3款常用的可视化工具Matplotlib、Seaborn和Pandas-编程知识

大家好，Seaborn 是基于 Matplotlib 的扩展库，Pandas 的可视化功能同样也依赖于 Matplotlib。尽管二者都使用相同的底层图形库，但绘制图表的方法却各有千秋。本文将介绍各种柱状图的绘制，比较 Matplotlib、Pandas 和 Seaborn 在数据可视化方面的功能、优势和局限。

1.构建数据图表的基础

先从定义一些虚拟数据和导入所需库开始：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb
import numpy as npdata = {'label': ['I', 'II', 'III', 'IV', 'V', 'VI', 'VII', 'VIII', 'IX', 'X'],'percent': [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0],'remaining': [0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1, 0.0],
}df = pd.DataFrame(data)

创建一个包含三个子图的 Matplotlib 图形，然后分别用 Matplotlib、Pandas 和 Seaborn 绘制三个柱状图。

f, (ax1, ax2, ax3) = plt.subplots(3, figsize=(12, 8))  # matplotlib
ax1.bar(df.label, df.percent)  # pandas
df.plot(x='label', y='percent', kind='bar', ax=ax2)  # seaborn
sb.barplot(x=df.label, y=df.percent, ax=ax3)
plt.show()

虽然绘制的图表在外观上各具特色，采用的生成方法也不尽相同，但它们背后都是由 Matplotlib 的对象构成的，编辑图表的方式方法是一致的。

2.定制化图表设计

绘制好柱状图后，就可以通过与坐标轴、图形以及其他元素的交互来对图表进行个性化定制。

具体来说，既可以利用 Seaborn 提供的函数来进行快速定制，也可以深入到 Matplotlib 的对象层面进行精细调整。Pandas 在简化绘图流程方面有其独到之处，但它主要负责图表的生成，而不提供直接编辑 Matplotlib 对象的功能。

接下来，对图表进行一系列的修改。首先，设置统一的主题风格。然后，利用 Seaborn 的功能去除图上的脊线，并添加必要的标签。最后，通过 Matplotlib 来调整坐标轴的刻度、图表的标题以及图例的样式。

sb.set_theme(style="whitegrid")
f, (ax1, ax2, ax3) = plt.subplots(3, figsize=(10, 16))ax1.bar(df.label, df.percent)
df.plot(x='label', y='percent', kind='bar', ax=ax2)
sb.barplot(x=df.label, y=df.percent, ax=ax3)sb.despine(f)
for ax in [ax1, ax2, ax3]:container = ax.containers[0]labels = ["{:g}%".format(val * 100) for val in container.datavalues]ax.bar_label(container, labels=labels)ax.grid(False)ax.grid(axis='y')ticks = np.arange(0, 1.1, 0.1)tick_labels = ["{:g}%".format(val) for val in ticks]ax.set_yticks(ticks, tick_labels)ax.legend([])ax.get_legend().remove()ax.set_ylabel('Y 轴')ax.set_xlabel('X 轴')ax.set_title('你好，世界', fontsize=16)
plt.show()

3.横向柱状图

要在 Matplotlib 中实现柱状图 90 度旋转，需要将方法.bar 更改为.barh。

对于 Seaborn，如果 X 轴是数值字段且 Y 轴代表字符串字段，那么会自动绘制横向柱状图。若 X 和 Y 轴均为数值字段，则可以通过设置参数orient='h' 来强制图表以水平方式展示。

至于 Pandas，虽然初看之下令人有些困惑，但实际操作起来并不复杂。只需要将绘图类型的参数kind改为 "barh"就行。需要注意的是，在这种情况下，X 轴和 Y 轴的参数是相反的，因此即便标签显示在 Y 轴上，也需要将其作为 X 轴的参数传递。

f, (ax1, ax2, ax3) = plt.subplots(3, figsize=(10, 12))
ax1.barh(df.label, df.percent)df.plot(x='label', y='percent', kind='barh', ax=ax2)sb.barplot(data=df, x='percent', y='label', orient='h', ax=ax3)
sb.despine(f)for ax in [ax1, ax2, ax3]:container = ax.containers[0]labels = ["{:g}%".format(val * 100) for val in container.datavalues]ax.bar_label(container, labels=labels)ax.grid(False)ax.grid(axis='x')ticks = np.arange(0, 1.1, 0.1)tick_labels = ["{:g}%".format(val) for val in ticks]ax.set_xticks(ticks, tick_labels)ax.legend([])ax.get_legend().remove()ax.set_ylabel('Y 轴')ax.set_xlabel('X 轴')ax.set_title('你好，世界', fontsize=16)plt.tight_layout()
plt.show()

4.分组/聚类柱状图

Seaborn 为 Matplotlib 增添了许多强大的功能，Pandas 也提供了简化数据可视化的方法。

使用 Matplotlib 绘制聚类柱状图时，需要确保 X 轴是数值类型，以便于调整柱状的具体位置，同时，通常还需要对每组柱状应用.bar函数。

相较之下，在 Seaborn 和 Pandas 中绘制聚类柱状图更加简便直接。

f, (ax1, ax2, ax3) = plt.subplots(3, figsize=(12, 8))x = np.arange(0, len(df.label))
ax1.bar(x - 0.3, df.percent, width=0.3)
ax1.bar(df.label, df.remaining, width=0.3)df.plot(x='label', y=['percent', 'remaining'], kind='bar', ax=ax2)df2 = df.melt(id_vars=['label'], value_vars=['percent', 'remaining'])
sb.barplot(data=df2, x='label', y='value', hue='variable', ax=ax3)sb.despine(f)for ax in [ax1, ax2, ax3]:for container in ax.containers:values = container.datavalues * 100labels = ["{:g}%".format(val) for val in values]ax.bar_label(container, labels=labels)ax.grid(False)ax.grid(axis='y')ticks = np.arange(0, 1.1, 0.1)tick_labels = ["{:g}%".format(val * 100) for val in ticks]ax.set_yticks(ticks, tick_labels)ax.legend([])ax.get_legend().remove()ax.set_ylabel('Y 轴')ax.set_xlabel('X 轴')ax.set_title('你好，世界', fontsize=16)plt.show()

Pandas 提供了便利，支持通过传递 Y 轴字段的列表来自动绘制聚类柱状图，此时，每个柱状组对应一列数据。

而在 Seaborn 中，可以通过定义 Hue 来控制数据的分组和着色方式。为了实现这一点，需要两列数据：一列用于区分所有的值，另一列则用于指定柱状的类别或组。在上面的例子中，需要对 DataFrame 进行重塑，以适配 Seaborn 的绘图要求。

Seaborn 在美化图表方面表现非常出色，提供的易于使用的函数和多样化的图表类型，为数据可视化增添了许多价值。Pandas 在快速生成图表方面也毫不逊色。无需额外库的辅助，就能够用极简的代码快速生成美观的图表。不过无论是 Seaborn 还是 Pandas，二者都基于 Matplotlib 构建。因此，只要对 Matplotlib 的架构和对象有深刻理解，就能够轻松地定制图表。

此外，可以巧妙地结合这三个库的优势，共同完成可视化任务。可以首先使用 Pandas 快速生成图表框架，然后通过 Seaborn 应用美观的主题样式，最后利用 Matplotlib 对图表的各个细节进行精细打磨。