（点击
上方公众号
，可快速关注）
来源：三次方根
segmentfault.com/a/1190000011831228
如有好文章投稿，请点击 → 这里了解详情
对于以Python作为技术栈的数据科学工作者，Jupyter是不得不提的数据报告工具。可能对于R社区而言，鼎鼎大名的ggplot2是常见的可视化框架，而大家对于Python，以及Jupyter为核心的交互式报告的可个视化方案就并没有那么熟悉。本文试图比较几个常用的解决方案，方便大家选择。
选择标准
称述式还是命令式
数据工作者使用的图的类别，常见的就三类：GIS可视化、网络可视化和统计图。因此，大多数场景下，我们并不想接触非常底层的基于点、线、面的命令，所以，选择一个好的封装的框架相当重要。
当然，公认较好的封装是基于《The Grammar of Graphics (Statistics and Computing)》一书，R中的ggplot2基本上就是一个很好的实现。我们基本上可以像用「自然语言」（Natural Language）一样使用这些绘图命令。我们姑且采用计算机科学领域的「陈述式」来表达这种绘图方式。
相反，有时候，以下情形时，我们可能对于这种绘图命令可能并不在意：
-
出图相当简单，要求绘制速度，一般大的框架较重（当然只是相对而言）；
-
想要对细节做非常详尽的微调，一般大框架在微调方面会相对复杂或者退缩成一句句命令；
-
是统计作图可视化的创新者，想要尝试做出新的可视化实践。
这些情况下，显然，简单操作式并提供底层绘制命令的框架更让人愉快，与上面类似，我们借用「命令式」描述这类框架。
是否交互
与传统的交付静态图标不同，基于Web端的Jupter的一大好处就是可以绘制交互的图标（最近的RNotebook也有实现），因此，是否选择交互式，也是一个需要权衡的地方。
交互图的优势：
-
可以提供更多的数据维度和信息；
-
用户端可以做更多诸如放大、选取、转存的操作；
-
可以交付BI工程师相应的JavaScript代码用以工程化；
-
效果上比较炫酷，考虑到报告接受者的特征可以选择。
非交互图的优势：
-
报告文件直接导出成静态文件时相对问题，不会因为转换而损失信息；
-
图片可以与报告分离，必要时作为其他工作的成果；
-
不需要在运行Notebook时花很多世界载入各类前端框架。
是非内核交互
Jupyter上大多数命令通过以下方式获取数据，而大多数绘图方式事实上只是通过Notebook内的代码在Notebook与内核交互后展示出输出结果。但ipywidgets框架则可以实现Code Cell中的代码与Notebook中的前端控件（比如按钮等）绑定来进行操作内核，提供不同的绘图结果，甚至某些绘图框架的每个元素都可以直接和内核进行交互。
用这些框架，可以搭建更复杂的Notebook的可视化应用，但缺点是因为基于内核，所以在呈递、展示报告时如果使用离线文件时，这些交互就会无效。
框架罗列
matplotlib
最家喻户晓的绘图框架是matplotlib，它提供了几乎所有python内静态绘图框架的底层命令。如果按照上面对可视化框架的分法，matplotlib属于非交互式的的「命令式」作图框架。
## matplotlib代码示例
from
pylab
import
*
X
=
np
.
linspace
(
-
np
.
pi
,
np
.
pi
,
256
,
endpoint
=
True
)
C
,
S
=
np
.
cos
(
X
),
np
.
sin
(
X
)
plot
(
X
,
C
)
plot
(
X
,
S
)
show
()
优点是相对较快，底层操作较多。缺点是语言繁琐，内置默认风格不够美观。
matplotlib在jupyter中需要一些配置，可以展现更好的效果，详情参见这篇文章.
ggplot和plotnine
值得一说，对于R迁移过来的人来说，ggplot和plotnine简直是福音，基本克隆了ggplot2所有语法。横向比较的话，plotnine的效果更好。这两个绘图包的底层依旧是matplotlib，因此，在引用时别忘了使用%matplotlib inline语句。值得一说的是plotnine也移植了ggplot2中良好的配置语法和逻辑。
## plotnine示例
(
ggplot
(
mtcars
,
aes
(
'wt'
,
'mpg'
,
color
=
'factor(gear)'
))
+
geom_point
()
+
stat_smooth
(
method
=
'lm'
)
+
facet_wrap
(
'~gear'
))
Seaborn
seaborn准确上说属于matplotlib的扩展包，在其上做了许多非常有用的封装，基本上可以满足大部分统计作图的需求，以matplotlib+seaborn基本可以满足大部分业务场景，语法也更加「陈述式」。
缺点是封装较高，基本上API不提供的图就完全不可绘制，对于各类图的拼合也不适合；此外配置语句语法又回归「命令式」，相对复杂且不一致。
## seaborn示例
import
seaborn
as
sns
;
sns
.
set
(
color_codes
=
True
)
iris
=
sns
.
load_dataset
(
"iris"
)
species
=
iris
.
pop
(
"species"
)
g
=
sns
.
clustermap
(
iris
)
plotly
plotly是跨平台JavaScript交互式绘图包，由于开发者的核心是javascript，所以整个语法类似于写json配置，语法特质也介于「陈述式」和「命令式」之间，无服务版本是免费的。
有点是学习成本不高，可以很快将语句移植到javascript版本；缺点是语言相对繁琐。
##plotly示例
import
plotly
.
plotly
as
py
import
plotly
.
graph_objs
as
go
# Add data
month
=
[
'January'
,
'February'
,
'March'
,
'April'
,
'May'
,
'June'
,
'July'
,
'August'
,
'September'
,
'October'
,
'November'
,
'December'
]
high_2000
=
[
32.5
,
37.6
,
49.9
,
53.0
,
69.1
,
75.4
,
76.5
,
76.6
,
70.7
,
60.6
,
45.1
,
29.3
]
low_2000
=
[
13.8
,
22.3
,
32.5
,
37.2
,
49.9
,
56.1
,
57.7
,
58.3
,
51.2
,
42.8
,
31.6
,
15.9
]
high_2007
=
[
36.5
,
26.6
,
43.6
,
52.3
,
71.5
,
81.4
,
80.5
,
82.2
,
76.0
,
67.3
,
46.1
,
35.0
]
low_2007
=
[
23.6
,
14.0
,
27.0
,
36.8
,
47.6
,
57.7
,
58.9
,
61.2
,
53.3
,
48.5
,
31.0
,
23.6
]
high_2014
=
[
28.8
,
28.5
,
37.0
,
56.8
,
69.7
,
79.7
,
78.5
,
77.8
,
74.1
,
62.6
,
45.3
,
39.9
]
low_2014
=
[
12.7
,
14.3
,
18.6
,
35.5
,
49.9
,
58.0
,
60.0
,
58.6
,
51.7
,
45.2
,
32.2
,
29.1
]
# Create and style traces
trace0
=
go
.
Scatter
(
x
=
month
,
y
=
high_2014
,
name
=
'High 2014'
,
line
=
dict
(
color
=
(
'rgb(205, 12, 24)'
),
width
=
4
)
)
trace1
=
go
.
Scatter
(
x
=
month
,
y
=
low_2014
,
name
=
'Low 2014'
,
line
=
dict
(
color
=
(
'rgb(22, 96, 167)'
),
width
=
4
,)
)
trace2
=
go
.
Scatter
(
x
=
month
,
y
=
high_2007
,
name
=
'High 2007'
,
line
=
dict
(
color
=
(
'rgb(205, 12, 24)'
),
width
=
4
,
dash
=
'dash'
)
# dash options include 'dash', 'dot', and 'dashdot'
)
trace3
=
go
.
Scatter
(
x
=
month
,
y
=
low_2007
,
name
=
'Low 2007'
,
line
=
dict
(
color
=
(
'rgb(22, 96, 167)'
),
width
=
4
,
dash
=
'dash'
)
)
trace4
=
go
.
Scatter
(
x
=
month
,
y
=
high_2000
,
name
=
'High 2000'
,
line
=
dict
(
color
=
(
'rgb(205, 12, 24)'
),
width
=
4
,
dash
=
'dot'
)
)
trace5
=
go
.
Scatter
(
x
=
month
,
y
=
low_2000
,
name
=
'Low 2000'
,
line
=
dict
(
color
=
(
'rgb(22, 96, 167)'
),
width
=
4
,
dash
=
'dot'
)
)
data
=
[
trace0
,
trace1
,
trace2
,
trace3
,
trace4
,
trace5
]
# Edit the layout
layout
=
dict
(
title
=
'Average High and Low Temperatures in New York'
,
xaxis
=
dict
(
title
=
'Month'
),
yaxis
=
dict
(
title
=
'Temperature (degrees F)'
),
)
fig
=
dict
(
data
=
data
,
layout
=
layout
)
py
.
iplot
(
fig
,
filename
=
'styled-line'
)
注意：此框架在jupyter中使用需要使用init_notebook_mode()加载JavaScript框架。
bokeh
bokeh是pydata维护的比较具有潜力的开源交互可视化框架。
值得一说的是，该框架同时提供底层语句和「陈述式」绘图命令。相对来说语法也比较清楚，但其配置语句依旧有很多可视化框架的问题，就是与「陈述式」命令不符，没有合理的结构。此外，一些常见的交互效果都是以底层命令的方式使用的，因此如果要快速实现Dashboard或者作图时就显得较为不便了。
## Bokeh示例
import
numpy
as
np
import
scipy
.
special
from
bokeh
.
layouts
import
gridplot
from
bokeh
.
plotting
import
figure
,
show
,
output_file
p1
=
figure
(
title
=
"Normal Distribution (μ=0, σ=0.5)"
,
tools
=
"save"
,
background_fill_color
=
"#E8DDCB"
)
mu
,
sigma
=
0
,
0.5
measured
=
np
.
random
.
normal
(
mu
,
sigma
,
1000
)
hist
,
edges
=
np
.
histogram
(
measured
,
density
=
True
,
bins
=
50
)
x
=
np
.
linspace
(
-
2
,
2
,
1000
)
pdf
=
1
/
(
sigma
*
np
.
sqrt
(
2
*
np
.
pi
))
*
np
.
exp
(
-
(
x
-
mu
)
**
2
/
(
2
*
sigma
**
2
))
cdf
=
(
1
+
scipy
.
special
.
erf
((
x
-
mu
)
/
np
.
sqrt
(
2
*
sigma
**
2
)))
/
2
p1
.
quad
(
top
=
hist
,
bottom
