本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理

以下文章来源于数据分析与统计学之美 ，作者黄伟呢

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！

1. matplotlib绘图原理

关于matplotlib更详细的绘图说明，大家可以参考下面这篇文章，相信你看了以后一定学得会。

matplotlib绘图原理：http://suo.im/678FCo

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

<code><span class="hljs-comment"># 1.导入相关库
<span class="hljs-keyword">import matplotlib <span class="hljs-keyword">as mpl
<span class="hljs-keyword">import matplotlib.pyplot <span class="hljs-keyword">as plt
<span class="hljs-comment"># 2.创建figure画布对象
figure = plt.figure()
<span class="hljs-comment"># 3.获取对应位置的axes坐标系对象
axes1 = figure.add_subplot(<span class="hljs-number">2,<span class="hljs-number">1,<span class="hljs-number">1)
axes2 = figure.add_subplot(<span class="hljs-number">2,<span class="hljs-number">1,<span class="hljs-number">2)
<span class="hljs-comment"># 4.调用axes对象，进行对应位置的图形绘制
axes1.plot([<span class="hljs-number">1,<span class="hljs-number">3,<span class="hljs-number">5,<span class="hljs-number">7],[<span class="hljs-number">4,<span class="hljs-number">9,<span class="hljs-number">6,<span class="hljs-number">8])
axes2.plot([<span class="hljs-number">1,<span class="hljs-number">2,<span class="hljs-number">4,<span class="hljs-number">5],[<span class="hljs-number">8,<span class="hljs-number">4,<span class="hljs-number">6,<span class="hljs-number">2])
<span class="hljs-comment"># 5.显示图形
figure.show()
</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>

www#gaodaima.com来源gao@!dai!ma.com搞$$代^@码!网搞代码

结果如下：

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，这里还是提供一个网址给大家。

seaborn绘图原理：http://suo.im/5D3VPX

1）案例说明

<code><span class="hljs-comment"># 1.导入相关库
<span class="hljs-keyword">import seaborn <span class="hljs-keyword">as sns
<span class="hljs-keyword">import matplotlib.pyplot <span class="hljs-keyword">as plt

df = pd.read_excel(<span class="hljs-string">"data.xlsx",sheet_name=<span class="hljs-string">"数据源")

sns.set_style(<span class="hljs-string">"dark")
plt.rcParams[<span class="hljs-string">"font.sans-serif"] = [<span class="hljs-string">"SimHei"]
plt.rcParams[<span class="hljs-string">"axes.unicode_minus"] = <span class="hljs-literal">False
<span class="hljs-comment"># 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=<span class="hljs-string">"品牌",y=<span class="hljs-string">"销售数量",data=df,color=<span class="hljs-string">"steelblue",orient=<span class="hljs-string">"v",estimator=sum)
plt.show()
</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>

结果如下：

注意：可以看到在上述的绘图代码中，你应该有这样一个感受，图中既有matplotlib的绘图代码，也有seaborn的绘图代码。其实就是这样的，我们就是按照matplobt的绘图原理进行图形绘制，只是有些地方改成seaborn特有的代码即可，剩下的调整格式，都可以使用matplotlib中的方法进行调整

3. plotly绘图原理

首先在介绍这个图的绘图原理之前，我们先简单介绍一下plotly这个绘图库。

• plotly是一个基于javascript的绘图库，plotly绘图种类丰富，效果美观；
• 易于保存与分享plotly的绘图结果，并且可以与Web无缝集成；
• ploty默认的绘图结果，是一个HTML网页文件，通过浏览器可以直接查看；

它的绘图原理和matplotlib、seaborn没有任何关系，你需要单独去学习它。同样我还是提供了一个网址给你，让你更详细的学习plotly。

plotly绘图原理：http://suo.im/5vxNTu

1）绘图原理说明

通过我自己的学习和理解，我将plotly绘图原理高度总结为如下几步：

• 绘制图形轨迹，在ployly里面叫做trace，每一个轨迹是一个trace。
• 将轨迹包裹成一个列表，形成一个“轨迹列表”。一个轨迹放在一个列表中，多个轨迹也是放在一个列表中。
• 创建画布的同时，并将上述的轨迹列表，传入到Figure()中。
• 使用Layout()添加其他的绘图参数，完善图形。
• 展示图形。

2）案例说明

<code><span class="hljs-keyword">import numpy <span class="hljs-keyword">as np
<span class="hljs-keyword">import pandas <span class="hljs-keyword">as pd
<span class="hljs-keyword">import plotly <span class="hljs-keyword">as py
<span class="hljs-keyword">import plotly.graph_objs <span class="hljs-keyword">as go
<span class="hljs-keyword">import plotly.expression <span class="hljs-keyword">as px
<span class="hljs-keyword">from plotly <span class="hljs-keyword">import tools

df = pd.read_excel(<span class="hljs-string">"plot.xlsx")
<span class="hljs-comment"># 1.绘制图形轨迹，在ployly里面叫做`trace`，每一个轨迹是一个trace。
trace0 = go.Scatter(x=df[<span class="hljs-string">"年份"],y=df[<span class="hljs-string">"城镇居民"],name=<span class="hljs-string">"城镇居民")
trace1 = go.Scatter(x=df[<span class="hljs-string">"年份"],y=df[<span class="hljs-string">"农村居民"],name=<span class="hljs-string">"农村居民")
<span class="hljs-comment"># 2.将轨迹包裹成一个列表，形成一个“轨迹列表”。一个轨迹放在一个列表中，多个轨迹也是放在一个列表中。
data = [trace0,trace1]
<span class="hljs-comment"># 3.创建画布的同时，并将上述的`轨迹列表`，传入到`Figure()`中。
fig = go.Figure(data)
<span class="hljs-comment"># 4.使用`Layout()`添加其他的绘图参数，完善图形。
fig.update_layout(
    title=<span class="hljs-string">"城乡居民家庭人均收入",
    xaxis_title=<span class="hljs-string">"年份",
    yaxis_title=<span class="hljs-string">"人均收入（元）"
)
<span class="hljs-comment"># 5.展示图形。
fig.show()
</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>

结果如下：

4. pyecharts绘图原理

Echarts是一个由百度开源的数据可视化工具，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而python是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上了数据可视化时，pyecharts诞生了。

pyecharts分为v0.5和v1两个大版本，v0.5和v1两个版本不兼容，v1是一个全新的版本，因此我们的学习尽量都是基于v1版本进行操作。

和plotly一样，pyecharts的绘图原理也是完全不同于matplotlib和seaborn，我们需要额外的去学习它们的绘图原理，基于此，同样提供一个网址给你，让你更详细的学习pyecharts。

pyecharts的绘图原理：http://suo.im/5S1PF1

1）绘图原理说明

通过我自己的学习和理解，我将plotly绘图原理高度总结为如下几步：

• 选择图表类型；
• 声明图形类并添加数据；
• 选择全局变量；
• 显示及保存图表；

2）案例说明

<code><span class="hljs-comment"># 1.选择图表类型：我们使用的是线图，就直接从charts模块中导入Line这个模块；
<span class="hljs-keyword">from pyecharts.charts <span class="hljs-keyword">import Line
<span class="hljs-keyword">import pyecharts.options <span class="hljs-keyword">as opts
<span class="hljs-keyword">import numpy <span class="hljs-keyword">as np

x = np.linspace(<span class="hljs-number">0,<span class="hljs-number">2 * np.pi,<span class="hljs-number">100)
y = np.sin(x)

(
 <span class="hljs-comment"># 2.我们绘制的是Line线图，就需要实例化这个图形类，直接Line()即可；
 Line()
 <span class="hljs-comment"># 3.添加数据，分别给x,y轴添加数据；
 .add_xaxis(xaxis_data=x)
 .add_yaxis(series_name=<span class="hljs-string">"绘制线图",y_axis=y,label_opts=opts.LabelOpts(is_show=<span class="hljs-literal">False))
 .set_global_opts(title_opts=opts.TitleOpts(title=<span class="hljs-string">"我是标题",subtitle=<span class="hljs-string">"我是副标题",title_link=<span class="hljs-string">"https://www.baidu.com/"),
                  tooltip_opts=opts.TooltipOpts())
).render_notebook() <span class="hljs-comment"># 4.render_notebook()用于显示及保存图表；
</span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></span></code>

结果如下：

小结

通过上面的学习，我相信肯定会让大家对于这些库的绘图原理，一定会有一个新的认识。

其实其实不管是任何编程软件的绘图库，都有它的绘图原理。我们与其盲目的去绘制各种各样的图形，不如先搞清楚它们的套路后，再去进行绘图库的图形练习，这样下去，我觉得大家会有一个很大的提高。

喜欢 (0)赏

[搞代码]

分享 (0)