visualization

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

Data Visualization

数据可视化

Python libraries for creating static and interactive visualizations.

用于创建静态和交互式可视化效果的Python库。

Comparison

对比

Library	Best For	Interactive	Learning Curve
Matplotlib	Publication, full control	No	Steep
Seaborn	Statistical, beautiful defaults	No	Easy
Plotly	Dashboards, web	Yes	Medium
Altair	Declarative, grammar of graphics	Yes	Easy

库	最佳适用场景	支持交互式	学习曲线
Matplotlib	学术出版、完全自定义控制	否	陡峭
Seaborn	统计可视化、美观默认样式	否	简单
Plotly	仪表盘、网页应用	是	中等
Altair	声明式语法、图形语法	是	简单

Matplotlib

Foundation library - everything else builds on it.

Strengths: Complete control, publication quality, extensive customization Limitations: Verbose, dated API, learning curve

Key concepts:

Figure: The entire canvas
Axes: Individual plot area (a figure can have multiple)
Object-oriented API:
```
fig, ax = plt.subplots()
```
- preferred over pyplot

基础库——其他可视化库大多基于它构建。

优势：完全自定义控制、出版级质量、丰富的定制选项 局限性：代码冗长、API过时、学习曲线陡峭

核心概念：

Figure（画布）：整个绘图区域
Axes（坐标轴区域）：单个绘图区域（一个画布可包含多个）
面向对象API：
```
fig, ax = plt.subplots()
```
——优先于pyplot接口

Seaborn

Statistical visualization with beautiful defaults.

Strengths: One-liners for complex plots, automatic aesthetics, works with pandas Limitations: Less control than matplotlib, limited customization

Key concepts:

Statistical plots: histplot, boxplot, violinplot, regplot
Categorical plots: boxplot, stripplot, swarmplot
Matrix plots: heatmap, clustermap
Built on matplotlib - use matplotlib for fine-tuning

具备美观默认样式的统计可视化库。

优势：一行代码生成复杂图表、自动美化、兼容Pandas 局限性：自定义控制能力弱于Matplotlib、定制选项有限

核心概念：

统计图表：histplot、boxplot、violinplot、regplot
分类图表：boxplot、stripplot、swarmplot
矩阵图表：heatmap、clustermap
基于Matplotlib构建——可使用Matplotlib进行精细调整

Plotly

Interactive, web-ready visualizations.

Strengths: Interactivity (zoom, pan, hover), web embedding, Dash integration Limitations: Large bundle size, different mental model

Key concepts:

Express API: High-level, similar to seaborn (
```
px.scatter()
```
)
Graph Objects: Low-level, full control (
```
go.Figure()
```
)
Output as HTML or embedded in web apps

支持交互式、适用于网页的可视化库。

优势：交互式操作（缩放、平移、悬停提示）、支持网页嵌入、集成Dash框架 局限性：包体积较大、思维模型与其他库不同

核心概念：

Express API：高层接口，类似Seaborn（
```
px.scatter()
```
）
Graph Objects：底层接口，完全自定义控制（
```
go.Figure()
```
）
可导出为HTML或嵌入网页应用

Chart Type Selection

图表类型选择

Data Type	Chart
Trends over time	Line chart
Distribution	Histogram, box plot, violin
Comparison	Bar chart, grouped bar
Relationship	Scatter, bubble
Composition	Pie, stacked bar
Correlation	Heatmap
Part-to-whole	Treemap, sunburst

数据类型	推荐图表
时间趋势	折线图
数据分布	直方图、箱线图、小提琴图
对比分析	条形图、分组条形图
关系分析	散点图、气泡图
构成分析	饼图、堆叠条形图
相关性分析	热力图
整体与部分	树状图、旭日图

Design Principles

设计原则

Data-ink ratio: Maximize data, minimize decoration
Color: Use sparingly, consider colorblind users
Labels: Always label axes, include units
Legend: Only when necessary, prefer direct labeling
Aspect ratio: ~1.6:1 (golden ratio) for most plots

数据墨水比：最大化数据展示，最小化装饰元素
色彩使用：谨慎使用，考虑色觉障碍用户
标签：始终为坐标轴添加标签，包含单位
图例：仅在必要时使用，优先直接标注
宽高比：多数图表推荐约1.6:1（黄金比例）

Decision Guide

决策指南

Task	Recommendation
Publication figures	Matplotlib
Quick EDA	Seaborn
Statistical analysis	Seaborn
Interactive dashboards	Plotly
Web embedding	Plotly
Complex customization	Matplotlib

任务场景	推荐库
学术出版图表	Matplotlib
快速探索性数据分析（EDA）	Seaborn
统计分析	Seaborn
交互式仪表盘	Plotly
网页嵌入	Plotly
复杂自定义需求	Matplotlib

Resources

资源

Matplotlib: https://matplotlib.org/stable/gallery/
Seaborn: https://seaborn.pydata.org/examples/
Plotly: https://plotly.com/python/

Matplotlib: https://matplotlib.org/stable/gallery/
Seaborn: https://seaborn.pydata.org/examples/
Plotly: https://plotly.com/python/