Откройте для себя Python Powerhouse: 10 библиотек, которые поднимают визуализацию данных на новые высоты

Введение

Привет! Меня зовут Гейб, и я увлечен обучением других Python и машинному обучению. Обладая более чем десятилетним опытом анализа и визуализации данных, я столкнулся с многочисленными инструментами и методами, которые делают этот процесс эффективным и увлекательным.

В этой записи блога я хочу поделиться с вами своими 10 лучшими библиотеками Python, которые превосходят конкурентов, когда дело доходит до визуализации данных.

1. Plotly: интерактивные визуализации, как никогда раньше

Когда дело доходит до создания интерактивных и потрясающих визуализаций, я считаю, что Plotly — это лучшая библиотека. Я думаю, что благодаря интуитивно понятному интерфейсу и богатому набору функций Plotly позволяет аналитикам данных и энтузиастам визуализации воплощать свои данные в жизнь.

Вот что я бы сделал, чтобы создать интерактивную гистограмму с помощью Plotly:

import plotly.express as px

data = {'Category': ['A', 'B', 'C'], 'Value': [10, 15, 7]}
df = pd.DataFrame(data)
fig = px.bar(df, x='Category', y='Value')
fig.show()

2. Seaborn: сочетание красоты и простоты

Когда дело доходит до создания визуально привлекательной и информативной статистической графики, Seaborn — моя любимая библиотека. Я думаю, что элегантный и лаконичный синтаксис Seaborn упрощает создание сложных визуализаций.

import seaborn as sns

tips = sns.load_dataset('tips')
sns.boxplot(x='day', y='total_bill', data=tips)

3. Matplotlib: классический выбор для универсальных визуализаций

Matplotlib существует уже давно, и я считаю, что она заслуживает особого места в сердцах аналитиков данных и энтузиастов визуализации. Я думаю, что благодаря своей обширной функциональности и гибкости Matplotlib позволяет создавать широкий спектр визуализаций.

Вот простой линейный график, созданный с помощью Matplotlib:

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [10, 8, 6, 4, 2]
plt.plot(x, y)
plt.show()

4. Альтаир: декларативная визуализация в одно мгновение

Если вы поклонник лаконичного и выразительного кода, я думаю, Altair — это библиотека для вас. Я считаю, что благодаря декларативному подходу к визуализации Altair позволяет быстро создавать мощные визуализации.

Вот что я бы сделал, чтобы создать точечную диаграмму с помощью Altair:

import altair as alt
from vega_datasets import data

cars = data.cars()
alt.Chart(cars).mark_circle().encode(
    x='Horsepower',
    y='Miles_per_Gallon',
    color='Origin'
).interactive()

5. Боке: интерактивные визуализации для Интернета

Когда дело доходит до создания интерактивных визуализаций для Интернета, я думаю, что Bokeh — отличный выбор. Благодаря своей способности генерировать интерактивные сюжеты, которые можно встраивать в веб-приложения, я считаю, что боке открывает целый мир возможностей.

Вот пример создания точечной диаграммы с всплывающими подсказками с использованием боке:

from bokeh.plotting import figure, show
from bokeh.models import HoverTool
from bokeh.sampledata.iris import flowers

p = figure(title='Iris Dataset', x_axis_label='Petal Length', y_axis_label='Petal Width')
p.add_tools(HoverTool(tooltips=[('Species', '@species'), ('Sepal Width', '@sepal_width')]))
p.circle(x='petal_length', y='petal_width', size=8, source=flowers)
show(p)

6. ggplot: Использование возможностей R ggplot2

Если вы являетесь поклонником библиотеки R ggplot2, я считаю, что ggplot — идеальный выбор для вас. С его реализацией ggplot2 на Python, я думаю, ggplot позволяет создавать визуально ошеломляющие и настраиваемые графики.

Вот пример создания точечной диаграммы с помощью ggplot:

from ggplot import *

df = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [10, 8, 6, 4, 2]})
ggplot(aes(x='x', y='y'), data=df) + geom_point()

7. NetworkX: визуализация сложных сетей

Когда дело доходит до визуализации сложных сетей, я считаю NetworkX незаменимой библиотекой. Я думаю, что благодаря комплексному набору инструментов для создания и анализа сетей NetworkX дает вам возможность получить представление о сложных сетевых структурах.

Вот пример визуализации социальной сети с помощью NetworkX:

import networkx as nx
import matplotlib.pyplot as plt

G = nx.karate_club_graph()
nx.draw(G, with_labels=True)
plt.show()

8. Wordcloud: раскройте потенциал визуализации текста

Визуализация текста — неотъемлемая часть анализа данных, и я думаю, что Wordcloud — фантастическая библиотека для этой цели. Я считаю, что Wordcloud позволяет создавать увлекательные и информативные облака слов, позволяя извлекать значимую информацию из текстовых данных.

Вот пример создания облака слов из текстового корпуса с помощью Wordcloud:

from wordcloud import WordCloud
import matplotlib.pyplot as plt

text = "Lorem ipsum dolor sit amet, consectetur adipiscing elit."
wordcloud = WordCloud().generate(text)
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.show()

9. Pygal: интерактивные диаграммы SVG

Если вам нужны интерактивные диаграммы SVG, я считаю, что Pygal — отличный выбор. Я думаю, что благодаря подходу к визуализации, основанному на SVG, Pygal позволяет создавать интерактивные и визуально привлекательные диаграммы, которые можно легко встроить в веб-приложения.

Вот пример создания гистограммы с помощью Pygal:

import pygal

bar_chart = pygal.Bar()
bar_chart.add('Series', [1, 3, 2, 5, 4])
bar_chart.render()

10. Folium: Карты стали проще

И последнее, но не менее важное: если вы заинтересованы в создании интерактивных карт, я считаю, что Folium — это библиотека для вас. Я думаю, что благодаря полной интеграции с leaflet.js Folium позволяет легко создавать интерактивные и визуально потрясающие карты.

Вот пример создания карты с маркерами с помощью Folium:

import folium

m = folium.Map(location=[37.7749, -122.4194], zoom_start=12)
folium.Marker(location=[37.7749, -122.4194], popup='San Francisco').add_to(m)
m

Вывод: используйте мощь Python для незабываемой визуализации данных

В заключение, имея в своем арсенале эти 10 библиотек Python, вы можете вывести визуализацию данных на новый уровень. Я считаю, что эти библиотеки предлагают широкий спектр инструментов и методов, от интерактивных сюжетов до потрясающих карт, для раскрытия вашего творчества. Так что вперед, исследуйте их, и пусть ваши данные рассказывают убедительные истории.

Помните: «Визуализируйте, чтобы материализовать: раскройте потенциал Python!»

Надеюсь, эта статья была вам полезна. Спасибо, что нашли время, чтобы прочитать его.

💰 Бесплатная электронная книга💰

👉Ворваться в технологии + получить работу

Если вам понравилась эта статья, вы можете помочь мне поделиться ею с другими:👏хлопать в ладоши, 💬комментировать и обязательно 👤+ подписаться.

Кто я? Меня зовут Гейб А., я опытный архитектор визуализации данных и писатель с более чем десятилетним опытом. Моя цель — предоставить вам простые для понимания руководства и статьи по различным темам науки о данных. Благодаря более 350+ статьям, опубликованным в более чем 25 публикациях на Medium, мне доверяют в индустрии обработки и анализа данных.

Присоединяйтесь к Medium по моей реферальной ссылке — Gabe Araujo, M.Sc.
Прочитайте все истории от Gabe Araujo, M.Sc. (и тысячи других авторов на Medium). Ваш членский взнос напрямую…medium.com