我说棒就棒！略略略！

不知道学姐的粉丝中有多少是学数据分析的，数据分析不仅仅是简单的把数据归类之后写出ppt就行了，不只是“提数机器”。而当数据分析师在跟老板汇报分析结果的时候就要把数据可视化方式，用最直观的方式，让老板了解你对这些数据进行分析之后，给业务能带来什么进步。

掌握可视化库进行分析，能够帮自己清晰的了解业务情况，也是数据分析师必备的技能。学姐今天介绍了5个巨棒的Python数据可视化库，一起学习！

本文主要从特点和优势方面介绍五个数据可视化库。

5 个可视化库是：

1. Matplotlib

2. Seaborn

3. Altair

4. Missingno

5. Folium

Matplotlib

大家通常都是从matplotlib开始数据可视化。matplotlib是最基本的库，也是最重要的库。

特点：

• 它以Numpy作为基础

• 它很像 MATLAB

• 提供了最基础的图表美

• 安装和导入：

• 语法：

上图是基本语法。matplotlib支持很多类型的绘图，有线图、散点图、直方图、条形图等等。

• 它还具有子图的功能，可以在一个画布上看到多个图。

优势：

• 提供对绘图或图形的每个元素的强大控制

• 简单的绘图容易上手

• 支持自定义标签和文本

• 支持多格式输出

• 当所有的绘图都需要在同一张画布上看到时，这是制作子绘图的好方法

• 对于 MATLAB 用户来说非常方便

• 作为初学者的良好开端

Seaborn

它是一个非常有用的数据分析库，Matplotlib用作此库的基础，它以美化图形和绘图而闻名。

特点：

• 它使用 distplot、joint plot、pairplot、boxplot 等绘图进行统计分析。

• 安装和导入：

• 语法：

seaborn 使用不同的绘图类型，根据类型，可以使用一列或两列（x 或 x 和 y）作为绘图。

• 在 set_style() 的帮助下，您可以使用不同的主题并进一步美化绘图。

优势：

• 它为统计分析提供了清晰的可视化

• 借助箱线图和条形图等图表帮助找到分类变量和定量变量之间的关系

• 在热图的帮助下，它使相关矩阵更容易跟踪。

• 提供易于定制的图，例如 distplot，它既是密度图又是直方图。

Altair

另一个可供数据科学家用于统计可视化的优秀替代库，它使用 Vega 和 Vega-lite 作为基础。

特点：

Dataframe 是它所使用的数据类型

• 安装和导入：

• 基本语法：

图表（数据）用于在绘图中输入数据，mark_plottype（）提到绘图类型，encode（）提供有关列或/和形状的信息，其工作方式与上文讨论的seaborn库的色调相同。

优势：

• 只需要为语法提供数据和列名，轴名称可由该函数自动处理，不需要额外的声明。

• 简单简洁的语法

• 几乎所有类型的图都使用相同的代码，具有很大的灵活性。

• 在 graticulate() 函数的帮助下，也可以很好地处理地理数据。

• 在用于聚合的内置语法的帮助下，也可以很好地处理平均值的数据可视化，其他库就没有这么方便。

Missingno

顾名思义，该库用于可视化数据缺失的位置。

在数据科学领域工作的每个人都会遇到缺失值，这是最常见的数据问题类型。在机器学习算法上训练数据之前，处理缺失值是最重要的先决条件之一。

特点：

• 它通常用于查找缺失值

• 热图、条形图、矩阵、散点图等图表有助于可视化数据中的缺失值。

• 安装和导入：

• 语法：

优势：

• 在探索性数据分析阶段非常方便

• 节省时间，因为人们可以通过数据可视化了解确切的缺失值浓度，因此处理变得更容易

• 非常简单的语法

Folium

它是少数致力于可视化地理空间数据的库之一。地理空间数据是地图和位置形式的数据。此类数据主要从 GPS、移动设备、卫星图像和其他资源中检索。

对地理空间数据进行的分析称为地理空间分析。它在天气预报、电信、城市规划等领域有着广泛的应用。

特点：

• 安装和导入：

• 语法：

它需要位置的纬度和经度，并且提供了多种地图样式所依赖的图块样式。

• 标记功能：

这个库的标记功能有助于标记特定位置。

优势：

• 简单易懂的语法

• 标记等功能有助于进一步自定义地图

• 使地理空间分析变得容易，因为它是一个专门的库

总结

数据可视化是构建数据科学模型的最重要步骤之一。数据科学家的工作是借助数据讲故事。

希望大家能够知道、学会并掌握以上学姐总结介绍的这5个库，便捷你的学习和工作！赶紧用起来吧！

你的关注是学姐肝文的动力~么么哒！