Costruire grafici può essere un modo semplice per condividere le tue analisi con altre persone.
Questa micro-lezione, un po’ meno tecnica rispetto al solito, illustra le diverse librerie Python che possiamo usare per visualizzare i nostri dati in maniera personalizzata, (a volte) interattiva e accattivante.
Matplotlib
Chiunque abbia provato almeno una volta a costruire un semplice grafico con Python, si sarà sicuramente imbattuto nella libreria Matplotlib. Ad oggi, Matplotlib è considerata la libreria “di base” per la visualizzazione dei dati con Python.
Pro | Contro |
|---|---|
Flessibile e potente | Sintassi prolissa |
Ampia comunità e documentazione | Complicata da imparare |
Compatibile con molte altre librerie | Grafici di default non bellissimi |
Seaborn
Costruita su Matplotlib, Seaborn è caratterizzata da una palette di comandi più semplice. Inoltre, Seaborn supporta piuttosto bene le visualizzazioni di tipo statistico.
Pro | Contro |
|---|---|
Interfaccia più intuitiva | Meno flessibile di Matplotlib |
Grafici esteticamente gradevoli di default | Limitata per grafici molto personalizzati |
Ottima per visualizzazioni statistiche |
Plotly
Plotly è un’altre delle librerie “di riferimento”, quando si parla di visualizzazione dei dati con Python. Plotly supporta molti tipi di grafici, diverse funzioni interattive (tra cui lo zoom) e si presta a costruire dashboard con Dash.
Pro | Contro |
|---|---|
Grafici interattivi | Curva di apprendimento iniziale |
Supporto per visualizzazioni web | |
Ampia gamma di tipi di grafici |
Bokeh
Nonostante sia un po’ meno immediata per chi è alle prime armi, Bokeh si contraddistingue per l’eleganza dei suoi grafici di default e le sue funzionalità interattive.
Pro | Contro |
|---|---|
Grafici interattivi e curati esteticamente | Documentazione talvolta poco chiara |
Ottima per costruire dashboard | Meno intuitiva per utenti principianti |
Supporta lo streaming di dati in tempo reale |
Vega-Altair
Vega-Altair (o più comunemente solo Altair) è una libreria che supporta una sintassi lineare e diversi tipi di grafici. Se cerchi una soluzione per esplorare al meglio i tuoi dati, Altair potrebbe essere la libreria che fa per te.
Pro | Contro |
|---|---|
Sintassi concisa e intuitiva | Meno flessibile per grafici molto personalizzati |
Eccellente per l'esplorazione dei dati | Prestazioni limitate con grandi set di dati |
Grafici esteticamente gradevoli |
pygal
pygal è una libreria per la visualizzazione dei dati piuttosto di nicchia. Ciò che la contraddistingue è il supporto del formato SVG, oltre ai formati classici, per esportare i grafici. Inoltre, i grafici costruiti con pygal si contraddistinguono per un’estetica piacevolmente vintage.
Pro | Contro |
|---|---|
Grafici SVG di alta qualità | Meno popolare, comunità più piccola |
Facile da usare | Opzioni di personalizzazione limitate rispetto ad altre librerie |
Supporta l'animazione |
Lets-Plot
Lets-Plot è la versione Python della libreria ggplot2, già disponibile per il linguaggio R. Lets-Plot si contraddistingue per una sintassi modulare, che offre molte possibilità di personalizzazione. Inoltre, i grafici risultano estremamente gradevoli dal punto di vista estetico e il supporto per le mappe è molto valido.
Pro | Contro |
|---|---|
Sintassi coerente e intuitiva | Potrebbe essere meno efficiente per set di dati molto grandi |
Produce grafici esteticamente gradevoli | Comunità più piccola rispetto ad altre librerie Python |
Familiare per chi conosce R |
Alla prossima micro-lezione 👋
