黄伟呢 | 作者

数据分析与统计学之美 | 来源

为什么要写这篇文章？

最近有不少粉丝来问我，Python绘图库太多，我知不知道学哪一个？即使我选择了某一个绘图库后，我也不知道怎么学，我不知道第一步做什么，也不知道接下来该怎么做，四个字一学就忘。

其实这也是我当时很困扰的一个问题，我当时在学习完numpy和pandas后，就开始了matplotlib的学习。我反正是非常崩溃的，每次就感觉绘图代码怎么这么多，绘图逻辑完全一团糟，不知道如何动手。

后面随着自己反复的学习，我找到了学习Python绘图库的方法，那就是学习它的绘图原理。正所谓：“知己知彼，百战不殆”，学会了原理，剩下的就是熟练的问题了。

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！

1matplotlib绘图原理

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

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

结果如下：

2seaborn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。

1. 案例说明

# 1.导入相关库
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_excel("data.xlsx",sheet_name="数据源")

sns.set_style("dark")
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
# 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="品牌",y="销售数量",data=df,color="steelblue",orient="v",estimator=sum)
plt.show()

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。

3plotly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。

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

import numpy as np
import pandas as pd
import plotly as py
import plotly.graph_objs as go
import plotly.expression as px
from plotly import tools

df = pd.read_excel("plot.xlsx")
# 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["年份"],y=df["城镇居民"],name="城镇居民")
trace1 = go.Scatter(x=df["年份"],y=df["农村居民"],name="农村居民")
# 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]
# 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)
# 4.使用`Layout()`添加其他的绘图参数，完善图形。
fig.update_layout(
    title="城乡居民家庭人均收入",
    xaxis_title="年份",
    yaxis_title="人均收入（元）"
)
# 5.展示图形。
fig.show()

结果如下：

4pyecharts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。

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

# 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；
from pyecharts.charts import Line
import pyecharts.options as opts
import numpy as np

x = np.linspace(0,2 * np.pi,100)
y = np.sin(x)

(
 # 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()
 # 3.添加数据，分别给x,y轴添加数据；
 .add_xaxis(xaxis_data=x)
 .add_yaxis(series_name="绘制线图",y_axis=y,label_opts=opts.LabelOpts(is_show=False))
 .set_global_opts(title_opts=opts.TitleOpts(title="我是标题",subtitle="我是副标题",title_link="https://www.baidu.com/"),
                  tooltip_opts=opts.TooltipOpts())
).render_notebook() # 4.render_notebook()用于显示及保存图表；

结果如下：

5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。

- END -

本文已获得作者授权发布，二次转载请联系原作者