不少Python用户的一大诉求是做出各种酷炫的可视化图表，而这就需要了解清楚工具特色，才好在制作不同类型图表顺利找到适合自己的那一款。今天就来聊聊五个Python数据可视化的库Matplotlib、Pyecharts、Seaborn、Plotly、Bokeh各有哪些优缺点。
Pyecharts
基于Echarts，加入Python富有表达力的语言，pyecharts 诞生了，支持30+种图表。
在pyecharts中制作条形图首先需要导入相关库 。
接着是绘图并不做任何调整，首先创建一个Bar实例，接着添加x轴y轴数据，注意仅接收list格式数据，最后添加标题并设置在notebook中直接展示。总体来说还是比较符合正常的作图逻辑，整体代码量并不多。
默认生成的两系列柱状图如下：
优点：
支持交互式展示与点击
默认生成的样式也较为美观
详细的中文文档与demo，能比较快的上手
文档十分完整，所以代码修改起来并不困难，比如可以修改主题并设置一些标记线、DataZoom，添加小组件等
缺点：
不支持使用pandas中的series数据，需要转换为list才可以使用
Matplotlib
Matplotlib应该是最广泛使用的Python可视化工具，支持的图形种类非常多。使用Matplotlib制作相同效果的图需要先导入相关库，并且并不支持原生中文所以还要设置下中文显示。
接着就是绘图，但是相比较于pyecharts大多是往写好的代码里面添加数据、配置不同，matplotlib大多数需要我们自己写代码，所以
代码量可能稍多一点。最后生成的默认图像如下：
相较Pyecharts，由于Matplotlib的火热，网上关于matplotlib的资料更多更全面。但从美观度上来说，学术风更甚，并且不支持交互式点击查看等操作。代码编写量也相对较多。
Plotly
Plotly也是一款非常强大的Python可视化库，Plotly内置完整的交互能力及编辑工具，支持在线和离线模式，提供稳定的API以便与现有应用集成，既可以在web浏览器中展示数据图表，也可以存入本地拷贝。但是由于官方未提供中文文档，网上关于Plotly的教程也仅限于官方的一些demo，对于一些详细的参数设置并没有太多资料 。
从优点来看，支持交互式操作的，同时是默认添加toolbox小组件，可以更方便的查看，支持30多种图形。但是如果真要熟练使用的话可能需要一点时间用于查找相关资料，因为网上关于Plotly的资料不多，大多是基本使用的简单教程。
Bokeh
Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Python库。这是Bokeh与其它可视化库最核心的区别，它可以做出像D3.js简洁漂亮的交互可视化效果，但是使用难度低于D3.js，首先还是导入相关库。相关依赖比上面三个要多出很多，并且Bokeh有自己的数据结构ColumnDataSource，所以要先对数据进行转换，接着就是创建画布、添加数据及设置。最后生成的默认图像如下：
Bokeh一个很明显的特点就是代码量较上面三个工具要多了很多，大多是在数据的处理上，并且和Plotly一样，有关bokeh相关的中文资料也不多，大多是入门型的基本使用于介绍，虽然从官方给出的图来看能作出很多比pyecharts更精美的图，但是查找相关参数的设置上将会耗费一定时间。
Seaborn
从seaborn官网给出的标题就知道，seaborn是为了统计图表设计的，它是一种基于matplotlib的图形可视化库，也就是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图，还是我们的数据，使用Seaborn制作首先需要导入相关库，由于是基于Matplotlib，所以还是需要设置中文。
相比上面四种工具，从代码量上来看是非常简洁的，不过还是要先将数据转换为DataFrame格式，这里没在代码中体现，但依旧是最简短的代码，同时并不支持交互。并且Seaborn和Plotly、bokeh有一个共同的地方就是虽然强大，但是网上有关这三个库的教程、讨论都远少于Pyecharts与Matplotlib，如果是新手的话可能很难快速通过搜索解决你遇到的问题，而需要自己研究别人的代码。
不同工具的应用场景、目标用户都不完全相同，所以在选择工具时需要先思考自己的使用场景，并且还需要评估绘制目标图形的难度哦。
