# Графики в Python

## Matplotlib

[Matplotlib](https://matplotlib.org/) -- классика, де-факто стандарт визуализации в Python.

Плюсы:

+ Гигантское количество примеров и туториалов, знают все адепты Data Science в мире Python.
+ Можно сделать что угодно, хоть енотов рисовать.

Минусы:

+ Очень некрасивые графики по умолчанию, надо патчить или настраивать.
+ Сложно. Приходится писать много кода, всякие циклы, самому конвертировать данные, постоянно лезть в документацию.
+ Тяжело читать код.
+ всё рисуется через глобальный объект plot, который упрощает работу с ядром библиотеки. Сядром напрямую никто не работает, там уж совсем черная магия. Как результат, сложно работать с несколькими графиками одновременно, совмещать графики и всё такое.

## Seaborn

[Seaborn](https://seaborn.pydata.org/) -- стандарт номер два, сразу за matplotlib. Собственно, представляет из себя как раз обертку над matplotlib с модным дизайном и функциями для рисования самых нужных графиков.

Плюсы:

+ Красиво.
+ Просто. Всего-то надо передать данные в одну функцию, а она уже всё сделает.
+ Может в Pandas.
+ Опять-таки, много документации и хорошо знаком адептам Data Science.

Минусы:

+ Сложно что-то кастомизировать, часто приходится патчить seaborn графики через matplotlib. Например, для наложения нескольких графиков друг на друга.
+ Иногда надо самому размечать данные. Например, [генерировать палитру для heatmap](https://seaborn.pydata.org/examples/structured_heatmap.html).

## Altair

[Altair](https://github.com/altair-viz/altair) -- штука не столь известная, но очень хорошая.

Плюсы:

+ Максимально просто! Серьезно, проще некуда. Передаем pandas DataFrame, указываем тип графика, указываем какие колонки использовать как x, y, fill, color, shape и т.д., и всё!
+ В принципе, неплохо конфигурируется.
+ Красивый. Не такой, как seaborn, но всё же.
+ Графики интерактивные, с возможностью экспорта.

Минусы:

+ Нет некоторых вещей. Например, ящик с усами там рисуется по кускам (отдельно ящик, отдельно каждый ус), что довольно муторно, причём без игнорирования выбросов (что очень нужно, на самом деле).
+ Что-то сложно сконфигурировать. Например, я не нашёл, как там нормально поменять подписи к fill.

## Ggplot2

[ggpy](https://github.com/yhat/ggpy) -- порт ggplot2 из R. Ggplot2 реализует удобную грамматику графиков. Основная идея в том, что график состоит из разных слоев. Чем сложнее график, тем больше слоев надо. Сначала идет сетка, потом сам график, а может и несколько, затем оси, легенда. Ну и график -- просто сумма таких слоев. Это интуитивно понятно, удобно, просто.

Я добавил сюда ggpy, чтобы рассказать вам про ggplot2. Но про плюсы я рассказывать не буду, потому что один минус перекрывает всё: проект больше не поддерживается. Авторы пропали, компанию, которая это делала, поглотили, PR не принимаются. Как следствие, ggpy не совместим с новыми версиями pandas.

## Plotnine

[Plotnine](https://github.com/has2k1/plotnine) -- второй проект, копирующий ggplot.

Плюсы:

+ Можно нарисовать что угодно! Даже анимацию.
+ Код хорошо читается.
+ Красиво, есть разные стили: seaborn, xkcd и т.д.
+ Гораздо проще совмещать разные графики, чем в любой из вышеперечисленных библиотек.

Минусы:

+ Документация. Можно сказать, её нет. Есть несколько "туториалов" с решениями редких кейсов, да галерея, которая, опять-таки, рисует всякие бесполезные штуки типа грифа гитары. Круто, но ничем не поможет. Есть только документация к API, и то описаны только параметры, а не сам объект.
+ Уступает по выразительности оригинальному ggplot2. В частности, функция `factor` в ggplot несравнимо мощнее. Здесь же нельзя для неё задать порядок сортировки, подписи и т.д.

В общем, Plotnine мне нравится больше всего, но отсутствие документации увеличивает порог вхождения.

## Show me the code!

Давайте посмотрим на выживание пассажиров титаника в зависимости от класса. Всего там три класса. Первый -- элита, третий -- самые дешевые билеты. Сделаем по столбцу на каждый класс, высота будет показывать количество пассажиров, а также разделим столбцы на две части: выжившие и нет.

Код на R:

```r
ggbar <- ggplot(titanic) + geom_bar(stat = "bin", width=.6)
ggbar + aes(x = factor(Pclass),
            fill = factor(Survived, labels = c("No", "Yes"))) +
        scale_fill_manual (values=colours[]) +
        guides(fill=guide_legend(title=NULL)) +
        ylab(NULL) + xlab("Passager class")
```

Код на plotnine:

```python
import pandas as pd
import plotnine as gg

titanic = pd.read_csv('train.csv')

(
    gg.ggplot(titanic)
    + gg.geom_bar(
        gg.aes(
            x='factor(Pclass)',
            fill='factor(Survived)',
        ),
    )
    + gg.scale_fill_hue(
        labels=['No', 'Yes'],
    )
    + gg.theme_seaborn()
)
```

Код на altair, только у меня не получилось нормально подписать Survived:

```python
alt.Chart(titanic).mark_bar().encode(
    x='Pclass:N',
    y='count()',
    fill='Survived:N',
).properties(
    width=300,
)
```

## More!

Я тут не рассматривал интерактивные графики, не приводил примеры кода. Так что рекомендую почитать ещё:

+ [Python Graph Gallery](https://python-graph-gallery.com/all-charts/) -- примеры графиков с кодом, сгенерированных в seaborn и matplotlib.
+ [The Best Python Data Visualization Libraries](https://www.fusioncharts.com/blog/best-python-data-visualization-libraries/)
+ [10 Useful Python Data Visualization Libraries](https://mode.com/blog/python-data-visualization-libraries)
+ [Сравнение кода визуализаций](https://nipunbatra.github.io/blog/2017/50-ggplot-python-1.html). Оригинальное название не привожу, оно вообще нерелевантно содержанию. В это notebook'е приведен код и итоговая визуализация на разных библиотеках, рисующая один и тот же сложный график с точками, линиями, подписями. Отличный способ сравнить код разных библиотек.