### Python 图处理与可视化库 Python 提供了多种用于图处理和可视化的库，这些库在数据科学、机器学习以及网络分析领域中扮演着重要角色。以下是一些常用的库及其功能： #### 1. Matplotlib Matplotlib 是一个强大的绘图库，支持生成高质量的图表和图形。通过 `matplotlib.pyplot` 模块，用户可以使用类似于 MATLAB 的函数进行绘图。创建画布是绘图流程的第一步，通常通过 `plt.figure()` 实现[^1]。Matplotlib 支持多种类型的图表，如折线图、柱状图、散点图等。 #### 2. NetworkX NetworkX 是一个专注于复杂网络分析的库，能够轻松创建、操作和研究图结构的数据。它提供了许多算法来分析图的属性，例如最短路径、连通性、中心性等。以下是使用 NetworkX 创建图并绘制的一个简单示例： ```python import networkx as nx import matplotlib.pyplot as plt # 创建一个无向图 G = nx.Graph() # 添加节点 G.add_node(1) G.add_nodes_from([2, 3]) # 添加边 G.add_edge(1, 2) edge = (2, 3) G.add_edge(*edge) # 绘制图 nx.draw(G, with_labels=True, node_color='lightblue', edge_color='gray') plt.show() ``` #### 3. Plotly Plotly 是一个交互式绘图库，支持生成动态且可缩放的图表。与 Matplotlib 不同，Plotly 的图表可以通过鼠标悬停查看详细信息，适合需要更高交互性的应用场景。以下是一个简单的 Plotly 示例： ```python import plotly.express as px # 使用 Plotly 绘制散点图 df = px.data.iris() fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species") fig.show() ``` #### 4. Seaborn Seaborn 是基于 Matplotlib 的高级统计可视化库，提供了更美观的默认样式和更复杂的图表类型。Seaborn 特别适合用于探索性和解释性数据分析。 ```python import seaborn as sns import matplotlib.pyplot as plt # 加载示例数据集 tips = sns.load_dataset("tips") # 绘制箱形图 sns.boxplot(x="day", y="total_bill", data=tips) plt.show() ``` #### 5. Graphviz Graphviz 是一个专门用于绘制有向图的工具，适用于表示层级结构或流程图。虽然 Graphviz 本身不是 Python 库，但可以通过 Python 包 `graphviz` 调用其功能。 ```python from graphviz import Digraph dot = Digraph(comment='The Round Table') dot.node('A', 'King Arthur') dot.node('B', 'Sir Bedevere the Wise') dot.node('L', 'Sir Lancelot the Brave') dot.edges(['AB', 'AL']) dot.edge('B', 'L', constraint='false') print(dot.source) dot.render('test-output/round-table.gv', view=True) ``` ### 总结 对于图处理和可视化，Python 提供了丰富的选择。如果需要绘制静态图表，可以选择 Matplotlib 或 Seaborn；如果关注复杂网络分析，则推荐使用 NetworkX；而交互式图表的需求可以通过 Plotly 来满足。此外，Graphviz 在特定场景下也具有不可替代的优势。