说起数据可视化， Stata 用户想到的可能是 graph命令， R 用户想到的可能是ggplot 命令，而第三库丰富的 Python 则会提供给你更多的选择。对于经济学专业的同学们，在实际学习中比较常用的数据可视化需求，其实有两类情况：一种是在描述性统计中描述数据的概括，为后续的实证分析做支持；另一种是在实证分析中，为了让自己的分析更“出彩”或者是用了某些新的方法（例如机器学习），能够更加形象地展示计量结果而做数据分析的可视化呈现。
对于第一类的可视化需求，一般流程多是通过诸如 Excel 一类的软件完成的，而当你学会了 Python 以后，你可以非常轻松地利用 matplotlib 库，来实现基础的数据可视化。
matplotlib 是 Python 数据可视化的基础，众多的可视化第三包都是基于 matplotlib 派生的。如果你学习了 Pandas，会发现，Pandas 其实也可以做数据呈现，通过 dataframe.plot() 的代码，就能够呈现出数据了。Pandas 的可视化呈现就是在调用 matplotlib。
也许你已经发现了，绝大多数推荐 Python 数据可视化的文章，都会将它写在第一位。这也从侧面反映了其重要性。学好 matplotlib 已经能够满足绝大多数的数据可视化需求了，在学完基础的语法及用法后，推荐去参考下面的官方示例链接，根据示例再进一步地提高自己的代码水平。官方地址：
https://matplotlib.org/
官方示例：https://matplotlib.org/gallery/index.html
“
官方示例页面的每一张图片，点击后都能看到详细的 Python 代码。还有什么比这样的学习方式更快捷高效的呢？
我们要介绍了的第二个可视化包，同样名声在外，许多 Python 老鸟更倾向于使用 Seaborn 来绘制他们的图表。Seaborn 也是基于 matplotlib ，它对 matplotlib 进行了一定的封装，让你能够更加快速上手的同时绘制出更美观的图表。当然，封装意味着一定自由度的缺失，如果你想更自主地作图，你依然可以选择使用 matplotlib。
同样，下面官方示例的链接中给出了每一种图表具体的 Python 的代码。官方地址：
https://seaborn.pydata.org/
官方示例：https://seaborn.pydata.org/examples/index.html
ggplot2：什么？ggplot 不是 R 的包吗？是的，ggplot2 是 R 语言上著名的可视化包，但是，现在你可以在 Python 上使用它了。语法结构会让 R 语言的用户倍感亲切。Bokeh：与 ggplot 的代码理念相似的制图包，同样推荐给接触过R语言的用户。Plotly：Plotly 是一个拿过年度10佳的开源项目，但是要使用它，你首先需要在他们的官网：https://plot.ly/python/，拿到一个 API 密钥才能看到你做的图。Plotly 有比较好的用户界面，当你做完图后，可以通过鼠标点点的方式进行颜色、数轴的修改。
科普园地 /Science Park
API：即应用程序编程接口（Application Programming Interface），所谓API就是软件封装后留下了的接口，你可以类比为一个插座，当你用正确的插头插到这个接口（API）时，就成功通电了。上例中，Plotly 这块第三包的使用方式，就是需要你在代码中填入一个从官方获取的密钥，这个密钥标示了你的个人身份，就好像身份证一般。通过这个密钥，Plotly才会开放API给用户绘制图表。不然，仅仅靠代码，是没办法看到可视化的结果的。
pyecharts：来自国内 百度 的良心产品，源自 echarts 项目（一个JavaScript项目）。所以在绘图中的一些定制项会非常类似 JavaScript 的程序理念。相对而言，显得不那么像 Python 的逻辑。但是作为用户，参照文档依然能够实现比较好的数据可视化效果。
接下来要说的是一些在实证分析中可能会用到的可视化包。首先需要明确的是，上述提到的可视化包，都可以在论文的任何地方出现。
Matplotlib 广泛的在许多计量、机器学习包中被使用。因此，在许多情况下，通过计量、机器学习库 + matplotlib 就能够实现很好的可视化效果。例如 statsmodels + matplotlib：
再例如：sklearn + matplotlib：
2. Yellowbrick 机器学习中的可视化呈现
可视化呈现机器学习，帮助你更好地做模型的选择与参数的调整。Yellowbrick 是一个能够帮助你查看机器学习模型训练结果的库，能够呈现：1、特征的可视化
2、分类的可视化
3、回归可视化
4、聚类可视化
5、模型选择可视化
6、文本可视化
在众多的机器学习问题中都帮助到用户，更直观地观察训练结果。你可以通过官方示例的地址，查看 Yellowbrick 是如何呈现这些数据集的。官方地址：
https://www.scikit-yb.org/
官方示例：https://www.scikit-yb.org/en/latest/gallery.html
3. 地图可视化库：folium 与 Basemp
folium 和 Basemp 都是在python中较多被使用的地图可视化库。Folium 中有较多的地图类型可供使用，例如下图这种风格的地图：
你可以通过 folium 创建热力图、设色图，甚至可以在地图上绘制各种图标。他们的官方示例存放在了 jupyter notebook 中，关于 jupyter notebook，可以参考我们此前的推文（忘记了的小伙伴可以在公众号内发送暗语“复习”查看喔~）。项目地址：
https://python-visualization.github.io/folium/
官方示例：
https://nbviewer.jupyter.org/github/python-visualization/folium/tree/master/examples/
Basemp 提高了成熟的静态地图绘制的功能。在地理信息读写、坐标映射、空间坐标转化与投影等方面做得都比较好。并且它可以使用常规的地图素材数据源（shp）作为底图进行叠加绘图，方便用户的使用。
项目地址：
https://matplotlib.org/basemap/index.html
官方示例：https://matplotlib.org/basemap/users/examples.html
最后简单小结一下，对于经济学专业的学生来说，用 Python 画图，如果只是简单的绘图需求，那么使用 Seaborn 能够快速绘制出好看的图表，当然如果你能够正确地申请到 Plotly 的密钥，我们同样推荐使用 Plotly。而对于想要用 Python 实现更多可视化需求的用户，那么学好 matplotlib 必不可少。
►一周热文
数据呈现丨小白学数据可视化：一个ggplot2画图完整实例
老姚专栏丨均值回复及其对实证研究的启示
数据呈现丨R语言做多变量可视化分析？
统计计量丨工具变量法（二）: 弱工具变量
数据呈现丨R语言机器学习中数据可视化的杀手锏
数据资源丨划重点 ！ 经济学专业学习Python之爬虫篇
统计计量丨古老而神秘的因子分析（二）
这里是大数据、分析技术与学术研究的三叉路口
作者：王学习（黄胜蓝）审阅：杨奇明、赵建国（赵哲）编辑：青酱