1. python中除了matplotlib外還有哪些數據可視化的庫
python數據可視化庫有很多，其中這幾個最常見：
第一個：Matplotlib
Matplotlib是python中眾多數據可視化庫的鼻祖，其設計風格與20世紀80年代設計的商業化程序語言MATLAB十分接近，具有很多強大且復雜的可視化功能。Matplotlib包含多種類型的API，可以採用多種方式繪制圖表並對圖表進行定製。
第二個：Seaborn
Seaborn是基於Matplotlib進行高級封裝的可視化庫，它支持互動式界面，使繪制圖表的功能變得更簡單，且圖表的色彩更具吸引力，可以畫出豐富多樣的統計圖表。
第三個：Bokeh
Bokeh是一個互動式的可視化庫，支持使用Web瀏覽器展示，可使用快速簡單的方式將大型數據集轉換成高性能的、可交互的、結構簡單的圖表。
第四個：Pygal
Pygal是一個可縮放矢量圖表庫，用於生成可在瀏覽器中打開的SVG格式的圖表，這種圖表能夠在不同比例的屏幕上自動縮放，方便用戶交互。
第五個：Pyecharts
Pyecharts是一個生成ECharts的庫，生成的ECharts憑借良好的交互性、精巧的設計得到了眾多開發者的認可。
2. Python 數據可視化：分類特徵統計圖
上一課已經體驗到了 Seaborn 相對 Matplotlib 的優勢，本課將要介紹的是 Seaborn 對分類數據的統計，也是它的長項。
針對分類數據的統計圖，可以使用 sns.catplot 繪制，其完整參數如下：
本課使用演繹的方式來學習，首先理解這個函數的基本使用方法，重點是常用參數的含義。
其他的參數，根據名稱也能基本理解。
下面就依據 kind 參數的不同取值，分門別類地介紹各種不同類型的分類統計圖。
讀入數據集：
然後用這個數據集制圖，看看效果：
輸出結果：
毫無疑問，這里繪制的是散點圖。但是，該散點圖的橫坐標是分類特徵 time 中的三個值，並且用 hue='kind' 又將分類特徵插入到圖像中，即用不同顏色的的點代表又一個分類特徵 kind 的值，最終得到這些類別組合下每個記錄中的 pulse 特徵值，並以上述圖示表示出來。也可以理解為，x='time', hue='kind' 引入了圖中的兩個特徵維度。
語句 ① 中，就沒有特別聲明參數 kind 的值，此時是使用默認值 'strip'。
與 ① 等效的還有另外一個對應函數 sns.stripplot。
輸出結果：
② 與 ① 的效果一樣。
不過，在 sns.catplot 中的兩個參數 row、col，在類似 sns.stripplot 這樣的專有函數中是沒有的。因此，下面的圖，只有用 sns.catplot 才能簡潔直觀。
輸出結果：
不過，如果換一個叫角度來說，類似 sns.stripplot 這樣的專有函數，表達簡單，參數與 sns.catplot 相比，有所精簡，使用起來更方便。
仔細比較，sns.catplot 和 sns.stripplot 兩者還是稍有區別的，雖然在一般情況下兩者是通用的。
因此，不要追求某一個是萬能的，各有各的用途，存在即合理。
不過，下面的聲明請注意： 如果沒有非常的必要，比如繪制分區圖，在本課中後續都演示如何使用專有名稱的函數。
前面已經初步解釋了這個函數，為了格式完整，這里再重復一下，即 sns.catplot 中參數 kind='strip'。
如果非要將此函數翻譯為漢語，可以稱之為「條狀散點圖」。以分類特徵為一坐標軸，在另外一個坐標軸上，根據分類特徵，將該分類特徵數據所在記錄中的連續值沿坐標軸描點。
從語句 ② 的結果圖中可以看到，這些點雖然縱軸的數值有相同的，但是沒有將它們重疊。因此，我們看到的好像是「一束」散點，實際上，所有點的橫坐標都應該是相應特徵分類數據，也不要把分類特徵的值理解為一個范圍，分散開僅僅是為了圖示的視覺需要。
輸出結果：
④ 相對 ② 的圖示，在於此時同一縱軸值的都重合了——本來它們的橫軸值都是一樣的。實現此效果的參數是 jitter=0，它可以表示點的「振動」，如果默認或者 jitter=True，意味著允許描點在某個范圍振動——語句 ② 的效果；還可設置為某個 0 到 1 的浮點，表示許可振動的幅度。請對比下面的操作。
輸出結果：
語句 ② 中使用 hue='kind' 參數向圖中提供了另外一個分類特徵，但是，如果感覺圖有點亂，還可以這樣做：
輸出結果：
dodge=True 的作用就在於將 hue='kind' 所引入的特徵數據分開，相對 ② 的效果有很大差異。
並且，在 ⑤ 中還使用了 paletter='Set2' 設置了色彩方案。
sns.stripplot 函數中的其他有關參數，請讀者使用幫助文檔了解。
此函數即 sns.catplot 的參數 kind='swarm'。
輸出結果：
再繪制一張簡單的圖，一遍研究這種圖示的本質。
輸出結果：
此圖只使用了一個特徵的數據，簡化表象，才能探究 sns.swarmplot 的本質。它同樣是將該特徵中的數據，依據其他特徵的連續值在圖中描點，並且所有點在默認情況下不彼此重疊——這方面與 sns.stripplot 一樣。但是，與之不同的是，這些點不是隨機分布的，它們經過調整之後，均勻對稱分布在分類特徵數值所在直線的兩側，這樣能很好地表示數據的分布特點。但是，這種方式不適合「大數據」。
sns.swarmplot 的參數似乎也沒有什麼太特殊的。下面使用幾個，熟悉一番基本操作。
在分類維度上還可以再引入一個維度，用不同顏色的點表示另外一種類別，即使用 hue 參數來實現。
輸出結果：
這里用 hue = 'smoker' 參數又引入了一個分類特徵，在圖中用不同顏色來區分。
如果覺得會 smoker 特徵的值都混在一起有點亂，還可以使用下面方式把他們分開——老調重彈。
輸出結果：
生成此效果的參數就是 dodge=True，它的作用就是當 hue 參數設置了特徵之後，將 hue 的特徵數據進行分類。
sns.catplot 函數的參數 kind 可以有三個值，都是用於繪制分類的分布圖：
下面依次對這三個專有函數進行闡述。
3. Python 數據可視化：Altair 使用全解析
ggplot2 是 R 的作圖工具包，可以使用非常簡單的語句實現非常復雜漂亮的效果。然而不幸的是，ggplot2 並不支持 Python。
在 Python 中，我們常使用 matplotlib 用於可視化圖形，matplotlib是一個很強大的可視化庫，但是它有著很嚴重的局限性。matplotlib 的使用非常靈活，這可以說的上是它的一個優點，但是當我們想為圖形加一個小小的功能的時候，它的繁瑣操作會讓我們舉步維艱。除此之外，matplotlib 的兩種界面（面向對象界面、基於狀態的界面）令人相當困惑，對於新手很不友好。即使對於多年使用 matplotlib 的人而言，他們也無法完全掌握這些操作。最後不得不說的是，用 matplotlib 製作互動式圖表是一件相當困難的事情。
Altair 是 Vega-Lite 的包裝器。Vega-Lite 是 JavaScript 的高級可視化庫，它最最重要的特點是，它的API是基於圖形語法的。
https://github.com/altair-viz/altair
什麼是圖形語法呢？ 圖形語法聽起來有點像一個抽象的功能，值得注意的是，它是 Altair 和其他 Python 可視化庫之間最主要的區別。Altair 符合我們人類可視化數據的方式和習慣，Altair 只需要三個主要的參數：
基於以上三個參數，Altair 將會選擇合理的默認值來顯示我們的數據。
Altair 最讓人著迷的地方是，它能夠合理的選擇顏色。如果我們在 Encoding 中指定 變數類型為量化變數 ，那麼 Altair 將會使用連續的色標來著色（默認為 淺藍色-藍色-深藍色）。如果 變數類型指定為類別變數 ，那麼 Altair 會為每個類別賦予不同的顏色。（例如 紅色，黃色，藍色）
讓我們來看一個具體的例子，如下所示，我們組織了6個國家和它們所對應的人口數據，除此之外，還有相應的收入數據：
首先我們繪制每個國家的人口數據：
4. Python中數據可視化的兩個庫！
1. Matplotlib：是Python中眾多數據可視化庫的鼻祖，其設計風格與20世紀80年代的商業化程序語言MATLAB十分相似，具有很多強大且復雜的可視化功能;還包含了多種類型的API，可以採用多種方式繪制圖標並對圖標進行定製。
2. Seaborn：是基於Matplotlib進行高級封裝的可視化庫，支持互動式界面，使繪制圖表功能變得簡單，且圖表的色彩更具吸引力。
3. ggplot：是基於Matplotlib並旨在以簡單方式提高Matplotlib可視化感染力的庫，採用疊加圖層的形式繪制圖形，比如先繪制坐標軸所在的圖層，再繪制點所在的圖層，最後繪制線所在的圖層，但其並不適用於個性化定製圖形。
4. Boken：是一個互動式的可視化庫，支持使用Web瀏覽器展示，可使用快速簡單的方式將大型數據集轉換成高性能的、可交互的、結構簡單的圖表。
5. Pygal：是一個可縮放矢量圖標庫，用於生成可在瀏覽器中打開的SVG格式的圖表，這種圖表能夠在不同比例的屏幕上自動縮放，方便用戶交互。
6. Pyecharts：是一個生成ECharts的庫，生成的ECharts憑借良好的交互性、精巧的設計得到了眾多開發者的認可。
5. python能幹什麼
1.Web開發
最火的Pythonweb框架Django，支持非同步高並發的Tornado框架，短小精悍的flask,bottle,Django官方的標語把Django定義為theframework for perfectionist with deadlines。
2. 網路編程
支持高並發的Twisted網路框架，py3引入的asyncio使非同步編程變的非常簡單
3. 爬蟲開發
爬蟲領域，Python幾乎是霸主地位，Scrapy/Request/BeautifuSoap/urllib等，想爬啥就爬啥
4. 雲計算開發
目前最火最知名的雲計算框架就是OpenStack,Python現在的火，很大一部分就是因為雲計算市場近幾年的爆發
5. 人工智慧
MASA和Google早期大量使用Python，為什麼Python積累了豐富的科學運算庫，當AI時代來臨後，Python從眾多編程語言中脫穎而出，各種人工智慧演算法都基於Python編寫，由其PyTorch之後，Python作為AI時代頭牌語言的位置基本確立!
6. 自動化運維
問問中國的每個運維人員，運維人員必須會的語言是什麼?10個人詳細會給你一個相同的答案，它的名字叫Python
7. 金融分析
金融公司使用的很多分析程序、高頻交易軟體就是用的Python，目前，Python是金融分析、量化交易領域里用的最多的語言
8. 科學運算
97年開始，NASA就在大量使用Python在進行各種復雜的科學運算，隨著NumPy，SciPy，Matplotlib，Enthought
librarys等眾多程序庫的開發，使得Python越來越適合做科學計算、繪制高質量的2D和3D圖像。和科學計算領域最流行的商業軟體Matlab相比，Python是一門通用的程序設計語言，比Matlab所採用的腳本語言的應用范圍更廣泛
9. 游戲開發
在網路游戲開發中Python也有很多應用。相比Lua or
C++，Python比Lua有更高階的抽象能力，可以用更少的代碼描述游戲業務邏輯，與Lua相比，Python更適合作為一種Host語言，即程序的入口點是在Python那一端會比較好，然後用C/C++在非常必要的時候寫一些擴展。Python非常適合編寫1萬行以上的項目，而且能夠很好地把網游項目的規模控制在10萬行代碼以內。
10. 桌面軟體
雖然大家很少使用桌面軟體了，但是Python在圖形界面開發上也很強大，你可以用tkinter/PyQT框架開發各種桌面軟體!
6. Python中除了matplotlib外還有哪些數據可視化的庫
數據可視化是展示數據、理解數據的有效手段，常用的Python數據可視化庫如下：
1.Matplotlib：第一個Python可視化庫，有許多別的程序庫都是建立在其基礎上或者直接調用該庫，可以很方便地得到數據的大致信息，功能非常強大，但也非常復雜。
2.Seaborn：利用Matplotlib，用簡潔的代碼來製作好看的圖表，與Matplotlib最大的區別為默認繪圖風格和色彩搭配都具有現代美感。
3.ggplot：基於R的一個作圖庫的ggplot2，同時利用了源於《圖像語法》中的概念，允許疊加不同的圖層來完成一幅圖，並不適用於製作非常個性化的圖像，為操作的簡潔度而犧牲了圖像的復雜度。
4.Bokeh：與ggplot很相似，但與ggplot不同之處為它完全基於Python而不是從R處引用。長處在於能用於製作可交互、可直接用於網路的圖表。圖表可以輸出為JSON對象、HTML文檔或者可交互的網路應用。
5.Plotly：可以通過Python notebook使用，與bokeh一樣致力於交互圖表的製作，但提供在別的庫中幾乎沒有的幾種圖表類型，如等值線圖、樹形圖和三維圖表。
6.pygal：與Bokeh和Plotly一樣，提供可直接嵌入網路瀏覽器的可交互圖像。與其他兩者的主要區別在於可將圖表輸出為SVG格式，所有的圖表都被封裝成方法，且默認的風格也很漂亮，用幾行代碼就可以很容易地製作出漂亮的圖表。
7.geoplotlib：用於製作地圖和地理相關數據的工具箱。可用來製作多種地圖，比如等值區域圖、熱度圖、點密度圖等，必須安裝Pyglet方可使用。
8.missingno：用圖像的方式快速評估數據缺失的情況，可根據數據的完整度對數據進行排序或過濾，或者根據熱度圖或樹狀圖對數據進行修正。
7. 強烈推薦一款Python可視化神器！強烈必備！
Plotly Express 是一個新的高級 Python 可視化庫：它是 Plotly.py 的高級封裝，它為復雜的圖表提供了一個簡單的語法。
受 Seaborn 和 ggplot2 的啟發，它專門設計為具有簡潔，一致且易於學習的 API ：只需一次導入，您就可以在一個函數調用中創建豐富的互動式繪圖，包括分面繪圖（faceting）、地圖、動畫和趨勢線。 它帶有數據集、顏色面板和主題，就像 Plotly.py 一樣。
Plotly Express 完全免費：憑借其寬松的開源 MIT 許可證，您可以隨意使用它（是的，甚至在商業產品中！）。
最重要的是，Plotly Express 與 Plotly 生態系統的其他部分完全兼容：在您的 Dash 應用程序中使用它，使用 Orca 將您的數據導出為幾乎任何文件格式，或使用JupyterLab 圖表編輯器在 GUI 中編輯它們！
用 pip install plotly_express 命令可以安裝 Plotly Express。
一旦導入Plotly Express（通常是 px ），大多數繪圖只需要一個函數調用，接受一個整潔的Pandas dataframe，並簡單描述你想要製作的圖。 如果你想要一個基本的散點圖，它只是 px.scatter（data，x =「column_name」，y =「column_name」）。
以下是內置的 Gapminder 數據集的示例，顯示2007年按國家/地區的人均預期壽命和人均GDP 之間的趨勢：
如果你想通過大陸區分它們，你可以使用 color 參數為你的點著色，由 px 負責設置默認顏色，設置圖例等：
這里的每一點都是一個國家，所以也許我們想要按國家人口來衡量這些點...... 沒問題：這里也有一個參數來設置，它被稱為 size：
如果你好奇哪個國家對應哪個點？ 可以添加一個 hover_name ，您可以輕松識別任何一點：只需將滑鼠放在您感興趣的點上即可！ 事實上，即使沒有 hover_name ，整個圖表也是互動的：
也可以通過 facet_col =」continent「 來輕松劃分各大洲，就像著色點一樣容易，並且讓我們使用 x軸 對數（log_x）以便在我們在圖表中看的更清晰：
也許你不僅僅對 2007年 感興趣，而且你想看看這張圖表是如何隨著時間的推移而演變的。 可以通過設置 animation_frame=「year」 （以及 animation_group =「country」 來標識哪些圓與控制條中的年份匹配）來設置動畫。
在這個最終版本中，讓我們在這里調整一些顯示，因為像「gdpPercap」 這樣的文本有點難看，即使它是我們的數據框列的名稱。 我們可以提供更漂亮的「標簽」 （labels），可以在整個圖表、圖例、標題軸和懸停（hovers）中應用。 我們還可以手動設置邊界，以便動畫在整個過程中看起來更棒：
因為這是地理數據，我們也可以將其表示為動畫地圖，因此這清楚地表明 Plotly Express 不僅僅可以繪制散點圖（不過這個數據集缺少前蘇聯的數據）。
事實上，Plotly Express 支持三維散點圖、三維線形圖、極坐標和地圖上三元坐標以及二維坐標。 條形圖（Bar）有二維笛卡爾和極坐標風格。
進行可視化時，您可以使用單變數設置中的直方圖（histograms）和箱形圖（box）或小提琴圖（violin plots），或雙變數分布的密度等高線圖（density contours）。 大多數二維笛卡爾圖接受連續或分類數據，並自動處理日期/時間數據。 可以查看我們的圖庫 (ref-3) 來了解每個圖表的例子。
數據 探索 的主要部分是理解數據集中值的分布，以及這些分布如何相互關聯。 Plotly Express 有許多功能來處理這些任務。
使用直方圖（histograms），箱形圖（box）或小提琴圖（violin plots）可視化單變數分布：
直方圖：
箱形圖：
小提琴圖：
還可以創建聯合分布圖（marginal rugs），使用直方圖，箱形圖（box）或小提琴來顯示雙變數分布，也可以添加趨勢線。 Plotly Express 甚至可以幫助你在懸停框中添加線條公式和R²值！ 它使用 statsmodels 進行普通最小二乘（OLS）回歸或局部加權散點圖平滑（LOWESS）。
在上面的一些圖中你會注意到一些不錯的色標。 在 Plotly Express 中， px.colors 模塊包含許多有用的色標和序列：定性的、序列型的、離散的、循環的以及所有您喜歡的開源包：ColorBrewer、cmocean 和 Carto 。 我們還提供了一些功能來製作可瀏覽的樣本供您欣賞（ref-3）：
定性的顏色序列：
眾多內置順序色標中的一部分：
我們特別為我們的互動式多維圖表感到自豪，例如散點圖矩陣（SPLOMS）、平行坐標和我們稱之為並行類別的並行集。 通過這些，您可以在單個圖中可視化整個數據集以進行數據 探索 。 在你的Jupyter 筆記本中查看這些單行及其啟用的交互：
散點圖矩陣（SPLOM）允許您可視化多個鏈接的散點圖：數據集中的每個變數與其他變數的關系。 數據集中的每一行都顯示為每個圖中的一個點。 你可以進行縮放、平移或選擇操作，你會發現所有圖都鏈接在一起！
平行坐標允許您同時顯示3個以上的連續變數。 dataframe 中的每一行都是一行。 您可以拖動尺寸以重新排序它們並選擇值范圍之間的交叉點。
並行類別是並行坐標的分類模擬：使用它們可視化數據集中多組類別之間的關系。
Plotly Express 之於 Plotly.py 類似 Seaborn 之於 matplotlib：Plotly Express 是一個高級封裝庫，允許您快速創建圖表，然後使用底層 API 和生態系統的強大功能進行修改。 對於Plotly 生態系統，這意味著一旦您使用 Plotly Express 創建了一個圖形，您就可以使用Themes，使用 FigureWidgets 進行命令性編輯，使用 Orca 將其導出為幾乎任何文件格式，或者在我們的 GUI JupyterLab 圖表編輯器中編輯它 。
主題（Themes）允許您控制圖形范圍的設置，如邊距、字體、背景顏色、刻度定位等。 您可以使用模板參數應用任何命名的主題或主題對象：
有三個內置的 Plotly 主題可以使用， 分別是 plotly， plotlywhite 和 plotlydark。
px 輸出繼承自 Plotly.py 的 Figure 類 ExpressFigure 的對象，這意味著你可以使用任何 Figure 的訪問器和方法來改變 px生成的繪圖。 例如，您可以將 .update（） 調用鏈接到 px 調用以更改圖例設置並添加註釋。 .update（） 現在返回修改後的數字，所以你仍然可以在一個很長的 Python 語句中執行此操作：
在這里，在使用 Plotly Express 生成原始圖形之後，我們使用 Plotly.py 的 API 來更改一些圖例設置並添加註釋。
Dash 是 Plotly 的開源框架，用於構建具有 Plotly.py 圖表的分析應用程序和儀錶板。Plotly Express 產生的對象與 Dash 100％兼容，只需將它們直接傳遞到 dash_core_components.Graph，如下所示： dcc.Graph（figure = px.scatter（...））。 這是一個非常簡單的 50行 Dash 應用程序的示例，它使用 px 生成其中的圖表：
這個 50 行的 Dash 應用程序使用 Plotly Express 生成用於瀏覽數據集的 UI 。
可視化數據有很多原因：有時您想要提供一些想法或結果，並且您希望對圖表的每個方面施加很多控制，有時您希望快速查看兩個變數之間的關系。 這是交互與 探索 的范疇。
Plotly.py 已經發展成為一個非常強大的可視化交互工具：它可以讓你控制圖形的幾乎每個方面，從圖例的位置到刻度的長度。 不幸的是，這種控制的代價是冗長的：有時可能需要多行 Python 代碼才能用 Plotly.py 生成圖表。
我們使用 Plotly Express 的主要目標是使 Plotly.py 更容易用於 探索 和快速迭代。
我們想要構建一個庫，它做出了不同的權衡：在可視化過程的早期犧牲一些控制措施來換取一個不那麼詳細的 API，允許你在一行 Python 代碼中製作各種各樣的圖表。 然而，正如我們上面所示，該控制項並沒有消失：你仍然可以使用底層的 Plotly.py 的 API 來調整和優化用 Plotly Express 製作的圖表。
支持這種簡潔 API 的主要設計決策之一是所有 Plotly Express 的函數都接受「整潔」的 dataframe 作為輸入。 每個 Plotly Express 函數都體現了dataframe 中行與單個或分組標記的清晰映射，並具有圖形啟發的語法簽名，可讓您直接映射這些標記的變數，如 x 或 y 位置、顏色、大小、 facet-column 甚至是 動畫幀到數據框（dataframe）中的列。 當您鍵入 px.scatter（data，x ='col1'，y='col2'） 時，Plotly Express 會為數據框中的每一行創建一個小符號標記 - 這就是 px.scatter 的作用 - 並將 「col1」 映射到 x 位置（類似於 y 位置）。 這種方法的強大之處在於它以相同的方式處理所有可視化變數：您可以將數據框列映射到顏色，然後通過更改參數來改變您的想法並將其映射到大小或進行行分面（facet-row）。
接受整個整潔的 dataframe 的列名作為輸入（而不是原始的 numpy 向量）也允許 px 為你節省大量的時間，因為它知道列的名稱，它可以生成所有的 Plotly.py 配置用於標記圖例、軸、懸停框、構面甚至動畫幀。 但是，如上所述，如果你的 dataframe 的列被笨拙地命名，你可以告訴 px 用每個函數的 labels 參數替換更好的。
僅接受整潔輸入所帶來的最終優勢是它更直接地支持快速迭代：您整理一次數據集，從那裡可以使用 px 創建數十種不同類型的圖表，包括在 SPLOM 中可視化多個維度 、使用平行坐標、在地圖上繪制，在二維、三維極坐標或三維坐標中使用等，所有這些都不需要重塑您的數據！
在 API 級別，我們在 px 中投入了大量的工作，以確保所有參數都被命名，以便在鍵入時最大限度地發現：所有 scatter -類似的函數都以 scatter 開頭（例如 scatter_polar， scatter_ternary）所以你可以通過自動補全來發現它們。 我們選擇拆分這些不同的散點圖函數，因此每個散點圖函數都會接受一組定製的關鍵字參數，特別是它們的坐標系。 也就是說，共享坐標系的函數集（例如 scatter， line ＆ bar，或 scatter_polar， line_polar 和 bar_polar ）也有相同的參數，以最大限度地方便學習。 我們還花了很多精力來提出簡短而富有表現力的名稱，這些名稱很好地映射到底層的 Plotly.py 屬性，以便於在工作流程中稍後調整到交互的圖表中。
最後，Plotly Express 作為一個新的 Python 可視化庫，在 Plotly 生態系統下，將會迅速發展。所以不要猶豫，立即開始使用 Plotly Express 吧！
8. python可視化神器——pyecharts庫
無意中從今日頭條中看到的一篇文章，可以生成簡單的圖表。據說一些大數據開發們也是經常用類似的圖表庫，畢竟有現成的，改造下就行，誰會去自己造輪子呢。
pyecharts是什麼？
pyecharts 是一個用於生成 Echarts 圖表的類庫。Echarts 是網路開源的一個數據可視化 JS 庫。用 Echarts 生成的圖可視化效果非常棒， pyecharts 是為了與 Python 進行對接，方便在 Python 中直接使用數據生成圖 。使用pyecharts可以生成獨立的網頁，也可以在flask、django中集成使用。
安裝很簡單：pip install pyecharts
如需使用 Jupyter Notebook 來展示圖表，只需要調用自身實例即可，同時兼容 Python2 和 Python3 的 Jupyter Notebook 環境。所有圖表均可正常顯示，與瀏覽器一致的交互體驗，簡直不要太強大。
參考自pyecharts官方文檔: http://pyecharts.org
首先開始來繪制你的第一個圖表
使用 Jupyter Notebook 來展示圖表，只需要調用自身實例即可
add() 主要方法，用於添加圖表的數據和設置各種配置項
render() 默認將會在根目錄下生成一個 render.html 的文件，文件用瀏覽器打開。
使用主題
自 0.5.2+ 起，pyecharts 支持更換主體色系
使用 pyecharts-snapshot 插件
如果想直接將圖片保存為 png, pdf, gif 格式的文件，可以使用 pyecharts-snapshot。使用該插件請確保你的系統上已經安裝了 Nodejs 環境。
安裝 phantomjs $ npm install -g phantomjs-prebuilt
安裝 pyecharts-snapshot $ pip install pyecharts-snapshot
調用 render 方法 bar.render(path='snapshot.png') 文件結尾可以為 svg/jpeg/png/pdf/gif。請注意，svg 文件需要你在初始化 bar 的時候設置 renderer='svg'。
圖形繪制過程
基本上所有的圖表類型都是這樣繪制的：
chart_name = Type() 初始化具體類型圖表。
add() 添加數據及配置項。
render() 生成本地文件（html/svg/jpeg/png/pdf/gif）。
add() 數據一般為兩個列表（長度一致）。如果你的數據是字典或者是帶元組的字典。可利用 cast() 方法轉換。
多次顯示圖表
從 v0.4.0+ 開始，pyecharts 重構了渲染的內部邏輯，改善效率。推薦使用以下方式顯示多個圖表。如果使是 Numpy 或者 Pandas，可以參考這個示例
當然你也可以採用更加酷炫的方式，使用 Jupyter Notebook 來展示圖表，matplotlib 有的，pyecharts 也會有的
Note： 從 v0.1.9.2 版本開始，廢棄 render_notebook() 方法，現已採用更加 pythonic 的做法。直接調用本身實例就可以了。
比如這樣
還有這樣
如果使用的是自定義類，直接調用自定義類示例即可
圖表配置
圖形初始化
通用配置項
xyAxis：平面直角坐標系中的 x、y 軸。(Line、Bar、Scatter、EffectScatter、Kline)
dataZoom：dataZoom 組件 用於區域縮放，從而能自由關注細節的數據信息，或者概覽數據整體，或者去除離群點的影響。(Line、Bar、Scatter、EffectScatter、Kline、Boxplot)
legend：圖例組件。圖例組件展現了不同系列的標記(symbol)，顏色和名字。可以通過點擊圖例控制哪些系列不顯示。
label：圖形上的文本標簽，可用於說明圖形的一些數據信息，比如值，名稱等。
lineStyle：帶線圖形的線的風格選項(Line、Polar、Radar、Graph、Parallel)
grid3D：3D笛卡爾坐標系組配置項，適用於 3D 圖形。（Bar3D, Line3D, Scatter3D)
axis3D：3D 笛卡爾坐標系 X，Y，Z 軸配置項，適用於 3D 圖形。（Bar3D, Line3D, Scatter3D)
visualMap：是視覺映射組件，用於進行『視覺編碼』，也就是將數據映射到視覺元素（視覺通道）
markLine&markPoint：圖形標記組件，用於標記指定的特殊數據，有標記線和標記點兩種。（Bar、Line、Kline）
tooltip：提示框組件，用於移動或點擊滑鼠時彈出數據內容
toolbox：右側實用工具箱
圖表詳細
Bar（柱狀圖/條形圖）
Bar3D（3D 柱狀圖）
Boxplot（箱形圖）
EffectScatter（帶有漣漪特效動畫的散點圖）
Funnel（漏斗圖）
Gauge（儀表盤）
Geo（地理坐標系）
GeoLines（地理坐標系線圖）
Graph（關系圖）
HeatMap（熱力圖）
Kline/Candlestick（K線圖）
Line（折線/面積圖）
Line3D（3D 折線圖）
Liquid（水球圖）
Map（地圖）
Parallel（平行坐標系）
Pie（餅圖）
Polar（極坐標系）
Radar（雷達圖）
Sankey（桑基圖）
Scatter（散點圖）
Scatter3D（3D 散點圖）
ThemeRiver（主題河流圖）
TreeMap（矩形樹圖）
WordCloud（詞雲圖）
用戶自定義
Grid 類：並行顯示多張圖
Overlap 類：結合不同類型圖表疊加畫在同張圖上
Page 類：同一網頁按順序展示多圖
Timeline 類：提供時間線輪播多張圖
統一風格
註：pyecharts v0.3.2以後，pyecharts 將不再自帶地圖 js 文件。如用戶需要用到地圖圖表，可自行安裝對應的地圖文件包。
地圖文件被分成了三個 Python 包，分別為：
全球國家地圖:
echarts-countries-pypkg
中國省級地圖:
echarts-china-provinces-pypkg
中國市級地圖:
echarts-china-cities-pypkg
直接使用python的pip安裝
但是這里大家一定要注意，安裝完地圖包以後一定要重啟jupyter notebook，不然是無法顯示地圖的。
顯示如下：
總得來說，這是一個非常強大的可視化庫，既可以集成在flask、Django開發中，也可以在做數據分析的時候單獨使用，實在是居家旅行的必備神器啊