无论对数据的理解和研究有多深入，最终对结果的判断很大程度上取决于数据的可视化效果，即所谓的“一图胜千言”。图形化的数据更容易被人脑快速处理和理解，可以揭示数据中的趋势、模式和异常，是传达复杂信息的有力工具，并且可以帮助决策者更快、更准确地做出判断。

Matplotlib是Python中最流行和使用最广泛的数据可视化库之一。它提供了一个类似MATLAB的绘图接口，能够创建各种静态图表。它支持线图、散点图、柱状图、直方图等多种图表，可以兼容其他科学计算库（如 NumPy、Pandas），并且有大量的教程和示例可供参考。但它默认的可视化风格相对单调，交互式功能不足。

本文介绍6个能够美化Matplotlib可视化样式的python库，它们可以为常规的线图/散点图、直方图和其他基本可视化图着色。

我们首先生成一组样例数据，每个python库生成4个可视化子图，这样就可以在同类数据上对它们进行比较。

1import matplotlib
2import matplotlib.pyplot as plt
3import numpy as np
4import pandas as pd
5import seaborn as sns
6
7'''Generating points to create a scatter plot'''
8def scatter():
9 x = np.random.random(100)
10 y = x-np.random.random(100)
11 z = np.random.randint(0,4,100)
12 df = pd.DataFrame({‘X’, ‘Y’: y, ‘Z’})
13 return df
14
15'''Generating points to create a line plot'''
16def line():
17 x = np.arange(0,10,0.1)
18 y_1 = np.sin(x)
19 y_2 = np.sin(x+5)
20 y_3 = np.sin(x+10)
21 y_4 = np.sin(x+15)
22 y_5 = np.sin(x+20)
23 df = pd.DataFrame({‘X’,‘y_1’, ‘y_2’,
24 ‘y_3’, ‘y_4’, ‘y_5’})
25 return df
26
27'''Sampling data from several distributions'''
28def hist():
29 x_1 = np.random.normal(1,0.1,1000)
30 x_2 = np.random.gamma(1,0.25,1000)
31 x_3 = np.random.normal(0.4, 0.1,1000)
32 x_4 = np.random.normal(-0.1, 0.3,1000)
33 df = pd.DataFrame({‘X_1’: x_1, ‘X_2’, ‘X_3’: x_3, ‘X_4’})
34 return df

1. Aquarel

Aquarel是一个轻量级模板引擎，也是Matplotlibs的rcparams包装器，可让绘图样式变得简单。Aquarel模板可以通过编程定义，并以JSON格式序列化和共享。该python库提供12种样式模板。

https://github.com/lgienapp/aquarel

使用pip安装Aquarel：

pip install aquarel

通过以下代码使用这些模板：

1with load_theme(“arctic_light”):
2
3 fig, ax = plt.subplots(ncols=2, nrows=2, figsize=(16,9))
4 df = scatter()
5 f= ax[0,0].scatter(df.X,df.Y, c=df.Z, s=50)
6 ax[0,0].set_xlabel(‘X data’)
7 ax[0,0].set_ylabel(‘Y data’)
8 handles, labels = f.legend_elements(prop=“colors”, alpha=0.6)
9 legend2 = ax[0,0].legend(handles, labels, loc=“lower right”)
10
11 df=line()
12 df.plot(x=‘X’, ax=ax[0,1])
13
14 df=hist()
15 sns.kdeplot(df, fill=True, ax=ax[1,0])
16 ax[1,0].set_xlabel(‘Value’)
17
18 sns.kdeplot(df, x=“X_1”, y=“X_2”, fill=True, ax=ax[1,1])
19 sns.kdeplot(df, x=“X_3”, y=“X_4”,fill=True, ax=ax[1,1])
20 ax[1,1].set_xlabel(‘Dist 1’)
21 ax[1,1].set_ylabel(‘Dist 2’)
22
23 plt.suptitle(‘Aquarel\narctic_light’, fontsize=24)
24 plt.savefig(‘arctic_light.jpg’)
25 plt.show()

可视化效果如下图：

2. rose-pine-matplotlib

它不是一个库，而是一组主题样式，用户需要下载这些主题，放到mpl_configdir/stylelib目录内，然后在代码中指定该模板的路径，例如：

1plt.style.use(‘rose-pine’)

之后，你只需执行相同的绘图步骤即可。这个库的色调比较柔和，同时对比度也足够大。

https://github.com/h4pZ/rose-pine-matplotlib

3. Catppuccin

它包括4种不同的可视化风格，具有不同的暗色程度。

https://github.com/catppuccin/python/tree/main

使用pip安装该库：

pip install catppuccin

使用如下代码进行绘图：

1import catppuccin
2import matplotlib as mpl
3import matplotlib.pyplot as plt
4
5mpl.style.use(catppuccin.PALETTE.mocha.identifier)
6plt.plot([0,1,2,3], [1,2,3,4])
7plt.show()

Catppuccin包还可以混合不同的样式表，例如结合基本的seaborn-v0_8-dark和mocha。

4. mplcyberpunk

使用这个Python包，不仅可以提供适当的颜色和背景，还可以为图表添加发光效果，只需3行代码即可创建“赛博朋克”风格的图表。

https://github.com/dhaitz/mplcyberpunk

5. matplotx

这是matplotlib的另一个扩展，可以像以前的扩展一样使用pip安装。它提供20个不同的主题风格。

pip install matplotx[all]

直接在python代码中引用：

1import matplotx

https://github.com/nschloe/matplotx

6. gruvbox

基于Pavel Pertsevs Gruvbox调色板和主题，为Python的Matplotlib绘图库设计了一种简单的深色背景颜色样式。

https://github.com/thriveth/gruvbox-mpl

这是一个样式文件gruvbox.mplstyle，下载后放到你的当前工作目录，在python代码中使用：

import matplotlib.pyplot as plt
plt.style.use(’./gruvbox.mplstyle’)

如需本文完整代码，请后台私信留言获取。