数据可视化是分析和展示数据的重要手段，而 Python 与 Jupyter Notebook 是构建交互式数据可视化的重要工具组合。以下是如何在 Python 和 Jupyter Notebook 中实现数据可视化的详细介绍。
1. 常用数据可视化库
Python 中有多个强大的可视化库，以下是几个常用的：
1.1 Matplotlib
特点：功能强大、灵活，但语法稍复杂，适合创建基本图表。
安装：bash
复制代码
pip install matplotlib
示例：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.plot(x, y, label="Line")
plt.title("Simple Line Plot")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.legend()
plt.show()
1.2 Seaborn
特点：基于 Matplotlib，语法简洁，专注于统计数据可视化，支持复杂数据分析。
安装：
pip install seaborn
示例：
import seaborn as sns
import matplotlib.pyplot as plt
sns.set(style="whitegrid")
tips = sns.load_dataset("tips")
sns.barplot(x="day", y="total_bill", data=tips)
plt.title("Average Bill Amount by Day")
plt.show()
1.3 Plotly
特点：支持交互式图表，适合复杂可视化需求（如 3D 图表）。
安装：
pip install plotly
示例：
import plotly.express as px
df = px.data.iris()
fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species", title="Iris Dataset Scatterplot")
fig.show()
1.4 Bokeh
特点：类似 Plotly，支持交互式图表，适合嵌入网页。
安装：
pip install bokeh
示例：
from bokeh.plotting import figure, show
from bokeh.io import output_notebook
output_notebook()
p = figure(title="Simple Bokeh Plot", x_axis_label='X', y_axis_label='Y')
p.line([1, 2, 3, 4], [10, 20, 25, 30], legend_label="Line", line_width=2)
show(p)
2. Jupyter Notebook 配置
2.1 配置环境
确保已安装 Jupyter Notebook：bash
复制代码
pip install notebook
启动 Notebook：
jupyter notebook
2.2 在 Notebook 中显示图表
使用 %matplotlib inline 指令让 Matplotlib 图表在 Notebook 内嵌显示：
%matplotlib inline
使用 %matplotlib notebook 实现交互式显示。
2.3 显示 Plotly 和 Bokeh 图表
Plotly 图表在 Notebook 中默认可交互显示。
Bokeh 图表需调用 output_notebook()。
3. 进阶技巧
3.1 数据交互与过滤
使用 Plotly 的 Dash 框架构建动态交互仪表盘：
pip install dash
Bokeh 中支持滑块和下拉菜单交互。
3.2 混合多种图表
Seaborn 与 Matplotlib 一起使用：
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
sns.violinplot(x="day", y="total_bill", data=tips, inner=None)
plt.plot([0, 1, 2, 3], [5, 15, 10, 20], label="Custom Line", color='red')
plt.legend()
plt.show()
4. 常见问题及解决
4.1 图表无法显示
确保 %matplotlib inline 已运行。
使用 plt.show() 显示 Matplotlib 图表。
4.2 图表样式不佳
Seaborn 提供多种主题：
sns.set(style="darkgrid")
4.3 大数据集绘图慢
使用 datashader 加速大规模数据绘图。
数据可视化是数据分析的重要环节，Python 中的丰富工具为构建灵活、动态的可视化提供了强大的支持。在 Jupyter Notebook 中操作更直观便捷，非常适合数据科学初学者和开发者使用。
发布者：myrgd，转载请注明出处：https://www.object-c.cn/4666
