本次分享10個適用於多個學科的Python資料視覺化庫，其中有名氣很大的也有鮮為人知的！
1、matplotlib
兩個直方圖
matplotlib 是Python視覺化程式庫的泰斗。經過十幾年它任然是Python使用者最常用的畫相簿。它的設計和在1980年代被設計的商業化程式語言MATLAB非常接近。
由於 matplotlib 是第一個 Python 視覺化程式庫，有許多別的程式庫都是建立在它的基礎上或者直接呼叫它。
比如pandas和Seaborn就是matplotlib的外包，它們讓你能用更少的程式碼去呼叫 matplotlib的方法。
雖然用 matplotlib 可以很方便的得到資料的大致資訊，但是如果要更快捷簡單地製作可供發表的圖表就不那麼容易了。
就像Chris Moffitt 在“Python視覺化工具簡介”中提到的一樣：“功能非常強大，也非常複雜。”
matplotlib 那有著強烈九十年代氣息的預設作圖風格也是被吐槽多年。即將發行的matplotlib 2.0 號稱會包含許多更時尚的風格。
開發者：John D. Hunter
更多資料：http://matplotlib.org/
2、Seaborn
Violinplot (Michael Waskom)
Seaborn利用了matplotlib，用簡潔的程式碼來製作好看的圖表。
Seaborn跟matplotlib最大的區別就是它的預設繪圖風格和色彩搭配都具有現代美感。
由於Seaborn是構建在matplotlib的基礎上的，你需要了解matplotlib從而來調整Seaborn的預設引數。
開發者: Michael Waskom
更多資料：http://seaborn.pydata.org/index.html
3、ggplot
Small multiples (ŷhat)
ggplot 基於R的一個作圖包 ggplot2, 同時利用了源於 《影象語法》（The Grammar of Graphics）中的概念。
ggplot 跟 matplotlib 的不同之處是它允許你疊加不同的圖層來完成一幅圖。比如你可以從軸開始，然後加上點，加上線，趨勢線等等。
雖然《影象語法》得到了“接近思維過程”的作圖方法的好評，但是習慣了matplotlib的使用者可能需要一些時間來適應這個新思維方式。
ggplot的作者提到 ggplot 並不適用於製作非常個性化的影象。它爲了操作的簡潔而犧牲了影象複雜度。
ggplot is tightly integrated with pandas, so it’s best to store your data in a DataFrame when using ggplot.
ggplot跟pandas的整合度非常高，所以當你使用它的時候，最好將你的資料讀成 DataFrame。
開發者: ŷhat
更多資料：http://ggplot.yhathq.com/
4、Bokeh
Interactive weather statistics for three cities (Continuum Analytics)
跟ggplot一樣， Bokeh 也是基於《圖形語法》的概念。
但是跟ggplot不一樣的是，它完全基於Python而不是從R引用過來的。
它的長處在於它能用於製作可互動，可直接用於網路的圖表。圖表可以輸出為JSON物件，HTML文件或者可互動的網路應用。
Boken也支援數據流和實時資料。Bokeh為不同的使用者提供了三種控制水平。
最高的控制水平用於快速製圖，主要用於製作常用影象， 例如柱狀圖，盒狀圖，直方圖。
中等控制水平跟matplotlib一樣允許你控制影象的基本元素（例如分佈圖中的點）。
最低的控制水平主要面向開發人員和軟體工程師。
它沒有預設值，你得定義圖表的每一個元素。
開發者: Continuum Analytics
更多資料：https://docs.bokeh.org/en/latest/
5、pygal
Box plot (Florian Mounier)
pygal 跟 Bokeh 和 Plotly 一樣，提供可直接嵌入網路瀏覽器的可互動影象。
跟其他兩者的主要區別在於它可以將圖表輸出為SVG格式。
如果你的資料量相對小，SVG就夠用了。但是如果你有成百上千的資料點，SVG的渲染過程會變得很慢。
由於所有的圖表都被封裝成了方法，而且預設的風格也很漂亮，用幾行程式碼就可以很容易地製作出漂亮的圖表。
開發者: Florian Mounier
更多資料：http://www.pygal.org/en/latest/index.html
6、Plotly
Line plot (Plotly)
你也許聽說過線上製圖工具Plotly，但是你知道你可以透過Python使用它麼？
Plotly 跟 Bokeh 一樣致力於互動圖表的製作，但是它提供在別的庫中很難找到的幾種圖表型別，比如等值線圖，樹形圖和三維圖表。
開發者: Plotly
更多資料：https://plotly.com/python/
7、geoplotlib
Choropleth (Andrea Cuttone)
geoplotlib 是一個用於製作地圖和地理相關資料的工具箱。
你可以用它來製作多種地圖，比如等值區域圖， 熱度圖，點密度圖。
你必須安裝 Pyglet （一個物件導向程式設計介面）來使用geoplotlib。不過因為大部分Python的視覺化工具不提供地圖，有一個專職畫地圖的工具也是挺方便的。
開發者: Andrea Cuttone
更多資料：https://github.com/andrea-cuttone/geoplotlib
8、Gleam
Scatter plot with trend line (David Robinson)
Gleam 借用了R中 Shiny 的靈感。它允許你只利用 Python 程式將你的分析變成可互動的網路應用，你不需要會用HTML CSS 或者 JaveScript。
Gleam 可以使用任何一種 Python 的視覺化庫。
當你建立一個圖表的時候，你可以在上面加上一個域，這樣使用者可以用它來對資料排序和過濾了。
開發者: David Robinson
更多資料：https://github.com/dgrtwo/gleam
9、missingno
Nullity matrix (Aleksey Bilogur)
缺失資料是永遠的痛。
missingno 用影象的方式讓你能夠快速評估資料缺失的情況，而不是在資料表裏麵步履維艱。
你可以根據資料的完整度對資料進行排序或過濾，或者根據熱度圖或樹狀圖來考慮對資料進行修正。
開發者: Aleksey Bilogur
更多資料：https://github.com/ResidentMario/missingno
10、Leather
Chart grid with consistent scales (Christopher Groskopf)
Leather的最佳定義來自它的作者 Christopher Groskopf。
“Leather 適用於現在就需要一個圖表並且對圖表是不是完美並不在乎的人。”
它可以用於所以的資料型別然後生成SVG影象，這樣在你調整影象大小的時候就不會損失影象質量。
開發者: Christopher Groskopf
更多資料：
https://leather.readthedocs.io/en/latest/index.html
