Python-可视化学习笔记

一、Python数据可视化框架

        python数据可视化生态非常丰富，如matplotlib、seaborn、plotly、pyecharts、altair等。

        每个可视化框架的特点

工具	特点	使用场景
Matplotlib	基础绘图引擎，高度灵活但代码繁琐 图表类型：支持折线图、柱状图、散点图、饼图等 自定义样式：调整颜色、标签、标题等 数据可视化：广泛应用于数据分析和报告生成	定制化图表开发 学术论文期刊所需的高精度图表​ 企业级定制化数据报告​ 需要完全控制图表细节的场景
Seaborn	统计可视化，非常受欢迎的图形可视化库。基于 Matplotlib 开发，解决了 Matplotlib 的两大痛点：一是内置 10 余种经过美学优化的主题样式，默认图表即具备 publication 品质；二是封装了复杂统计图表的绘制逻辑，如热力图、小提琴图等只需一行代码。 优点：代码简洁 短板：定制深度有限；对于非统计类图表（如地理图）支持较弱	数据分布分析（直方图、核密度图）​ 变量关系探索（散点矩阵、相关性热力图）​ 分组数据对比（箱线图、小提琴图）​ 快速生成符合学术规范的统计图表
Plotly	交互式可视化，适合网页展示 鼠标悬停显示详细数据、滚轮缩放、框选筛选、图表联动等功能。​但交互式功能依赖 JavaScript 渲染，在离线环境下需要额外处理资源文件；复杂图表的渲染速度会随数据量增长明显下降（建议单图数据点控制在 10 万以内）。 图形多样化 在线可编辑 开源免费 图形动态化 颜色绚丽 代码量少 内置丰富数据集 文档健全	数据 dashboard 开发​ 客户演示或内部汇报的动态数据展示​ 需要深度探索的复杂数据集​ 网页嵌入的交互式数据可视化
pyecharts	是一个用于生成 Echarts 图表的类库。Echarts 是百度开源的一个数据可视化 JS 库，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可，用 Echarts 生成的图可视化效果非常好。pyecharts 与 Python 进行对接，在 Python 中直接使用数据生成echarts图表，流程略微复杂但功能强大，图形为交互式。	项目开发和商业分析报告
altair
fact	轻量统计可视化 独特之处在于分析与可视化的无缝衔接，它将数据清洗、统计计算和图表绘制整合为链式操作。例如分析销售数据时，可自动完成异常值检测、趋势分析并生成综合报告，特别适合非技术人员快速上手。​ 局限性在于功能边界清晰，仅聚焦统计分析场景，不支持地理信息、3D 等复杂可视化；定制化程度较低，难以满足高度个性化的设计需求	数据分析初期的快速探索​ 标准化统计报告生成​ 非技术人员的自助式可视化​ 科研实验数据的初步分析
Folium	地理信息可视化 基于 Leaflet.js 实现地理数据展示，支持热力图、标记点、路径规划等功能。只需传入经纬度数据，即可生成可交互的地图图表，且支持导出为 HTML 文件独立运行。​ 仅能处理基础地理数据，复杂的空间分析（如缓冲区分析）需要结合 GeoPandas；地图加载速度受数据量影响较大，百万级 POI 数据会出现明显卡顿。	区域分布数据展示（如门店覆盖范围）​ 地理热点分析（如用户分布热力图）​ 路径轨迹可视化（如物流运输路线）

        待续。。。。