Matplotlib和Plotly是两个在Python中广泛使用的数据可视化库，它们具有丰富的API和功能，用于创建各种类型的图表和图形。在本篇博客中，我们将介绍它们的主要特点和基本用法。
Matplotlib
主要特点：
基本用法：
import matplotlib.pyplot as plt 导入Matplotlib库，通常使用 plt 作为别名。plt.figure() 创建一个图表对象，可以设置图表的大小、分辨率等属性。plt.plot() 绘制折线图、plt.scatter() 绘制散点图、plt.bar() 绘制柱状图等。plt.title()、plt.xlabel()、plt.ylabel() 来设置图表标题和坐标轴标签，使用 plt.legend() 添加图例，使用 plt.grid() 显示网格等。plt.show() 来显示绘制的图表。在Jupyter Notebook等交互式环境中，图表通常会自动显示。Plotly
Plotly的Python库提供了多个API供用户创建交互式可视化图表。以下是Plotly库的一些主要API和其主要功能：
plotly.graph_objects API： 这是Plotly的核心API，允许用户通过创建 go.Figure 对象来绘制各种类型的图表。
go.Figure(): 创建一个新的图表对象。add_trace(): 向图表对象添加数据系列，例如线图、散点图、柱状图等。update_layout(): 设置图表的布局和样式，包括标题、坐标轴标签、图例等。update_xaxes()和update_yaxes(): 设置X轴和Y轴的属性，如刻度、范围等。show(): 显示图表。
plotly.express API： 这是一个更高级的API，可以用更少的代码生成常见类型的图表。它适用于快速可视化和探索性数据分析。
px.line(),px.scatter(),px.bar(): 创建线图、散点图和柱状图等。px.pie(): 创建饼图。px.choropleth(): 创建地图和轮廓地图。- 其他快速可视化函数。
plotly.subplots API： 这个API允许用户创建包含多个子图的复杂布局，用于同时显示多个图表。
make_subplots(): 创建包含多个子图的图表布局。add_trace(): 向子图添加数据系列。update_layout(): 设置整个布局的样式。
plotly.offline API： 用于将Plotly图表保存为本地文件或在离线环境中显示图表。
plot(): 显示图表并将其保存为HTML文件。init_notebook_mode(): 初始化Jupyter Notebook中的Plotly图表显示。
plotly.io API： 用于导出和显示Plotly图表的方法。
write_html(): 将图表导出为HTML文件。write_image(): 将图表导出为图像文件（如PNG、JPEG）。show(): 显示图表。
这些API提供了广泛的选项和功能，允许用户创建各种类型的交互式可视化图表。用户可以根据数据和需求选择适当的API，并使用这些API来定制图表的样式、交互性和显示方式。 Plotly的文档和示例提供了更多关于API的详细信息和用法示例。两者都是非常强大的工具，根据需求选择适当的库来实现数据可视化目标。
样例演示：
使用Matplotlib绘制销售业绩分析图表：
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.pyplot import MultipleLocator
def test01():
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体
x = np.arange(0, 30, 1)
y1 = 3 * np.sin(2 * x) + 2 * x + 1
y2 = 2 * np.cos(2 * x) + 3 * x + 9
plt.figure(figsize=(11, 7))
plt.plot(x, y1, linestyle='-.', color='red', linewidth=5.0)
plt.plot(x, y2, marker='*', color='green', markersize=10)
plt.xlabel('日期', size=16)
plt.ylabel('金额', size=16, rotation=90, verticalalignment='center')
x_major_locator = MultipleLocator(2)
y_major_locator = MultipleLocator(10)
ax = plt.gca()
ax.xaxis.set_major_locator(x_major_locator)
ax.yaxis.set_major_locator(y_major_locator)
plt.tick_params(labelsize=16)
plt.xlim(0, 30)
plt.ylim(0, 100)
plt.legend(labels=['利润额', '销售额'], loc='upper left', fontsize=15)
plt.title('2020年9月份企业商品销售业绩分析', loc='center', size=20)
plt.show()
这个示例代码演示了如何使用Matplotlib库创建销售业绩分析图表，包括自定义样式、标签、刻度等。
这段代码导入了NumPy用于生成数据，Matplotlib库用于绘图，以及用于设置坐标轴刻度间隔的MultipleLocator。
具体实现思路如下：
首先生成销售数据，比如日期、利润额和销售额。这是你需要在图表上展示的数据。这可以通过NumPy来完成，比如：
x = np.arange(0, 30, 1)
profit = 3 * np.sin(2 * x) + 2 * x + 1
sales = 2 * np.cos(2 * x) + 3 * x + 9
接下来，你可以创建一个图表对象。这将是你的绘图画布，你可以在上面绘制图表。设置图表的大小，可以使用下面的代码：
plt.figure(figsize=(11, 7))
然后，你可以使用plt.plot()来绘制销售数据的曲线。你可以自定义线条的样式、颜色和宽度。比如：
plt.plot(x, profit, linestyle='-.', color='red', linewidth=5.0)
plt.plot(x, sales, marker='*', color='green', markersize=10)
接下来，你需要设置坐标轴标签、刻度间隔、刻度标签字体大小和坐标轴范围。这可以使用下面的代码来实现：
plt.xlabel('日期', size=16)
plt.ylabel('金额', size=16, rotation=90, verticalalignment='center')
x_major_locator = MultipleLocator(2)
y_major_locator = MultipleLocator(10)
ax = plt.gca()
ax.xaxis.set_major_locator(x_major_locator)
ax.yaxis.set_major_locator(y_major_locator)
plt.tick_params(labelsize=16)
plt.xlim(0, 30)
plt.ylim(0, 100)
接着，你可以添加图例以区分不同的曲线，并设置图表的标题：
plt.legend(labels=['利润额', '销售额'], loc='upper left', fontsize=15)
plt.title('2020年9月份企业商品销售业绩分析', loc='center', size=20)
最后，你可以使用plt.show()来显示你的图表：
plt.show()
用Pyecharts库创建了一个柱状图
def test02():
from pyecharts.charts import Bar
from pyecharts import options as opts
bar = (
Bar()
.add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"])
.add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])
.add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])
.set_global_opts(title_opts=opts.TitleOpts(title="商家A和商家B9月份销售数量统计",
title_textstyle_opts=opts.TextStyleOpts(font_size=20)),
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=16)),
yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=16)),
toolbox_opts=opts.ToolboxOpts(),
legend_opts=opts.LegendOpts(is_show=True, item_width=40, item_height=20,
textstyle_opts=opts.TextStyleOpts(font_size=16)))
.set_series_opts(label_opts=opts.LabelOpts(font_size=16))
)
bar.render('sales.html')
这段代码是用Pyecharts库创建了一个柱状图，主要展示了两家商家（商家A和商家B）在九月份的销售数量情况。这种图表在比较不同商品销售数据时非常有用。
首先，我们导入所需的库和模块，然后创建一个柱状图对象。我们定义了X轴的标签，这些标签代表不同种类的商品，比如衬衫、毛衣、领带等等。
接下来，我们添加了两个数据系列，分别代表商家A和商家B的销售数据。这些销售数据以列表的形式提供，包括不同商品的销售数量。
然后，我们设置了一些全局选项，如图表的标题、坐标轴标签的字体大小、工具栏选项和图例。标题是"商家A和商家B9月份销售数量统计"，为了使标题更醒目，我们将标题字体大小设置为20。坐标轴标签也有一个合适的字体大小，以确保图表易于阅读。
最后，我们还对数据系列进行了一些选项设置，特别是标签的字体大小。
最终，我们使用.render('sales.html')将生成的图表保存为一个HTML文件，文件名为"sales.html"。这个HTML文件可以在浏览器中打开，以查看和分享这个柱状图，从而更好地了解商家A和商家B的销售情况。
效果展示图：
使用Plotly库来创建一个饼图
def test03():
import plotly.offline as py
import plotly.graph_objects as go
store = ['定远店', '东海店', '海恒店', '金寨店', '燎原店', '临泉店', '庐江店', '明耀店', '众兴店']
consumer = [30, 22, 20, 28, 16, 30, 24, 18, 12]
fig = go.Figure(
data=[go.Pie(labels=store, values=consumer, textinfo='label+percent', insidetextorientation='radial')])
fig.update_layout(
legend_title="客户类型", # 图例标题文本
width=700, height=500, # 设置图像的大小
title=dict(
text="2020年第二季度各门店销售业绩分析",
x=0.5,
xanchor='center',
xref='paper'
),
font=dict(
family="Courier New, monospace", # 标题的字体
size=18, # 标题的大小
color="RebeccaPurple" # 标题的颜色
)
)
py.plot(fig, filename='bingtu.html')
段代码使用了Plotly库来创建一个饼图，用于展示不同门店在2020年第二季度的销售业绩情况。饼图是一种很好的方式来比较各部分在整体中的占比情况。
首先，我们导入了所需的库和模块，包括Plotly的offline和graph_objects。然后，我们定义了两个列表，store和consumer，它们分别包含了门店名称和对应的销售业绩数据。
接下来，我们创建了一个Figure对象，其中使用go.Pie创建了一个饼图。在饼图中，labels参数代表各门店的名称，values参数代表对应的销售业绩数据。textinfo参数设置了饼图上显示的文本信息，这里是标签和百分比，insidetextorientation参数设置了文本方向。
然后，我们使用update_layout来设置图表的布局和样式。这包括设置图表的标题、宽度和高度，以及标题的字体、大小和颜色。
最后，我们使用py.plot将生成的饼图保存为一个HTML文件，文件名为"bingtu.html"。这个HTML文件可以在浏览器中打开，以查看和分享门店销售业绩的饼图，帮助理解不同门店在总销售中的占比情况。这是一种直观的数据可视化方法。
展示图如下：
使用 Pyecharts 库来创建一个地图图表
from pyecharts import options as opts
from pyecharts.charts import Map
# 提供的数据
city_sales = [
("长沙市", 184), ("株洲市", 192), ("湘潭市", 171), ("衡阳市", 131), ("邵阳市", 149),
("岳阳市", 121), ("常德市", 71), ("张家界市", 83), ("益阳市", 88), ("郴州市", 156),
("永州市", 99), ("怀化市", 86), ("娄底市", 65)
]
city_profits = [
("长沙市", 18.4), ("株洲市", 19.2), ("湘潭市", 17.1), ("衡阳市", 13.1), ("邵阳市", 14.9),
("岳阳市", 12.1), ("常德市", 7.1), ("张家界市", 8.3), ("益阳市", 8.8), ("郴州市", 15.6),
("永州市", 9.9), ("怀化市", 8.6), ("娄底市", 6.5)
]
# 整理数据
city_names = [item[0] for item in city_sales]
profit_data = [item[1] for item in city_profits]
# 绘制商品利润额地图
profits_map = (
Map()
.add(
series_name="2020年湖南省各地级市商品利润额", # 添加数据的系列名称
data_pair=[(city, profit) for city, profit in zip(city_names, profit_data)], # 添加地图数据，包括城市名和商品利润额
maptype="湖南", # 地图类型为湖南
is_map_symbol_show=True, # 显示城市名
)
.set_series_opts(
label_opts=opts.LabelOpts(is_show=True), # 设置标签选项，这里是显示标签
)
.set_global_opts(
title_opts=opts.TitleOpts(
title="2020年湖南省各地级市商品利润额",
subtitle="数据来源：湖南省统计局",
pos_right="10px",
pos_top="20px",
),
visualmap_opts=opts.VisualMapOpts(max_=max(profit_data)),
)
)
# 生成 HTML 文件
profits_map.render("湖南省商品利润额地图.html")
这段代码使用了 Pyecharts 库来创建一个地图图表，用于展示湖南省各地级市在2020年的商品利润额情况。以下是代码的口语叙述：
首先，我们导入了所需的库和模块，包括 Pyecharts 的选项模块 opts 和地图图表模块 Map。
然后，我们提供了两个数据列表 city_sales 和 city_profits，分别包含了各地级市的销售额和商品利润额数据。这些数据是根据不同城市的统计信息整理而来。
接下来，我们提取了城市名称和商品利润额的数据，以便用于地图图表的绘制。
然后，我们创建了一个地图图表对象 profits_map。在这个图表中，我们使用 .add() 方法添加了地图的系列名称和数据对，其中包括城市名称和商品利润额数据。地图的类型被设置为湖南，表示我们要绘制湖南省的地图，并设置了显示城市名的选项。
接着，我们使用 .set_series_opts() 方法设置了标签选项，以便在地图上显示标签。
最后，我们使用 .set_global_opts() 方法设置了图表的全局选项，包括标题、副标题、位置等信息，并使用 visualmap_opts 设置了可视化地图的选项，以便调整颜色映射和范围。
最后，我们使用 .render() 方法生成了一个 HTML 文件，文件名为 "湖南省商品利润额地图.html"。这个 HTML 文件包含了绘制的地图图表，可以在浏览器中打开以查看湖南省各地级市的商品利润额分布情况。这是一种直观的数据可视化方法，帮助用户更好地理解不同城市的商品利润情况。
效果展示图：
