⑴ 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。
⑵ 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。
⑶ 怎樣用python進行數據可視化
用python進行數據可視化的方法：可以利用可視化的專屬庫matplotlib和seaborn來實現。基於python的繪圖庫為matplotlib提供了完整的2D和有限3D圖形支持。
我們只需藉助可視化的兩個專屬庫（libraries），俗稱matplotlib和seaborn即可。
（推薦教程：Python入門教程）
下面我們來詳細介紹下：
Matplotlib：基於Python的繪圖庫為matplotlib提供了完整的2D和有限3D圖形支持。這對在跨平台互動環境中發布高質量圖片很有用。它也可用於動畫。
Seaborn：Seaborn是一個Python中用於創建信息豐富和有吸引力的統計圖形庫。這個庫是基於matplotlib的。Seaborn提供多種功能，如內置主題、調色板、函數和工具，來實現單因素、雙因素、線性回歸、數據矩陣、統計時間序列等的可視化，以讓我們來進一步構建復雜的可視化。
⑷ python數據可視化--可視化概述
數據可視化是python最常見的應用領域之一，數據可視化是藉助圖形化的手段將一組數據以圖形的形式表達出來，並利用數據分析和開發工具發現其中未知信息的數據處理過程。
在學術界有一句話廣為流傳，A picture worths thousand words，就是一圖值千言。在課堂上，我經常舉的例子就是大家在刷朋友圈的時候如果看到有人轉發一篇題目很吸引人的文章時，我們都會點擊進去，可能前幾段話會很認真地看，文章很長的時候後面就會一目十行，失去閱讀的興趣。
所以將數據、表格和文字等內容用圖表的形式表達出來，既能提高讀者閱讀的興趣，還能直觀表達想要表達的內容。
python可視化庫有很多，下面列舉幾個最常用的介紹一下。
matplotlib
它是python眾多數據可視化庫的鼻祖，也是最基礎的底層數據可視化第三方庫，語言風格簡單、易懂，特別適合初學者入門學習。
seaborn
Seaborn是在matplotlib的基礎上進行了更高級的API封裝，從而使得作圖更加容易，在大多數情況下使用seaborn能做出很具有吸引力的圖，而使用matplotlib就能製作具有更多特色的圖。應該把Seaborn視為matplotlib的補充，而不是替代物。
pyecharts
pyecharts是一款將python與echarts結合的強大的數據可視化工具，生成的圖表精巧，交互性良好，可輕松集成至 Flask，Sanic，Django 等主流 Web 框架，得到眾多開發者的認可。
bokeh
bokeh是一個面向web瀏覽器的互動式可視化庫，它提供了多功能圖形的優雅、簡潔的構造，並在大型數據集或流式數據集上提供高性能的交互性。
python這些可視化庫可以便捷、高效地生成豐富多彩的圖表，下面列舉一些常見的圖表。
柱形圖
條形圖
坡度圖
南丁格爾玫瑰圖
雷達圖
詞雲圖
散點圖
等高線圖
瀑布圖
相關系數圖
散點曲線圖
直方圖
箱形圖
核密度估計圖
折線圖
面積圖
日歷圖
餅圖
圓環圖
馬賽克圖
華夫餅圖
還有地理空間型等其它圖表，就不一一列舉了，下節開始我們先學習matplotlib這個最常用的可視化庫。
⑸ 114 11 個案例掌握 Python 數據可視化--美國氣候研究
自哥本哈根氣候會議之後，全球日益關注氣候變化和溫室效應等問題，並於會後建立了全球碳交易市場，分階段分批次減碳。本實驗獲取了美國 1979 - 2011 年間 NASA 等機構對美國各地日均最高氣溫、降雨量等數據，研究及可視化了氣候相關指標的變化規律及相互關系。
輸入並執行魔法命令 %matplotlib inline， 並去除圖例邊框。
數據集介紹：
本數據集特徵包括美國 49 個州（State），各州所在的地區（Region），統計年（Year），統計月（Month），平均光照（Avg Daily Sunlight），日均最大空氣溫度（Avg Daily Max Air Temperature ），日均最大熱指數（Avg Daily Max Heat Index ），日均降雨量（Avg Daily Precipitation ），日均地表溫度（Avg Day Land Surface Temperature）。
各特徵的年度區間為：
導入數據並查看前 5 行。
篩選美國各大區域的主要氣候指數，通過 sns.distplot 介面繪制指數的分布圖。
從運行結果可知：
光照能量密度（Sunlight），美國全境各地區分布趨勢大致相同，均存在較為明顯的兩個峰（強光照和弱光照）。這是因為非赤道國家受地球公轉影響，四季光照強度會呈現出一定的周期變化規律；
從地理區位能看出，東北部光照低谷明顯低於其他三個區域；
日均最高空氣溫度（Max Air Temperature），美國全境各地區表現出較大差異，東北部和中西部趨勢大致相同，氣溫平緩期較長，且包含一個顯著的尖峰；西部地區平緩期最長，全年最高溫均相對穩定；南部分布則相對更為集中；
日均地表溫度（Land Surface Temperature），與最高空氣溫度類似，不同之處在於其低溫區分布更少；
最大熱指數（Max Heat Index），西部與中西部分布較為一致，偏溫和性溫度，東北部熱指數偏高，南部偏低；
降雨量（Precipitation），西部明顯偏小，南部與東北部大致相同，中西部相對較多。
結合地理知識做一個總結:
東北部及大多數中西部地區，屬於溫帶大陸性氣候，四季分明，夏季悶熱，降雨較多。
西部屬於溫帶地中海氣候，全年氣候溫和，並且乾燥少雨，夏季氣候溫和，最高溫度相對穩定。
南部沿海一帶，終年氣候溫暖，夏季炎熱，雨水充沛。
按月計算美國各地區降雨量均值及標准偏差，以均值 ± 一倍標准偏差繪制各地區降雨量誤差線圖。
從運行結果可知：
在大多數夏季月份，西部地區降雨量遠小於其他地區；
西部地區冬季月降雨量高於夏季月；
中西部地區是較為典型的溫帶大陸性氣候，秋冬降雨逐漸減少，春夏降雨逐漸升高；
南部地區偏向海洋性氣候，全年降雨量相對平均。
需要安裝joypy包。
日均最高氣溫變化趨勢
通過 joypy 包的 joyplot 介面，可以繪制帶堆積效應的直方分布曲線，將 1980 年 - 2008 年的日均最高溫度按每隔 4 年的方式繪制其分布圖，並標注 25%、75% 分位數。
從運行結果可知：
1980 - 2008 年區間，美國全境日均最高溫度分布的低溫區正逐漸升高，同時高溫區正逐漸降低，分布更趨向於集中；
1980 - 2008 年區間，美國全境日均最高溫度的 25% 分位數和 75% 分位數有少量偏離但並不明顯。
日均降雨量變化趨勢
同樣的方式對降雨量數據進行處理並查看輸出結果。
篩選出加州和紐約州的日均降雨量數據，通過 plt.hist 介面繪制降雨量各月的分布圖。
從運行結果可知：
加州地區降雨量多集中在 0 - 1 mm 區間，很少出現大雨，相比而言，紐約州則顯得雨量充沛，日均降雨量分布在 2 - 4 mm 區間。
直方圖在堆積效應下會被覆蓋大多數細節，同時表達聚合、離散效應的箱線圖在此類問題上或許是更好的選擇。
通過 sns.boxplot 介面繪制加州和紐約州全年各月降雨量分布箱線圖.
從箱線圖上，我們可以清晰地對比每個月兩個州的降雨量分布，既可以看到集中程度，例如七月的加州降雨量集中在 0.1 - 0.5 mm 的窄區間，說明此時很少會有大雨；又可以看到離散情況，例如一月的加州，箱線圖箱子（box）部分分布較寬，且上方 10 mm 左右存在一個離散點，說明此時的加州可能偶爾地會出現大到暴雨。
視覺上更為美觀且簡約的是擺動的誤差線圖，實驗 「美國全境降雨量月度分布」 將所有類別標簽的 x 位置均放於同一處，導致誤差線高度重合。可通過調節 x 坐標位置將需要對比的序列緊湊排布。
從輸出結果可以看出，加州冬季的降雨量不確定更強，每年的的十一月至次年的三月，存在降雨量大，且降雨量存在忽多忽少的現象（誤差線長）。
上面的實驗均在研究單變數的分布，但經常性地，我們希望知道任意兩個變數的聯合分布有怎樣的特徵。
核密度估計 ， 是研究此類問題的主要方式之一， sns.kdeplot 介面通過高斯核函數計算兩變數的核密度函數並以等高線的形式繪制核密度。
從運行結果可知：
加州在高溫區和低降雨期存在一個較為明顯的高密度分布區（高溫少雨的夏季）；
紐約州在高溫及低溫區均存在一個高密度的分布區，且在不同溫區降雨量分布都較為均勻。
將美國全境的降雨量與空氣溫度通過 plt.hist2d 介面可視化。
從運行結果可知：
美國全境最高密度的日均高溫溫度區域和降雨量區間分別為，78 F （約等於 25 C）和 2.2 mm 左右，屬於相對舒適的生活氣候區間。
美國全境降雨量與空氣溫度的關系-核密度估計
在上面實驗基礎上，在 x， y 軸上分別通過 sns.rugplot 介面繪制核密度估計的一維分布圖，可在一張繪圖平面上同時獲取聯合分布和單變數分布的特徵。
美國全境降雨量與空氣溫度的關系-散點分布和直方分布
sns.jointplot 介面通過柵格的形式，將單變數分布用子圖的形式進行分別繪制，同時通過散點圖進行雙變數關系的展示，也是一種較好的展現數據分布的方式。
上面兩個實驗研究了雙變數分布的可視化，以下研究 3 變數聚合結果的可視化。
通過 sns.heatmap 介面可實現對透視數據的可視化，其原理是對透視結果的值賦予不同的顏色塊，以可視化其值的大小，並通過顏色條工具量化其值大小。
上面的兩個實驗可視化了各州隨年份日均最高溫度的中位數變化趨勢，從圖中並未看出有較為顯著地變化。
以下通過 t 檢驗的方式查看統計量是否有顯著性差異。stats.ttest_ind 介面可以輸出 1980 年 與 2010 年主要氣候指數的顯著性檢驗統計量及 p 值。
從運行結果可以看出：
檢驗結果拒絕了降雨量相等的原假設，即 1980 年 與 2010 年兩年間，美國降雨量是不同的，同時沒有拒絕日均日照、日均最大氣溫兩個變數相等的原假設，說明氣溫未發生顯著性變化。