### Python 可视化系统与工具概述 Python 提供了多种强大的可视化库，适用于不同的需求场景。以下是几个常用的可视化工具及其特点： #### Matplotlib Matplotlib 是一个基础的绘图库，支持创建静态、动态和交互式的二维图形[^2]。它提供了丰富的自定义选项，适合于科学计算中的数据展示。 ```python import matplotlib.pyplot as plt plt.plot([1, 2, 3], [4, 5, 6]) plt.show() ``` #### Seaborn Seaborn 基于 Matplotlib 构建，专注于统计数据分析的可视化。它的默认样式更加美观，并简化了许多复杂图表的实现过程。 ```python import seaborn as sns sns.set_theme(style="whitegrid") tips = sns.load_dataset("tips") ax = sns.barplot(x="day", y="total_bill", data=tips) ``` #### Plotly Plotly 支持生成高度互动性的图表，非常适合网页端的应用开发。它可以轻松嵌入 HTML 页面中，并提供在线编辑功能。 ```python import plotly.express as px df = px.data.iris() # iris is a pandas DataFrame fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species") fig.show() ``` #### Bokeh Bokeh 同样是一个用于构建交互式图表的库，特别擅长处理大规模数据集。其设计目标是为了让开发者能够快速制作出具有吸引力的数据产品。 ```python from bokeh.plotting import figure, show p = figure(title="simple line example", x_axis_label='x', y_axis_label='y') p.line([1, 2, 3, 4, 5], [6, 7, 2, 4, 5], legend_label='Temp.', line_width=2) show(p) ``` #### PyEcharts PyEcharts 是一款专为中国用户打造的地图和其他类型图表渲染引擎，完全兼容 Jupyter Notebook 并能带来流畅的操作体验[^3]。对于需要中文支持或者特定地理信息表达的任务来说非常实用。 ```python from pyecharts.charts import Bar bar = Bar() bar.add_xaxis(["衬衫","羊毛衫","雪纺衫"]) bar.add_yaxis("商家A",[5, 20, 36]) bar.render_notebook() ``` #### igraph (python-igraph) igraph 主要应用于复杂网络的研究领域，具备高效的算法来解决大型社交网络等问题。如果项目涉及节点间的关系描绘，则此为理想选择之一[^1]。 ```python import igraph as ig g = ig.Graph([(0,1), (0,2)]) layout = g.layout("kk") ig.plot(g, layout=layout) ```