Python数据可视化，为什么我建议先学会matplotlib？
The following article is from 可视化图鉴 Author 刘早起
学习数据可视化，点击关注👆👆👆
大家好，我是早起。
之前不在更新的日子里，也经常会收到读者的私信，咨询如何学习Python数据可视化、如何选择合适的可视化工具，也有读者在问，啥时候开始更新pyecharts、plotly系列等等问题，今天就和大家简单聊一聊。
先学会选择图后选工具
首先想说的与Python以及matplotlib无关，但又很重要的一个问题。
当我们拿到数据，有可视化需求时，一定不是先想用什么工具来完成，不是Python还是R，不是matplotlib还是ggplot2或者是其他，而是要先确定一个可视化的方向，这就需要对类似下面的问题进行思考
使用场景是什么？ 数据适合什么样的图形？ 是否要二次处理数据？ 是否有重点需要突出的指标或对比？
等等对类似这一系列问题进行思考后，脑海中应该要有一个大致的效果出来，此时才进入选择工具的阶段。当然在进行思考的同时也是一个逐渐向下搜索过滤的过程，所以就需要你脑海中的图库足够丰富，也需要你对数据有足够的敏感度，这就是为什么我的每个图鉴都重点说明我的数据长啥样，让图鉴变丰富也是「可视化图鉴」努力的方向。
回到工具上来，在去年的文章中我就提过，对于Python的各种数据可视化工具来说，建议熟练掌握一个后大致了解其他工具的套路即可，其实当时建议的这一个就是matplotlib。
为什么首选matplotlib
说实话在19年我十分痴迷于pyecharts，也协助别人基于pyecharts进行网站开发，但慢慢我发现，Python数据可视化，最终还是要回归到matplotlib。
为什么是matplotlib？对于我来说，matplotlib像是给了纸和笔，自定义程度非常高，除了在动态可视化上稍差了一点，几乎任何其他软件能做出来的它都可以搞定，自定义元素程度越高就代表着适用群体越广泛，无论是学术风还是商业风，毕业论文还是汇报PPT都可以覆盖。
而类似pyecharts等工具虽然上手很快但是自定义的程度并不是特别高，就像是给你纸和一些画好的小组件，做出来的图当然也是非常好看的，但你只能在他的框架下拿着这些组件去组合搭配，有时会因为一点没法实现的小功能而放弃。至于类似seaborn等基于matplotlib二次开发的包来说，学习matplotlib也是理所当然。
其次推荐首选matplotlib的原因就是安装相对简单，依赖的服务更少一点，不论是在本地还是在服务器上，大多情况下安装完anaconda就能愉快的使用，方便在不同机器上使用与迁移，而类似pyecharts、plotly等库或多或少的需要安装一些额外的插件/地图包等，并且不同版本直接的差异相对来说还是略大。
最后matplotlib还有一个特点就是用它的人实在太多了，多到你的任何相关问题都能通过百度/Google快速找到解决办法，甚至能在stackoverflow上找到一模一样的问题和写好的代码与解释，这一点对于初学者来说是十分友好的。
所以如果你想在Python数据可视化上大展拳脚的话，不妨从matplotlib开始吧！
怎样学Python可视化
说了这么多，最后来分享下我推荐的学习方式。
经常会有读者让我推荐几本Python可视化的书，但我相信对于大多有数据可视化需求的用户而言，他们并不是靠纯Python吃饭的，更多情况下Python只是工具，matplotlib只是一个可视化手段，所以没必要死磕书上抽象的文字。
拿matplotlib来说，只需要了解基本图形调整方法（例如我的组件设置系列文章，公众号菜单栏可以找到），别人的代码你能看懂，没有必要对一些细枝末节的进行研究，当在上面的第一步确定好需要使用的图之后，直接从现有图鉴中找到一幅和你数据及目标样式匹配的图，替换数据，修改相关细节即可！
这也是为什么会有「可视化图鉴」这个号，因为只有足够的图就才能覆盖更多的需求，所以在未来我会持续扩充matplotlib图鉴库。
另外之前是计划按照工具来进行更新（matplotlib更新完才会继续更新pyecharts等工具），现在我打算调整下更新策略，首选不代表只会，一直更新matplotlib仿佛在暗示只用matplotlib，所以未来只要是合适的可视化作品，不限定工具，同步更新，当然如果大家有好的可视化作品也可以投稿给我。有任何好的建议也可以给我留言。