1. 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
2. 探討最受歡迎的15頂級Python庫
1 TensorFlow（貢獻者：1757，貢獻：25756，Stars：116765）
「TensorFlow 是一個使用數據流圖進行數值計算的開源軟體庫。圖形節點表示數學運算，而圖形邊緣表示在它們之間流動的多維數據陣列（張量）。這種靈活的體系結構使用戶可以將計算部署到桌面、伺服器或移動設備中的一個或多個 CPU/GPU，而無需重寫代碼。 」
GitHub 地址：
https://github.com/tensorflow/tensorflow
2 pandas（貢獻者：1360，貢獻：18441，Stars ：17388）
「pandas 是一個 Python 包，、供快速，靈活和富有表現力的數據結構，旨在讓」關系「或」標記「數據使用既簡單又直觀。它的目標是成為用 Python 進行實際，真實數據分析的基礎高級構建塊。」
GitHub 地址：
https://github.com/pandas-dev/pandas
3 scikit-learn（貢獻者：1218，貢獻者：23509，Stars ：32326）
「scikit-learn 是一個基於 NumPy，SciPy 和 matplotlib 的機器學習 Python 模塊。它為數據挖掘和數據分析提供了簡單而有效的工具。SKLearn 所有人都可用，並可在各種環境中重復使用。
GitHub 地址：
https://github.com/scikit-learn/scikit-learn
4 PyTorch（貢獻者：861，貢獻：15362，Stars：22763）
「PyTorch 是一個 Python 包，提供兩個高級功能：
具有強大的 GPU 加速度的張量計算（如 NumPy）
基於磁帶的自動編程系統構建的深度神經網路
你可以重復使用自己喜歡的 Python 軟體包，如 NumPy，SciPy 和 Cython，以便在需要時擴展 PyTorch。」
GitHub 地址：
https://github.com/pytorch/pytorch
5 Matplotlib（貢獻者：778，貢獻：28094，Stars ：8362）
「Matplotlib 是一個 Python 2D 繪圖庫，可以生成各種可用於出版品質的硬拷貝格式和跨平台互動式環境數據。Matplotlib 可用於 Python 腳本，Python 和 IPython shell（例如 MATLAB 或 Mathematica），Web 應用程序伺服器和各種圖形用戶界面工具包。」
GitHub 地址：
https://github.com/matplotlib/matplotlib
6 Keras（貢獻者：856，貢者：4936，Stars ：36450）
「Keras 是一個高級神經網路 API，用 Python 編寫，能夠在 TensorFlow，CNTK 或 Theano 之上運行。它旨在實現快速實驗，能夠以最小的延遲把想法變成結果，這是進行研究的關鍵。」
GitHub 地址：
https://github.com/keras-team/keras
7 NumPy（貢獻者：714，貢獻：19399，Stars：9010）
「NumPy 是使用 Python 進行科學計算所需的基礎包。它提供了強大的 N 維數組對象，復雜的（廣播）功能，集成 C / C ++ 和 Fortran 代碼的工具以及有用的線性代數，傅里葉變換和隨機數功能。
GitHub 地址：
https://github.com/numpy/numpy
8 SciPy（貢獻者：676，貢獻：20180，Stars：5188）
「SciPy（發音為」Sigh Pie「）是數學、科學和工程方向的開源軟體，包含統計、優化、集成、線性代數、傅立葉變換、信號和圖像處理、ODE 求解器等模塊。」
GitHub 地址：
https://github.com/scipy/scipy
9 Apache MXNet（貢獻者：653，貢獻：9060，Stars：15812）
「Apache MXNet（孵化）是一個深度學習框架，旨在提高效率和靈活性，讓你可以混合符號和命令式編程，以最大限度地提高效率和生產力。 MXNet 的核心是一個動態依賴調度程序，可以動態地自動並行化符號和命令操作。」
GitHub 地址：
https://github.com/apache/incubator-mxnet
10 Theano（貢獻者：333，貢獻：28060，Stars ：8614）
「Theano 是一個 Python 庫，讓你可以有效地定義、優化和評估涉及多維數組的數學表達式。它可以使用 GPU 並實現有效的符號區分。」
GitHub 地址：
https://github.com/Theano/Theano
11 Bokeh（貢獻者：334，貢獻：17395，Stars ：8649）
「Bokeh 是一個用於 Python 的互動式可視化庫，可以在現代 Web 瀏覽器中實現美觀且有意義的數據視覺呈現。使用 Bokeh，你可以快速輕松地創建互動式圖表、儀錶板和數據應用程序。」
GitHub 地址：
https://github.com/bokeh/bokeh
12 XGBoost（貢獻者：335，貢獻：3557，Stars：14389）
「XGBoost 是一個優化的分布式梯度增強庫，旨在變得高效、強大、靈活和便攜。它在 Gradient Boosting 框架下實現機器學習演算法。XGBoost 提供了梯度提升決策樹（也稱為 GBDT，GBM），可以快速准確地解決許多數據科學問題，可以在主要的分布式環境（Hadoop，SGE，MPI）上運行相同的代碼，並可以解決數十億個示例之外的問題。」
GitHub 地址：
https://github.com/dmlc/xgboost
13 Gensim（貢獻者：301，貢獻：3687，Stars ：8295）
「Gensim 是一個用於主題建模、文檔索引和大型語料庫相似性檢索的 Python 庫，目標受眾是自然語言處理（NLP）和信息檢索（IR）社區。」
GitHub 地址：
https://github.com/RaRe-Technologies/gensim
14 Scrapy（貢獻者：297，貢獻：6808，Stars ：30507）
「Scrapy 是一種快速的高級 Web 爬行和 Web 抓取框架，用於抓取網站並從其頁面中提取結構化數據。它可用於從數據挖掘到監控和自動化測試的各種用途。」
GitHub 地址：
https://github.com/scrapy/scrapy
15 Caffe（貢獻者：270，貢獻：4152，Stars ：26531）
「Caffe 是一個以表達、速度和模塊化為基礎的深度學習框架，由伯克利人工智慧研究（BAIR）/ 伯克利視覺與學習中心（BVLC）和社區貢獻者開發。」
GitHub 地址：
https://github.com/BVLC/caffe
以上就是2018年最受歡迎的15個庫了，不知有沒有你的菜喔！希望本文對所列出的庫對你有所幫助！
3. python pyecharts怎麼顯示
echarts是什麼？下面是來自官方的介紹：
ECharts，縮寫來自Enterprise Charts，商業級數據圖表，一個純javascript的圖表庫，可以流暢的運行在PC和移動設備上，兼容當前絕大部分瀏覽器（IE6/7/8/9/10/11，chrome，firefox，Safari等），底層依賴輕量級的Canvas類庫ZRender，提供直觀，生動，可交互，可高度個性化定製的數據可視化圖表。創新的拖拽重計算、數據視圖、值域漫遊等特性大大增強了用戶體驗，賦予了用戶對數據進行挖掘、整合的能力。
支持折線圖（區域圖）、柱狀圖（條狀圖）、散點圖（氣泡圖）、K線圖、餅圖（環形圖）、雷達圖（填充雷達圖）、和弦圖、力導向布局圖、地圖、儀表盤、漏斗圖、事件河流圖等12類圖表，同時提供標題，詳情氣泡、圖例、值域、數據區域、時間軸、工具箱等7個可交互組件，支持多圖表、組件的聯動和混搭展現。
作為網路開源的工具，個人覺得這個是難得的良心之作，哈哈哈。
用法
使用echarts還是需要一定的前端知識，這里介紹一個python包–pyecharts，利用幾行代碼輕松生成echarts風格的圖表。
安裝
pip install pyecharts12
實例
from pyecharts import Bar
attr = ["{}month".format(i) for i in range(1, 13)]
attr = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"]
v1 = [2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3]
v2 = [2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3]
bar = Bar("Bar chart", "precipitation and evaporation one year")
bar.add("precipitation", attr, v1, mark_line=["average"], mark_point=["max", "min"])
bar.add("evaporation", attr, v2, mark_line=["average"], mark_point=["max", "min"])
bar.render()
4. Python 中的可視化工具介紹
幾周前，R語言社區經歷了一場關於畫圖工具的討論。對於我們這種外人來說，具體的細節並不重要，但是我們可以將一些有用的觀點運用到 Python 中。討論的重點是 R 語言自帶的繪圖工具 base R 和 Hadley Wickham 開發的繪圖工具 ggplot2 之間的優劣情況。如果你想了解更多細節內容，請閱讀以下幾篇文章：
其中最重要的兩個內容是：
不是所有人都認同第二個觀點，ggplot2確實無法繪制出所有的圖表類型，但是我會利用它來做分析。
以下是 2016 年 4 月寫的關於繪圖工具的概述。出於多方面的原因，繪圖工具的選取更多地取決於個人偏好，因此本文介紹的 Python 繪圖工具也僅代表我的個人使用偏好。
Matplotlib 是一個強大的工具，它是 Pandas' builtin-plotting 和 Seaborn 的基礎。 Matplotlib 能夠繪制許多不同的圖形，還能調用多個級別的許多 API 。我發現 pyplot api 非常好用，你可能用不上 Transforms 或者 artists ，但是如果你有需求的話可以查閱幫助文檔。我將從 pandas 和 seaborn 圖開始介紹，然後介紹如何調用 pyplot 的 API 。
DataFrame 和 Series 擁有 .plot 的命名空間，其中有許多圖形類別可供選擇(line, hist, scatter, 等等)。 Pandas 對象還提供了額外的用於增強圖形展現效果的數據，如索引變數。
由於 pandas 具有更少的向後兼容的限制，所以它具有更好的美學特性。從這方面來說，我認為 pandas 中的 DataFrame.plot 是一個非常實用的快速探索性分析的工具。
Michael Waskom 所開發的 Seaborn 提供了一個高層次的界面來繪制更吸引人統計圖形。 Seaborn 提供了一個可以快速探索分析數據不同特徵的 API 介面，接下來我們將重點介紹它。
Bokeh 是一款針對瀏覽器開發的可視化工具。
和 matplotlib 一樣，**Bokeh
** 擁有一系列 API 介面。比如 glpyhs 介面，該介面和 matplotllib 中的 Artists 介面非常相似，它主要用於繪制環形圖、方形圖和多邊形圖等。最近 Bokeh 又開放了一個新的圖形介面，該介面主要用於處理詞典數據或 DataFrame 數據，並用於繪制罐頭圖。
以下是一些本文沒有提到的可視化工具：
我們將利用 ggplot2 中的 diamonds 數據集，你可以在 Vincent Arelbundock's RDatasets 中找到它(pd.read_csv(' http://vincentarelbundock.github.io/Rdatasets/csv/ggplot2/diamonds.csv') )，此外我們還需要檢測是否已經安裝 feather 。
[站外圖片上傳中……(4)]
Bokeh 提供了兩個 API，一個是低級的 glyph API，另一個是高級的 Charts API。
[站外圖片上傳中……(5)]
還不是很清楚我們應該在啥時候利用 Bokeh 來進行探索性分析，不過它的互動式功能可以激發我的興趣。就個人而言，由於習慣問題我平時仍然一直使用 matplotlib 來繪圖，我還無法完全切換到 Bokeh 中。
我非常喜歡 Bokeh 的儀表盤功能和 bokeh server 的 webapps。
[站外圖片上傳中……(6)]
[站外圖片上傳中……(7)]
[站外圖片上傳中……(8)]
matplotlib 並不局限於處理 DataFrame 數據，它支持所有使用 getitem 作為鍵值的數據類型。
[站外圖片上傳中……(9)]
[站外圖片上傳中……(10)]
我們從列變數的名字中提取出軸標簽，利用 Pandas 可以更加便捷地繪制一系列共享 x 軸數據的圖形。
[站外圖片上傳中……(11)]
[站外圖片上傳中……(12)]
本文中的剩餘部分將重點介紹 seaborn和為什麼我認為它是探索性分析的強大工具。
我強烈建議你閱讀 Seaborn 的 introctory notes，這上面介紹了 seaborn 的設計邏輯和應用領域。
我們可以通過一個穩定的且易懂的 API 介面來調用 Seaborn。
事實上，seaborn 是基於 matplotlib 開發的，這意味著如果你熟悉 pyplot API的話，那麼你可以很容易地掌握 seaborn。
大多數 seaborn 繪圖函數的參數都由 x, y, hue, 和 data 構成(並不是所有的參數都是必須的)。如果你處理的對象是 DataFrame，那麼你可以直接將列變數的名稱和數據集的名稱一同傳遞到繪圖函數中。
[站外圖片上傳中……(13)]
[站外圖片上傳中……(14)]
[站外圖片上傳中……(15)]
[站外圖片上傳中……(16)]
我們可以很輕易地探究兩個變數之間的關系：
[站外圖片上傳中……(17)]
[站外圖片上傳中……(18)]
或者一次探究多個變數之間的關系：
[站外圖片上傳中……(19)]
[站外圖片上傳中……(20)]
pariplot 是 PairGrid 的一個包裝函數，它提供了 seaborn 一個重要的抽象功能——Grid。Seaborn 的 Grid 將 matplotlib 中Figure 和數據集中的變數聯系起來了。
我們有兩種方式可以和 grids 進行交互操作。其一，seaborn 提供了類似於 pairplot 的包裝函數，它提前設置了許多常見任務的參數；其二，如果你需要更多的自定義選項，那麼你可以直接利用 Grid 方法。
[站外圖片上傳中……(21)]
[站外圖片上傳中……(22)]
[站外圖片上傳中……(23)]
34312 rows × 7 columns
[站外圖片上傳中……(24)]
[站外圖片上傳中……(25)]
FaceGrid 可以通過控制分面變數來生成 Grid圖形，其中PairGrid是它的一個特例。接下來的案例中，我們將以數據集中的 cut 變數為分面變數來繪制圖像：
[站外圖片上傳中……(26)]
[站外圖片上傳中……(27)]
最後一個案例展示了如何將 seaborn 和 matplotlib 結合起來。g.axes是matplotlib.Axes的一個數組，g.fig是matplotlib.Figure的一個特例。這是使用 seaborn 時常見的一個模式：利用 seaborn 的方法來繪制圖像，然後再利用 matplotlib 來調整細節部分。
我認為 seaborn 之所以吸引人是因為它的繪圖語法具有很強的靈活性。你不會被作者所設定的圖表類型所局限住，你可以根據自己的需要創建新的圖表。
[站外圖片上傳中……(28)]
[站外圖片上傳中……(29)]
[站外圖片上傳中……(30)]
[站外圖片上傳中……(31)]
本來，我打算準備更多的例子來介紹 seaborn，但是我會將相關鏈接分享給大家。Seaborn 的說明文檔寫的非常詳細。
最後，我們將結合 scikit-learn 來介紹如何利用 GridSearch 來尋找最佳參數。
[站外圖片上傳中……(32)]
[站外圖片上傳中……(33)]
[站外圖片上傳中……(34)]
原文鏈接： http://tomaugspurger.github.io/modern-6-visualization.html
譯者：Fibears
5. Jfreechart能做動態儀表盤嗎
可以。
詳情請看這里：
http://zhaoyl.javaeye.com/blog/235330
6. Python中數據模塊化你不容錯過的庫！
1、Scikit Learn
在沉溺於「深度學習」之前，所有人都應當從使用Scikit Learn來開啟自己的機器學習之旅。Scikit Learn有六大主要模塊，如下：
· 數據預處理
· 維度縮減
· 數據回歸
· 數據分類
· 數據聚類分析
· 模型選擇
只要能用好Scikit Learn，就已經算得上是一名優秀的數據科學家了。
2、Tensorflow
Tensorflow是由谷歌推出的開源機器學習庫。它最受歡迎的功能便是Tensorboard上的數據流圖像。
Tensorboard是一個基於網頁自動生成的儀表盤，它將數據學習流和結果進行了可視化處理，這一功能對於排錯和展示都十分有用。
3、PyTorch
PyTorch是由Facebook發布的一個開源庫，用作Python的公用機器學習框架。與Tensorflow相比，PyTorch的語句更加適用於Python。正因此，學習使用PyTorch也更加容易。
作為一個專注於深度學習的庫，PyTorch還具有非常豐富的應用程序介面函數和內置函數來協助數據科學家更加快捷地訓練自己的深度學習模型。
更多Python知識，請關注Python視頻教程！
7. 製作動態儀表盤完成率意義是什麼
製作動態儀表盤完成率意義是直觀方便。儀表盤是由兩個圓環圖再加上一個餅圖構成。其中，刻度值用於儀表盤的數據標簽，表盤值和顏色值用作圓環圖，指針值用作餅圖。