由于对数据科学和分析技能的需求不断增加，以编程方式创建图形的能力是一种非常受欢迎的技能组合。将特定的知名Python数据可视化模块与Python4Delphi相结合，将帮助你快速解决这个问题（P4D）。P4D是Python中免费的、强大的数据可视化工具的集合，你可以用它来与Delphi脚本、模块和类型进行交互，快速构建Windows GUI。所以，自然地，在这篇文章中，我们将学习如何使用Python提供的最好的数据可视化工具，以及一些最佳实践。那么，让我们开始吧。
为什么数据可视化在今天是必不可少的？
数据可视化是一个多学科的领域，涉及数据的图形表示。它是一种有效的沟通方法，当信息是多种多样的，并且可能是混乱的。此外，数据可视化是必不可少的，因为它使更多的人能够理解数据，无论它采取的是图表、图形还是其他表现形式。所以，开发人员必须知道如何使用数据可视化工具Python。
业务用数据的用户可以通过数据可视化深入了解大量的数据。作为开发者或用户，我们从识别新鲜的模式和缺陷中获益。作为用户，我们可以专注于那些预示着危险或进步的领域。公司的进步要归功于这个程序。
Python中最好的数据可视化库是什么？
Python有许多提供最佳数据可视化的库，但其中一些最好的包括Matplotlib、Bokeh和Plotly。
Matplotlib是一个全面而流行的Python库，用于创建静态、动画和交互式可视化。Matplotlib以各种物理格式和跨平台互动设置创建出版物质量的数字。Python和IPython shells、网络应用服务器和一些图形用户界面工具包（在这篇文章中，Python GUI由Delphi的VCL使用P4D！）都支持使用Matplotlib。
对于当代网络浏览器，Bokeh是一个交互式可视化库。它允许在大型或流式数据集上实现高性能的交互性，并提供优雅、简洁的多功能图形构造。任何想要快速简单地创建交互式图表、仪表盘和数据应用程序的人都可以借助Bokeh做到这一点。
一个基于浏览器的、互动的、开源的Python数据可视化库被称为Plotly或plotly.py。它是一个建立在plotly.js之上的高层次、声明式的图表库。Plotly.js带有30多种不同的图表类型，包括金融、科学和3D图表。Plotly是MIT许可的软件。
如何在P4D中使用Matplotlib？
Python Matplotlib库提供了多种处理图形的工具。使用这个库，你可以设计图形、图例、样式表、配色方案，以及操作图像。
由于有了matplotlib，用户还可以创建、调整和扩展现有的功能。
有可能用Python创建带注释的热图吗？有一个例子吗？
是的，这只是Maplotlob在现实生活中众多可能的使用案例中的一个。
让我们来看看一个代码示例。
import numpy as np
import matplotlib.pyplot as plt
category_names = ['Strongly disagree', 'Disagree',
'Neither agree nor disagree', 'Agree', 'Strongly agree']
results = {
'Question 1': [10, 15, 17, 32, 26],
'Question 2': [26, 22, 29, 10, 13],
'Question 3': [35, 37, 7, 2, 19],
'Question 4': [32, 11, 9, 15, 33],
'Question 5': [21, 29, 5, 5, 40],
'Question 6': [8, 19, 5, 30, 38]
}
def survey(results, category_names):
"""
Parameters
----------
results : dict
A mapping from question labels to a list of answers per category.
It is assumed all lists contain the same number of entries and that
it matches the length of *category_names*.
category_names : list of str
The category labels.
"""
labels = list(results.keys())
data = np.array(list(results.values()))
data_cum = data.cumsum(axis=1)
category_colors = plt.get_cmap('RdYlGn')(
np.linspace(0.15, 0.85, data.shape[1]))
fig, ax = plt.subplots(figsize=(9.2, 5))
ax.invert_yaxis()
ax.xaxis.set_visible(False)
ax.set_xlim(0, np.sum(data, axis=1).max())
for i, (colname, color) in enumerate(zip(category_names, category_colors)):
widths = data[:, i]
starts = data_cum[:, i] - widths
ax.barh(labels, widths, left=starts, height=0.5,
label=colname, color=color)
xcenters = starts + widths / 2
r, g, b, _ = color
text_color = 'white' if r * g * b < 0.5 else 'darkgrey'
for y, (x, c) in enumerate(zip(xcenters, widths)):
ax.text(x, y, str(int(c)), ha='center', va='center',
color=text_color)
ax.legend(ncol=len(category_names), bbox_to_anchor=(0, 1),
loc='lower left', fontsize='small')
return fig, ax
survey(results, category_names)
plt.show()
如何在Windows中开始用Python实现数据的可视化？
有了这么多用于数据可视化的在线工具和库，制作吸引人的数据可视化的入门门槛比以往任何时候都低。
然而，Python有如此多的选择，选择从哪里开始可能是一个挑战。任何Python数据可视化模块都可以使用Python4Delphi (P4D)与Embarcadero的Delphi相结合，使您可以开始开发Windows GUI应用程序。
如果你知道如何使用P4D和Matplotlib，你唯一需要的其他工具就是一个高级IDE。毫无疑问，PyScripter是使用最广泛的Python脚本工具。
PyScripter是一个轻量级的IDE，用于添加到现有优秀的Python for Delphi (P4D)组件中。它为Delphi应用程序提供了最先进的脚本解决方案，使其成为资深开发者中的热门选择。
你准备好使用Python中的数据可视化工具了吗？
如果你是Python可视化的新手，可用模块的数量之多可能会让你不知所措。此外，一些库可能比其他库更适合于特定的环境。你应该能够区分每个库的不同功能，并做出明智的决定。
现在你已经学会了如何使用Python for Delphi来运行三个关键的数据可视化库，你可以使用由Plotly库和Python4Delphi产生的图来解决各种实际问题。
PyScripter 在一个紧凑的软件包中提供了人们期望的当代 Python IDE 的所有功能。此外，它是为Windows本地编译的，在发挥其最佳性能的同时使用很少的内存。该IDE也是开源的，完全是用Delphi创建的，具有Python脚本的可扩展性。大多数Python数据分析师都喜欢PyScripter，因为它有许多出色的功能。
