 ，剩下的基礎配置其實和Pyecharts比較類似

trace0 = go.Bar( 
    x = x, 
    y = y1, 
    name = '商家A', 
) 
trace1 = go.Bar( 
    x = x, 
    y = y2, 
    name = '商家B', 
) 
data = [trace0,trace1] 
layout = go.Layout( 
        title={ 
        'text': "Plotly-柱狀圖", 
        'y':0.9, 
        'x':0.5, 
        'xanchor': 'center', 
        'yanchor': 'top'}) 
fig = go.Figure(data=data, layout=layout) 
py.iplot(fig) 

默認樣式生成的圖如上， 配色也不難看 ，并且可以看到是 支持交互式 操作的，同時是默認添加toolbox小組件，可以更方便的查看， 支持30多種圖形 ，總體來說還是比較優秀的一個可視化工具，但是如果真要熟練使用的話可能需要一點時間用于查找相關資料，因為網上 關于Plotly的資料不多 ，大多是基本使用的簡單教程，如果想查找一些細節的操作比如我為了查找讓標題居中的方法，百度之后用Google在國外某論壇找到類似問題并找到設置，主觀評分： 76 分

Bokeh

Bokeh 是一個專門針對Web瀏覽器的呈現功能的 交互式 可視化Python庫。這是Bokeh與其它可視化庫最核心的區別，它可以做出像 D3.js 簡潔 漂亮的交互可視化效果，但是使用難度低于D3.js，首先還是導入相關庫

from bokeh.transform import dodge 
import pandas as pd 
from bokeh.core.properties import value 
import numpy as np 
import matplotlib.pyplot as plt 
%matplotlib inline 
from bokeh.io import output_notebook 
output_notebook() # 導入notebook繪圖模塊 
from bokeh.plotting import figure,show 
from bokeh.models import ColumnDataSource# 導入圖表繪制、圖標展示模塊 # 導入ColumnDataSource模塊 # 導入dodge、value模塊 

相關依賴比上面三個要多出很多，并且Bokeh有自己的數據結構 ColumnDataSource ，所以要先對數據進行轉換，接著就是創建畫布、添加數據及設置

df = pd.DataFrame({'商家A':y1,'商家B':y2}, 
                 index = x_) 
_x = ['商家A','商家B']    # 系列名 
data = {'index':x_} 
for i in _x: 
    data[i] = df[i].tolist()# 生成數據，數據格式為dict 
source = ColumnDataSource(data=data)# 將數據轉化為ColumnDataSource對象 
 
p = figure(x_range=x_, y_range=(0, 150), plot_height=350, title="boken-柱狀圖",tools="crosshair,pan,wheel_zoom,box_zoom,reset,box_select,lasso_select") 
 
p.vbar(x=dodge('index', -0.1, range=p.x_range), top='商家A', width=0.2, source=source,color="#718dbf", legend=value("商家A")) 
p.vbar(x=dodge('index',  0.1, range=p.x_range), top='商家B', width=0.2, source=source,color="#e84d60", legend=value("商家B"))# dodge(field_name, value, range=None) → 轉換成一個可分組的對象，value為元素的位置（配合width設置） 
p.xgrid.grid_line_color = None 
p.legend.location = "top_left" 
p.legend.orientation = "horizontal" # 其他參數設置 
show(p) 

可以看到，Bokeh做出來的圖也是 支持交互 的，不并且樣式之類的看上去還是比較舒服的，不過上面這張圖是經過調整顏色的，因為默認不對兩個系列進行區分顏色

Bokeh一個很明顯的特點就是 代碼量較上面三個工具要多了很多 ，大多是在 數據的處理 上，并且和Plotly一樣，有關bokeh相關的 中文資料也不多 ，大多是入門型的基本使用于介紹，雖然從官方給出的圖來看能作出很多比pyecharts更精美的圖，但是查找相關參數的設置上將會耗費一定時間，主觀評分 71 分。

Seaborn

從 seaborn 官網給出的標題就知道，seaborn是為了 統計圖表 設計的，它 是一種 基于matplotlib 的圖形可視化庫，也就 是在matplotlib的基礎上進行了更高級的API封裝，從而使得 作圖更加容易 ，在大多數情況下使用seaborn就能做出很具有吸引力的圖，而使用matplotlib就能制作具有更多特色的圖，還是我們的數據，使用Seaborn制作首先需要導入相關庫，由于是基于Matplotlib，所以還是 需要設置中文

import seaborn as sns 
import matplotlib.pyplot as plt 
plt.rcParams['font.sans-serif'] = ['SimHei']  

接下來只要 一行代碼 就能生成我們要的圖，默認配色也沒有顯得很難看

相比上面四種工具，從 代碼量 上來看是非常簡潔的，不過還是要先將 數據轉換 為DataFrame格式，這里沒在代碼中體現，但依舊是 最簡短的代碼 ，同時并不支持交互。并且Seaborn和Plotly、bokeh有一個共同的地方就是雖然強大，但是 網上有關這三個庫的教程、討論都遠少于Pyecharts與Matplotlib ，如果是新手的話可能很難快速通過搜索解決你遇到的問題，而需要自己研究別人的代碼，主觀評分 72 分

小結

以上就是對常見的5個Python數據可視化的評測，可能通過繪制條形圖的方式去給每個工具打分不是非常合適，但我想你應該能夠大致熟悉到每個庫在繪圖時的特點，同時也能在選擇這些工具之前有一個簡單的了解。最后正如我們文中介紹的一樣， 不同工具的應用場景、目標用戶都不完全相同 ，所以我們在選擇工具時需要 先思考自己的使用場景 ，并且需要評估繪制目標圖形的難度，就像有些工具雖然強大但是資料太少，不要為了追求高級的樣式而浪費太多時間！如果你仍在猶豫學習哪一個工具的話，我的意見是 ：熟練掌握一個工具之后，了解其他工具即可 ！