📱Ridgeplot.

ridgeplot — это Python-библиотека, предоставляющая простой и удобный интерфейс для создания интерактивных ридж-плотов с использованием мощной экосистемы Plotly.

🔹Пример:

import numpy as np  
from ridgeplot import ridgeplot  

my_samples = [np.random.normal(n / 1.2, size=600) for n in range(7, 0, -1)]  
fig = ridgeplot(samples=my_samples)  
fig.show()  

✅Добавьте интерактивности и красоты своим данным с ridgeplot!

#Python #Plotly #DataVisualization #Ridgeplot #OpenSource #DataScience #Analytics

📱Ссылка на репозиторий:
https://github.com/tpvasconcelos/ridgeplot

📱GlyphX.

GlyphX — это современная библиотека визуализации данных на Python с поддержкой интерактивных SVG-графиков прямо из коробки.

🔹Особенности:

🔘Без plt.show() — графики отображаются автоматически.

🔘Поддержка зума/панорамирования.

🔘Подсказки при наведении.

🔘Экспорт в PNG, SVG, JPG.

🔘Группировка графиков в сетки.

🔘Поддержка Seaborn-стиля (lmplot, pairplot и др.).

🔘Тема "тёмная", шрифты, настройка стилей.

🔘Цветовой режим для дальтоников.

🔻Пример:

from glyphx import plot
plot(x=[1, 2, 3], y=[2, 4, 6], kind="line", label="Demo")

🔻Типы графиков:

🔘Линейные.
🔘Столбчатые.
🔘Круговые.
🔘Гистограммы.
🔘FacetGrid и др.

#Python #Визуализация #GlyphX #Matplotlib #Plotly #Графики #DataViz #Jupyter #SVG #PythonБиблиотеки

📱Ссылка на репозиторий:
https://github.com/kjkoeller/glyphx

📱hvPlot.

hvPlot — высокоуровневая библиотека визуализации данных для Python.

hvPlot — это удобный и мощный API для построения графиков, созданный на основе знакомого интерфейса .plot из Pandas и расширенный инновационным .interactive API для лёгкого добавления интерактивности.

❓Почему hvPlot?

🔘Работает с популярными источниками данных: Pandas, Polars, XArray, Dask, Streamz, Intake, GeoPandas, NetworkX и другими.

🔘Поддерживает несколько бэкендов построения графиков: Bokeh, Matplotlib, Plotly.

🔘Объединяет возможности экосистемы HoloViz в едином и простом API.

🔘Подходит для быстрых исследований, построения отчётов и создания интерактивных приложений.

🔻Пример использования:

import numpy as np
import pandas as pd

idx = pd.date_range('1/1/2000', periods=1000)
df  = pd.DataFrame(np.random.randn(1000, 4), index=idx, columns=list('ABCD')).cumsum()

import hvplot.pandas  # подключаем hvPlot для Pandas
df.hvplot()  # строим график

#Python #DataViz #Visualization #DataScience #Pandas #Matplotlib #Bokeh #Plotly #hvPlot #HoloViz #GeoPandas #XArray #Polars #Dask

📱Ссылка на репозиторий:
https://github.com/holoviz/hvplot

📱PyPI Stats.

PyPI Stats — это лаконичный и удобный аналитический дашборд для отслеживания статистики скачиваний пакетов из репозитория PyPI (Python Package Index).

Если вы разрабатываете библиотеки на Python и хотите точно знать, как часто их скачивают (и в какую сторону движется тренд), этот инструмент на базе Flask и plotly.js наглядно визуализирует всю динамику.

🔹Основные возможности проекта:

🔘Интеграция с GitHub OAuth: Позволяет быстро связать ваш профиль и отслеживать данные по установкам именно тех пакетов, мейнтейнером которых вы являетесь. Вся статистика доступна на кастомной пользовательской странице.

🔘Удобный JSON API: Предоставляет простой программный интерфейс для получения агрегированных данных и полной истории скачиваний во времени. Отлично подходит, если вы хотите вытянуть статистику в свои скрипты или дашборды.

🛠Для разработчиков (локальный запуск):

Проект поставляется с готовой докер-оберткой, так что развернуть его для кастомизации можно буквально в пару команд:

cp .env.example .env
# Отредактируйте .env под вашу конфигурацию

make pypistats

Команда make pypistats автоматически запустит полноценное окружение для разработки с помощью docker-compose.

#Python #PyPI #Flask #Plotly #Dashboard #Analytics #DevTools #OpenSource #Docker

📱Ссылка на репозиторий:
https://github.com/psf/pypistats.org