Python可视化工具介绍——找到合适的库
Python有很多可视化工具，大体上可以分为基于matplotlib的工具库和基于JS的工具库。
有如此丰富的选择是幸福的，无论你要画什么图，都能找到相对的库。但与此同时，弄清楚使用哪个工具更合适可能非常具有挑战性。本文对常用的一些可视化工具进行介绍，并说明它们之间的主要区别。
可视化工具一览
基于matplotlib的可视化工具
在介绍基于matplotlib的工具之前， 首先介绍一些matplotlib库。正如《Overview of Python Visualization Tools》中所介绍的——“Matplotlib is the grandfather of python visualization packages”——matplotlib是第一个python可视化库，也是使用最广泛的可视化工具之一。它参考MATLAB对低级命令进行了封装，有着非常强大的功能，能绘制绝大多数常用的图，同时支持非常丰富的配置。（参见官网的matplotlib图例）
但随之而来的是复杂性，往往需要相对较多的代码才能得到想要的效果。加之其默认的绘图风格过于简约复古，想要对其美化更是要花些功夫。
- Seaborn
Seaborn是基于matplotlib的可视化库。它提供了一些更美观的配置选项，同时可以用更简单的代码来创建复杂的图。Seaborn封装了很多统计绘图函数，使得在做数据分析时非常方便。
seaborn图例
- Pandas
Pandas基于matplotlib也提供较为简单的API绘制图形，如pandas.tools.plotting。其使用pandas DataFrame进行绘图，这使得可以使用Pandas从分析到绘图无缝衔接。不过想要对图进行进一步的调整，就需要跳入matplotlib进行设置，而无法完全通过pandas进行操作。 - ggplot
与seaborn类似，ggplot也基于matplotlilb，旨在以一种简单的方式改善matplotlib可视化的美化问题。与seaborn的不同之处在于它是 ggplot2为R语言准备的一个端口，所以它的一些api不是基于python而是基于R语言的。ggoplot利用了图形语法的概念，是一种不同的绘图逻辑。
在进行可视化时通常涉及到地理信息的处理。除了常规的折线，柱状图之外，空间分布也是数据可视化中非常重要的一项。Python中一些库则专门处理涉及地理信息图形的工作，比如Basemap，Cartopy等。此外，geopandas扩展了pandas的绘图模块以支持地图和几何操作，并且相比Basemap和Cartopy处理效率相对更高，处理步骤更简单一些。
基于JS的可视化工具
基于matplotlib的可视化工具存在一个很明显的缺点，是其绘图处理速度低，尤其是在实时交互和图形快速更新等方面
对于图基于JS开发的可视化库相对于matpltolib来说，交互可视化正是它的优势。
- Bokeh和HoloViews
Bokeh和HoloViews是开源的交互式可视化库。它们都是属于PyViz生态（可参见PyViz生态）。
HoloViews用于即时可视化数据的声明对象，从方便的高级规范构建Bokeh图
Bokeh致力于在现代Web浏览器中生成可视化效果。它旨在进行交互式Web可视化。 - plotly
plotly区别于其他工具，是企业级分析和可视化的在线工具。其基于开源的可视化框架Dash，并提供了很多语言(比如MATLAB，Python，R等)的接口，并与pandas无缝集成。 - Cufflinks
Cufflinks将Plotly直接绑定到pandas数据帧。结合了Pandas的灵活性，比Plotly更有效，语法甚至比plotly简单。使用plotly的Python库，您可以使用DataFrame的系列和索引来描述图形，但是使用Cufflinks可以直接绘制它。 - GeoViews
GeoViews同样是PyViz的产品，专门用于可视化的地理数据，可以与HoloViews对象混合和匹配。
GeoViews样例
- Folium
Folium是另一个用于绘制空间数据的“神库”，建立在Python生态系统的数据优势和Leaflet.js库的映射优势之上。你可以在python中操作数据，然后通过folium在Leaflet地图中将其可视化。 - Altair
Altair类似Seaborn用于统计可视化。是一种声明性统计可视化库，是JavaScript的高级可视化库Vega-Lite的包装器。Altair的API也是基于图形语法的，数据围绕Pandas Dataframe构建。
总结
根据具体的需要选择更合适的工具，对常见的一些工具库，可以作如下总结。
- 对于没有交互需求的图，可以使用基于matplotlib的工具
对于简单的图表绘制任务，直接使用Pandas是非常方便的。但在对图进行定制化操作是需要使用matplotlib来实现。
对于较为复杂的可视化修以及统计分析需求，Seaborn 有更简便的实现，同时有很好的美化功能。但仍需要 matplotlib 的知识来调整。ggplot也是不错的选择。
对地理空间的可视化需求，则考虑Basemap/Cartopy/geopandas。 - 对于交互可视化，则基于JS的工具有很好的性能
如果需要建立可视化服务器，bokeh 将是一个强大的工具。并用GeoViews来解决地理可视化的需求。
Plotly可以创建最具互动性的图表。可以离线保存，并创建非常丰富的基于web的可视化图表。
对有分析需求的任务可以考虑使用Altair。
参考：
Overview of Python Visualization Tools
Python可视化工具概览
seaborn官网
matplotlib官网
plotly官网
