这里有8个流行的Python可视化工具包，你喜欢哪个？(2)

Bokeh 很美。从概念上讲，Bokeh 类似于 ggplot，它们都是用图形语法来构建图片，但 Bokeh 具备可以做出专业图形和商业报表且便于使用的界面。为了说明这一点，我根据 538 Masculinity Survey 数据集写了制作直方图的代码：

import pandas as pd 
from bokeh.plotting import figure 
from bokeh.io import show 
 
# is_masc is a one-hot encoded dataframe of responses to the question: 
# "Do you identify as masculine?" 
 
#Dataframe Prep 
counts = is_masc.sum() 
resps = is_masc.columns 
 
#Bokeh 
p2 = figure(title='Do You View Yourself As Masculine?', 
          x_axis_label='Response', 
          y_axis_label='Count', 
          x_range=list(resps)) 
p2.vbar(x=resps, top=counts, width=0.6, fill_color='red', line_color='black') 
show(p2) 
 
#Pandas 

用 Bokeh 表示调查结果

红色的条形图表示 538 个人关于「你认为自己有男子汉气概吗?」这一问题的答案。9~14 行的 Bokeh 代码构建了优雅且专业的响应计数直方图——字体大小、y 轴刻度和格式等都很合理。

我写的代码大部分都用于标记坐标轴和标题，以及为条形图添加颜色和边框。在制作美观且表现力强的图片时，我更倾向于使用 Bokeh——它已经帮我们完成了大量美化工作。

用 Pandas 表示相同的数据

蓝色的图是上面的第 17 行代码。这两个直方图的值是一样的，但目的不同。在探索性设置中，用 Pandas 写一行代码查看数据很方便，但 Bokeh 的美化功能非常强大。

Bokeh 提供的所有便利都要在 matplotlib 中自定义，包括 x 轴标签的角度、背景线、y 轴刻度以及字体(大小、斜体、粗体)等。下图展示了一些随机趋势，其自定义程度更高：使用了图例和不同的颜色和线条。

Bokeh 还是制作交互式商业报表的绝佳工具。

Plotly

Plotly 非常强大，但用它设置和创建图形都要花费大量时间，而且都不直观。在用 Plotly 忙活了大半个上午后，我几乎什么都没做出来，干脆直接去吃饭了。我只创建了不带坐标标签的条形图，以及无法删掉线条的「散点图」。Ploty 入门时有一些要注意的点：

• 安装时要有 API 秘钥，还要注册，不是只用 pip 安装就可以;
• Plotly 所绘制的数据和布局对象是独一无二的，但并不直观;
• 图片布局对我来说没有用(40 行代码毫无意义!)

但它也有优点，而且设置中的所有缺点都有相应的解决方法：

• 你可以在 Plotly 网站和 Python 环境中编辑图片;
• 支持交互式图片和商业报表;
• Plotly 与 Mapbox 合作，可以自定义地图;
• 很有潜力绘制优秀图形。

以下是我针对这个包编写的代码：

#plot 1 - barplot 
# **note** - the layout lines do nothing and trip no errors 
data = [go.Bar(x=team_ave_df.team, 
              y=team_ave_df.turnovers_per_mp)] 
 
layout = go.Layout( 
 
    title=go.layout.Title( 
        text='Turnovers per Minute by Team', 
        xref='paper', 
        x=0 
    ), 
 
    xaxis=go.layout.XAxis( 
        title = go.layout.xaxis.Title( 
            text='Team', 
            font=dict( 
                    family='Courier New, monospace', 
                    size=18, 
                    color='#7f7f7f' 
                ) 
        ) 
    ), 
 
    yaxis=go.layout.YAxis( 
        title = go.layout.yaxis.Title( 
            text='Average Turnovers/Minute', 
            font=dict( 
                    family='Courier New, monospace', 
                    size=18, 
                    color='#7f7f7f' 
                ) 
        ) 
    ), 
 
    autosize=True, 
    hovermode='closest') 
 
py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot', sharing='public', fileopt='overwrite') 
 
 
 
#plot 2 - attempt at a scatterplot 
data = [go.Scatter(x=player_year.minutes_played, 
                  y=player_year.salary, 
                  marker=go.scatter.Marker(color='red', 
                                          size=3))] 
 
layout = go.Layout(title="test", 
                xaxis=dict(title='why'), 
                yaxis=dict(title='plotly')) 
 
py.iplot(figure_or_data=data, layoutlayout=layout, filename='jupyter-plot2', sharing='public') 
 
[Image: image.png] 

表示不同 NBA 球队每分钟平均失误数的条形图

表示薪水和在 NBA 的打球时间之间关系的散点图

（编辑：ASP站长网）