python+echarts爬取抖音,数据蛙-Python进阶

python+echarts爬取抖音,数据蛙-Python进阶详细介绍

本文目录一览： 怎么用Python爬取抖音高点赞高收藏的短视频？

用scrapy框架，但是你这样做侵犯了知识版权，如果用于商用，会面临起诉。
记者从北京市海淀区人民法院获悉，因认为刷宝APP采用技术手段或人工方式获取抖音APP短视频及评论并向公众提供的行为构成不正当竞争，北京微播视界科技有限公司（下称微播公司）将北京创锐文化传媒有限公司（下称创锐公司）、成都力奥文化传播有限公司（下称力奥公司）诉至法院。在案件审理过程中，微播公司提出行为保全申请，要求创锐公司、力奥公司立即停止采用技术手段或人工方式获取来源于抖音APP中的视频文件、评论内容并通过刷宝APP向公众提供的行为。北京海淀法院于6月28日依法做出行为保全裁定，支持了微播公司的行为保全申请。
微播公司称，其为抖音APP的开发者和运营者，通过投入高额的运营成本、提供优质的原创内容在同类产品中形成竞争优势，微播公司对抖音APP中的短视频及评论享有合法权益。二被申请人作为同业竞争者，在其共同运营的刷宝APP中向公众提供非法抓取自抖音APP的短视频及用户评论，已取证的短视频数量达5万余条。二被申请人的上述行为削弱了微播公司的竞争优势，违反了反不正当竞争法第二条的规定，构成不正当竞争。

哪些Python库让你相见恨晚？

Python能取得如此巨大的成功，除了其语法简洁外，很大程度上在于它拥有超级多的原生库以及第三方库，注意这里我用到了超级多这个词......
下面谈谈自己“相逢恨晚”的库，排名不分先后，涉及到网络下载、爬虫、数据可视化、时间转换、SQL注入等，限于篇幅，类似TensorFlow（机器学习方向）、scrapy（爬虫方向）等等优秀的库并未介绍，欢迎大家留言补充。
You-Get
一款优秀的网站视频下载工具，使用它你可以简单的通过一条命令行工具完成视频、音频、图片等媒体资源的下载（即使这些网站没有提供）下载链接，比如YouTube、爱奇艺、腾讯视频、哔哩哔哩等。
注意：支持的Python版本为Python3.2+，安装过程只需简单的一条pip命令即可。
Requests
相信很多搞爬虫的朋友都会用到这个库，我们先来看看官方对它的介绍：
RequestsisanelegantandsimpleHTTPlibraryforPython,builtforhumanbeings.比urllib更加方便，可以节约我们大量的工作，而且专门为英文不太好的朋友提供了中文官方文档。下面是使用requests库后简洁明了的HTTP请求代码。
wget
相信经常玩Linux的朋友，一定知道Shell中一个很好用的下载工具：wget，可以很方便的下载网上资源。
其实Python中也有对应的模块——Wget，它可以很方便的帮助我们递归下载一个网站，甚至爬取页面的所有图片，甚至在电影《社交网络》里连马克·扎克伯格（全球知名的社交网站Facebook创始人之一）都说：
首先是Kirkland，它们开放了所有的东西，并允许在Apache里插入索引。所以用WGET就足以下载整个Kirkland的Facebook图片了。小菜一碟！pyecharts
pyecharts=Python+Echarts
很多玩前端的朋友应该都听说过百度开源的一个数据可视化JS库Echarts，当Python遇到了Echarts，就变成了pyecharts。通过简单的几行代码，我们就可以完成强大、颜值高的可视化效果图。
说再多不如代码来的实际，通过上面剪短的10行（去掉注释、空行）代码，就可以完成的柱状分布图。
Delorean
一个酷炫的日期时间库，类似JavaScript中的moment，它可以让你用更加简洁的代码解决Python中使用时间模块中遇到的问题，比如转换、操控和生成时间日期。
在没有使用Delorean之前，也许我们的代码是下面这个样子
使用它之后呢？像下面这样，有没有很香呢？
sqlmap
是一款用来检测与利用SQL注入漏洞的免费开源工具，支持所有类型数据库的注入。也许就连很多专业的Python开发者都不曾用过，不过，在网络世界的另一角，白帽子、黑客、网络安全爱好者心中，它简直是神一般的存在。
作为一名网络安全从业者，如果你不仅能熟练使用sqlmap这种牛逼的工具，甚至还读过几遍源码，还能修改，那么还怕写不出sql注入的POC吗？

大数据分析工具_大数据分析工具软件

说一些我常用到的大数据分析工具
1.专业的大数据分析工具
2.各种Python数据可视化第三方库
3.其它语言的数据可视化框架
一、专业的大数据分析工具
1、FineReport
FineReport是一款纯Java编写的、集数据展示(报表)和数据录入(表单)功能于一身的企业级web报表工具，只需要简单的拖拽操作便可以设计复杂的中国式报表，搭建数据决策分析系统。
2、FineBI
FineBI是新一代自助大数据分析的商业智能产品，提供了从数据准备、自助数据处理、数据分析与挖掘、数据可视化于一体的完整解决方案，也是我比较推崇的可视化工具之一。
FineBI的使用感同Tableau类似，都主张可视化的探索性分析，有点像加强版的数据透视表。上手简单，可视化库丰富。可以充当数据报表的门户，也可以充当各业务分析的平台。
二、Python的数据可视化第三方库
Python正慢慢地成为数据分析、数据挖掘领域的主流语言之一。在Python的生态里，很多开发者们提供了非常丰富的、用于各种场景的数据可视化第三方库。这些第三方库可以让我们结合Python语言绘制出漂亮的图表。
1、pyecharts
Echarts(下面会提到)是一个开源免费的javascript数据可视化库，它让我们可以轻松地绘制专业的商业数据图表。当Python遇上了Echarts，pyecharts便诞生了，它是由等一群开发者维护的EchartsPython接口，让我们可以通过Python语言绘制出各种Echarts图表。
2、Bokeh
Bokeh是一款基于Python的交互式数据可视化工具，它提供了优雅简洁的方法来绘制各种各样的图形，可以高性能的可视化大型数据集以及流数据，帮助我们制作交互式图表、可视化仪表板等。
三、其他数据可视化工具
1、Echarts
前面说过了，Echarts是一个开源免费的javascript数据可视化库，它让我们可以轻松地绘制专业的商业数据图表。
大家都知道去年春节以及近期央视大规划报道的百度大数据产品，如百度迁徙、百度司南、百度大数据预测等等，这些产品的数据可视化均是通过ECharts来实现的。
2、D3
D3（DataDrivenDocuments）是支持SVG渲染的另一种JavaScript库。但是D3能够提供大量线性图和条形图之外的复杂图表样式，例如Voronoi图、树形图、圆形集群和单词云等。

python可视化利器：pyecharts

前面我们提及 ggplot 在 R 和 Python 中都是数据可视化的利器，在机器学习和数据分析领域得到了广泛的应用。 pyecharts 结合了 Python 和百度开源的 Echarts 工具，基于其交互性和便利性得到了众多开发者的认可。拥有如下的特点：

首先绘制第一个图表：

数据分析中常见的微博转发图也是通过关系图转化来的：

其他的图形示例可以在官方文档中查询： http://gallery.pyecharts.org/ 。

机器学习导论：什么是机器学习
机器学习必知必会：凸优化
深入浅出机器学习算法：XGBoost
机器学习必知必会：梯度下降法

Python数据分析：谁是2018当之无愧的“第一”国产电影
如何用python爬虫实现简单PV刷量——以CSDN为例
python脚本从零到一构建自己的免费代理IP池
[R]数据可视化的最佳解决方案：ggplot

秋招面试：零基础拿到腾讯数据岗offer需要做哪些努力
股票市场中如何用数据思维跑赢九成的投资者
精算师证有多难考，怎么准备？

[1] http://pyecharts.org/#/zh-cn/intro
[2] http://pyecharts.herokuapp.com/bar
[3] http://gallery.pyecharts.org/

抖音数据分析软件有哪些？

1、飞瓜数据：
这是一家老平台，也是目前用户量最大的一家抖音数据分析平台。数据全面，数据准确度和采集速度优势大，比较受中大型企业用户群体亲睐。在播主排行里，可以监测到每日某个行业涨粉最多的播主，帮助运营者快速定位成功案例。
2、66榜：
66榜是权威的抖音数据分析平台，不少网红达人、商家、MCN机构都在用。66榜收录的数据是全网最多的，功能也很全面，提供视频排行榜、直播分析、电商数据分析等服务，可以帮助达人、商家或MCN机构更好地创作和运营短视频。
3、卡思数据：
卡思数据是视频全网大数据开放平台，MCN管理是卡思数据为MCN机构提供的红人管理工具，支持认领各大短视频平台红人及新浪微博红人，认领后即可随时查看红人的各项运营数据，方便及时发现旗下红人的潜力与不足。
4、Toobigdata：
Toobigdata数据功能同样丰富，汇集了抖音各大实用数据功能，包括最新行业资讯、抖音官方平台连接、热门商品、热门数据、账号诊断等等实用工具。
5、灰豚数据：
想要制造爆款视频内容，就离不开对现下热门短视频的分析，灰豚数据的热门素材功能可以看到近2小时乃至近30天的热门视频，还有热门音乐、话题以及抖音热点等，帮助用户学习借鉴优秀的视频内容。
据我了解，现有的抖音数据分析软件有飞瓜数据、卡思数据、新榜、抖大大等，我用的是飞瓜数据，对于多账号运营的人来说，管理抖音号数据比较方便。
在我的抖音号可以查看抖音账号的相关数据，包括实时的粉丝量和点赞量数据、作品数据、粉丝数据、电商数据以及直播数据。
图片来自：飞瓜数据
以上就是我的回答，希望能对您有帮助！
市面上现在都有数据分析软件还是蛮多的，听说过蝉妈妈、新抖、飞瓜、卡思数据这些，这些平台的重点基本都放在直播带货上，数据维度还是蛮多的。
就直播来说的话，有达人相关的搜索、排行，也有很多热销商品数据，还包括行业的大盘数据，对于我们平时运营还是很方便，可以用来找号学习，也可以监测下自己账号的数据。
官方
抖音
抖音企业管理平台
抖音星图
即合平台
抖音创作服务平台
抖音开放平台
DOU+
数据
抖音KOL数据
抖音榜单-卡思数据
卡思数据报告
抖大大数据分析
罗网 - 抖音数据监测
ToobigData
星榜
飞瓜数据
清博数据
蝉妈妈
66榜
抖查查
电商
抖老板
得利豆数据
抖商眼
内容
发抖 抖音运营教程
易抖实验室
卡思学院 抖音学习
管理
蝉妈妈
新抖
抖抖侠
飞瓜数据
会抖 - 抖音直播控场
工具
抖音短视频下载
抖兔 - 抖音去水印
快音视 - 电脑端看抖音
抖音视频质量风险查询
抖音账号运营风险查询
引流
抖音引流脚本 - 月神脚本
服务
抖音推广 - 快传播
现有的抖音数据分析软件有达内数据、卡思数据、新榜、抖大大等。对于多账号运营的人来说，管理抖音号数据比较方便。在抖音号可以查看抖音账号的相关数据，包括实时的粉丝量和点赞量数据、作品数据、粉丝数据、电商数据以及直播数据。抖音数据分析咨询达内教育达内教育是引领行业的职业教育公司，致力于面向IT互联网行业，培养软件开发工程师、系统管理员、UI设计师、网络营销工程师、会计等职场人才，拥有强大的师资力量，实战讲师对实战经验倾囊相授，部分讲师曾就职于IBM、微软、Oracle-Sun、华为、亚信等企业，其教研团队更是有独家26大课程体系，助力学生系统化学习，同时还与各大高校进行合作，助力学生职业方向的发展。想了解更多有关数据分析的详情，推荐咨询达内教育。达内教育独创TTS8.0教学系统，达内OMO教学模式，全新升级，线上线下交互学习，满足学生多样化学习需求；同时，拥有经验丰富的讲师进行课程的讲授，对标企业人才标准，制定专业学习计划，囊括主流热点技术，运用理论知识+学习思维+实战操作，打造完整学习闭环；更有企业双选会，让学生就业更顺利。感兴趣的话点击此处，免费学习一下
我用的最多的软件有：1、西瓜数据2、微商相册3、Toobigdate4、快剪辑等
短视频运营实时更新链接：https://pan.baidu.com/s/1QTf0ACiCD39vHlybC4vOhA
?pwd=2D72提取码：2D72
资源包含：快手赚钱全攻略 、火神社7成佣金暴利带车 抖推猫开创星座号小程序新玩法 【云递联盟】雷神9月9日安卓硬改伪新机教程 臻曦无人直播 敢死队8.7苹果手机抖音自动养号教程！无需任何插件和物理外挂！轻松助你解决不适宜！ 火神社视频号新机制与不刷赞撸养生茶玩法，轻松日赚1000+【视频教程】 媒老板·8堂0基础直播带货课 9.12J总不适宜公开和全平台实时转播技术 秋叶视频号训练营 9.9日398火神社视频号新机制与不刷赞撸养生茶 抓住2020年最大风口，小白也能做一个赚钱的视频号！（赠送爆款拆解） 【云递联盟】雷神9月8日实时转播技术 【云递联盟】雷神9月4日直播间破不适宜 鸭子工作室不适宜公开 无人直播时间同步技术 陈江熊直播课程 等

pyecharts库的主要作用

　　npEcharts的主要作用是使数据可视化变得更加简单方便，尤其是对于那些需要在Python环境下进行数据分析和图表制作的用户。使用npEcharts可以帮助用户更快速地完成数据可视化的任务，大大提升工作效率。
　　由于npEcharts基于Echarts JavaScript库，因此用户可以使用Echarts的所有功能和特性。Echarts是一个功能强大的数据可视化库，可以创建各种复杂的图表，包括热力图、漏斗图、雷达图等。此外，Echarts还提供了许多交互性特性，例如缩放、拖拽、提示框等，可以帮助用户更好地理解数据。
　　总之，npEcharts是一个非常有用的Python数据可视化库，可以帮助用户更加轻松地完成数据可视化任务。它是一个功能丰富的库，可以创建各种类型的图表，并且非常容易学习和使用。如果你正在寻找一个Python数据可视化库，那么npEcharts绝对是值得一试的。

pyecharts库的主要作用

pyecharts库的主要作用是用于生成Echarts图表的类库。
Echarts是百度开源的一个数据可视化JS库，用Echarts生成的图可视化效果棒，pyecharts是为了与Python进行对接，方便在Python中直接使用数据生成图。使用pyecharts能够生成独立的网页，也能够在flask、django中集成使用。
如需使用Jupyter Notebook来展现图表，只须要调用自身实例便可，同时兼容Python2和3的Jupyter Notebook环境。全部图表都可正常显示，与浏览器一致的交互体验，简直不要太强大。
pyecharts分类
pyecharts分为v0.5.X和v1两个大版本，v0.5.X和v1间不兼容，v1是一个全新的版本。经过半年的沉寂后，终于发布了新版本，新版本号将从v1.0.0开始，这是一个全新的、向下不兼容的Pyecharts版本，类似于Python 3与Python 2。
不过，如果开发者以前接触过Pyecharts，新版本就很容易上手。pyecharts v1废除原有的插件机制，包括地图包插件和主题插件，插件的本质是提供pyecharts运行所需要的静态资源文件，所以现在开放了两种模式提供静态资源文件。online模式，使用Pyecharts官方提供的或者部署自己的remotehost。

数据蛙-Python进阶

这是漫长的一周，本周完成了Python的进阶模块，主要是pandas、numpy、matplotlib、seaborn、pyecharts这些模块的学习以及一个实际的案例：商品销售情况分析，之前一直觉得课程难度不够，但到这一周难度就大大提高了。尤其是案例练习中的RFM模型和用户生命周期建立，看懂不难但是自己写一直出错，在不断出错不断尝试中知识得到了积累，另外可视化部分没有什么练习题，希望后面可以加上一些这方面的练习，接下来分模块来总结一下学习的内容。

重新设置索引：df.set_index()

Series格式转换为DataFrame：df.to_frame()

文件读取：pd.read_csv(filepath, header = 0,skiprows=[1,2])?

使用位置做索引：df.loc[0]????????使用列表做索引：df.loc[[0,1,2]]

使用切片做索引：df.loc[0:4]????????使用bool类型索引：df[df['年龄']>30]

loc 是基于索引值的，切片是左闭右闭的

iloc 是基于位置的，切片是左闭右开的

修改列索引：df.rename(columns={'姓名':'name', '年龄':'age'},inplace=True)

替换一个值：df.replace({'name':{'小明':'xiaoming'}},inplace=True)

对数据进行排序：df.sort_values('age')

累加求和：df.cumsum(0)

删除列：del df['player']?????????删除行：df.drop(labels=0)?labels 是行列的名字

数据拼接：pd.concat([left,right],axis=1)

# 指定列进行关联，默认是 inner join ????result = pd.merge(left,right,on='key')

#多个关联条件：result = pd.merge(left, right, on=['key1', 'key2'])

#左连接：result = pd.merge(left, right, how='left', on=['key1', 'key2'])

# 列名不一样的关联：pd.merge(left,right,left_on = ['key1','key2'],right_on = ['key3','key4'])

#单个分组：groups = df.groupby('district')

# 作用多个聚合函数：groups.agg([np.mean,np.sum,np.std])

# 针对具体列聚合 groups.age.agg([np.mean,np.sum,np.std])

# 不同列不同聚合函数 groups.agg({"age":np.mean,"novip_buy_times":np.sum})

分组后该列值求和显示：groups['vip_buy_times'].transform('sum')

通常用于求占比：transform(lambda x: x /sum(x))

# 填充指定值：np.full([3,4],1)

# 起始为10，5为步长，30为结尾取不到：np.arange(10, 30, 5)

#随机矩阵：np.random.random((2,3))

# 平均划分：np.linspace( 0, 2*pi, 100 )

# 类型及转换：vector.astype('float')

# 多维变一维：matrix.ravel()

# 矩阵的扩展：a = np.arange(0, 40, 10)? ? b = np.tile(a, (3, 5))? ? # 行变成3倍，列变成5倍

# 水平拼接：np.hstack((a,b))? 竖直拼接：np.vstack((a,b))

# 竖直分割：np.hsplit(a,3)? ? #水平分割：np.vsplit(a,3)

8. Select the data in rows [3, 4, 8] and in columns ['animal', 'age'].

A：df.loc[df.index[[3,4,8]],['animal','age']]

行采用位置，列采用普通索引，这里利用index函数将位置变化为具体的普通索引，再利用loc函数

19. The 'priority' column contains the values 'yes' and 'no'. Replace this column with a column of boolean values: 'yes' should be True and 'no' should be False

A1：df['priority'].replace(['yes','no'],[True,False],inplace=True) 用replace函数替换

A2：df['priority'] = df['priority'].map({'yes': True, 'no': False}) 用map函数替换

最大最小值的索引：df.idxmax、df.idxmin

找出最大最小的前N个数：nlargest()和nsmallest()?

将原表分组 并设置分段区间 pd.cut(df['A'], np.arange(0, 101, 10))

resample函数 日期重采样：s.resample('M').mean()

TimeGrouper 重组：s.groupby(pd.TimeGrouper('4M')).idxmax()

split 分割函数：temp = df['From_To'].str.split('_', expand=True) True为DataFrame

两个DataFrame拼接用join：df = df.join(temp)

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

%matplotlib inline 直接显示

折线图：plt.plot(x,y,color = 'r')

柱状图：plt.bar(x,y)? plt.barh(x,y) 多个bar x设置不同 堆积图 bottom设置不同

散点图：plt.scatter(x, y, c=colors, alpha=0.5, s = area)

直方图：plt.hist(a,bins= 20) bin代表分隔的最小单位

plt.legend() 显示图例

for a,b in zip(X+W[i],data[i]):

? ? plt.text(a,b,"%.0f"% b,ha="center",va= "bottom") 添加数据标签

plt.annotate('注释文本',xy=(1, np.sin(1)),xytext=(2, 0.5), fontsize=16,arrowprops=dict(arrowstyle="->")) 添加注释文本

plt.xlabel("Group") x轴标题

plt.ylabel("Num") y轴标题

fig, axes = plt.subplots(nrows=2, ncols=2,facecolor='darkslategray')? 绘制多个图形

axes[0,0] axes[0,1] axes[1,0] axes[1,1]

pylab.rcParams['figure.figsize'] = (10, 6) # 调整图片大小

动态展示图表

from pyecharts.charts import Bar

from pyecharts import options as opts

** pyecharts 绘图的五个步骤：**

创建图形对象：bar = Bar()

添加绘图数据：bar.add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"])

? ? ? ? ???????????????? bar.add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])

? ? ? ? ? ? ? ? ? ? ? ? ?bar.add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])

配置系列参数：对标签、线型等的一些设置

配置全局参数：bar.set_global_opts(title_opts=opts.TitleOpts(title="销售情况"))

渲染图片：生成本地 HTML 文件 bar.render("mycharts.html")? bar.render()

notebook 渲染：bar.render_notebook()

bar = (Bar()

? ? .add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"])

? ? .add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])

? ? .add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])

? ? .set_global_opts(title_opts=opts.TitleOpts(title="某商场销售情况"))

)

bar.render_notebook()

柱状图：Bar()

条形图：bar.reversal_axis() #翻转XY轴，将柱状图转换为条形图

折线图：from pyecharts.charts import Line? line=Line()

饼图：from pyecharts.charts import Page, Pie????Pie()?

转换日期类型：df['order_dt']=pd. to_datetime (df.order_dt,format="%Y%m%d")

将日期转换为月为单位：df['month']=df.order_dt.values. astype('datetime64[M]') 所有日期显示为当月第一天

去除日期单元值：order_diff/ np.timedelta64(1,'D')

过滤部分极值：grouped_user.sum() .query('order_products<100') .order_amount

数据透视表：rfm=df.pivot_table( index ='user_id', values =['order_products','order_amount'], aggfunc ={'order_amount':'sum','order_products':'sum'})

map() 方法是pandas.series.map()方法, 对DF中的元素级别的操作, 可以对df的某列或某多列

applymap(func) 也是DF的属性, 对整个DF所有元素应用func操作

purchase_r=pivoted_counts.applymap(lambda x: 1 if x>1 else np.NaN if x==0 else 0)

apply(func) 是DF的属性, 对DF中的行数据或列数据应用func操作,也可用于Series

apply(lambda x:x.cumsum()/x.sum())? ? 累计占比

apply(lambda x:x/x.sum(),axis=0)? ? ?每一列中每行数据占比

下周开始进入数据分析思维的课程，很期待后面的课程以及项目，加油！

Python有哪些数据可视化方法？

这里介绍2种python可视化的方法，分别是seaborn和pyecharts，这2个库简单易学、容易上手，可以快速绘制出简洁、漂亮的图表，而且代码量少，使用起来非常方便，下面我简单介绍一下这2个库的安装和使用，实验环境win10+python3.6+pycharm5.0，主要内容如下：
seaborn：这是一个基于matplotlib的可视化库，是对matplotlib的更高级封装，极大地方便了我们的数据可视化，省去了许多matplotlib默认参数的配置，代码量少，而且制图漂亮，下面我简单介绍一下这个库：
1.安装seaborn，这个直接在cmd窗口中输入命令“pipinstallseaborn”就行，如下：
2.安装成功后，我们可以进行一下简单的测试了，主要代码如下（官方示例）：
程序运行截图如下，制图效果还不错：
3.至于更多的示例的话，可以查看一下官网的教程，种类繁多，注释清楚，介绍详细，很适合开发者来学习：
pyecharts：这个是echarts的一个python接口，借助echarts，我们可以快速绘制出简洁、漂亮的可视化图表。易学易懂、上手简单、使用方便，非常适合数据可视化，下面我简单介绍一下这个库：
1.下载安装pyecharts，这个直接在cmd窗口输入命令“pipinstallpyecharts”就行，如下：
2.安装成功后，我们就可以进行简单的测试了，主要代码如下：
程序运行截图如下：
更多示例，也可以参考一下pyecharts官网教程，相关参数和代码都有很详细解释、说明，非常适合初学者来学习。
至此，2种python可视化的方法就介绍完毕了。总的来说，这2个可视化库使用起来都非常方便，简单易学、容易上手，感兴趣的话，可以参考一下官网教程，尝试一下，当然，你也可以使用matplotlib，ggplot2等可视化库，只要适合自己的项目，都行，网上也有相关教程和资料，感兴趣的可以搜一下，希望以上分享的内容能对你有所帮助吧，也欢迎大家评论、留言。