如何使用Python可视化API结果

API（Application Programming Interface）是一种程序接口，用于不同应用程序之间的交互。许多服务都提供API，让程序员能够从中获取数据并与其交互。但是，API数据是通常是JSON或XML格式，这种数据格式非常适合计算机读取，但对于普通用户来说则很难理解。我们可以利用Python的各种可视化库来将API数据转换为更直观的图表或图形，从而更好地解释和展示它们。

阅读更多：Python 教程

Matplotlib

Matplotlib是Python中最流行的可视化库之一，可以用来制作线图、散点图、柱状图、直方图、饼图、热力图等等。

下面是一个简单的代码示例，演示如何使用matplotlib来制作简单的饼图。我们将使用一个外汇API，获取日元的历史汇率，并将其转换为饼图。

import requests
import matplotlib.pyplot as plt

api_url = "https://api.exchangeratesapi.io/history?start_at=2022-05-01&end_at=2022-05-31&base=EUR&symbols=JPY"

response = requests.get(api_url)
data = response.json()["rates"]

yens = []
for key in data:
    yens.append(data[key]["JPY"])

plt.pie(yens, labels=list(data.keys()), autopct='%1.1f%%')
plt.title("Euro to Japanese Yen Exchange Rates")
plt.show()

在这个例子中，我们首先请求外汇API，并将结果转换为Python dict类型。然后我们使用matplotlib制作饼图，其中每个切片代表一个日期的日元汇率。可视化样例会显示出一个彩色的图像，说明不同日期的汇率百分比。

Seaborn

Seaborn是一个基于matplotlib的可视化库，它支持更高级和复杂的绘图。它可以用来绘制多个变量之间的相关性，以及多个类别之间的比较等等。

下面的代码演示如何使用Seaborn和Pandas库来制作一个基本的散点图。我们将使用一个名为Seattle Bikeshare的公共自行车数据集，来可视化不同自行车站之间集装箱数量和平均骑行时间之间的关系。

import pandas as pd
import seaborn as sns

bikeshare_data = pd.read_csv("https://data.seattle.gov/api/views/65db-xm6k/rows.csv")

sns.scatterplot(x="average_daily_container_count", y="average_trip_duration_seconds",
                hue="station_name", data=bikeshare_data)
plt.title("Correlation between Bike Container Count and Average Trip Duration")
plt.show()

在这个例子中，我们首先使用Pandas来读取公共自行车数据集，并将其转换为DataFrame。然后，我们使用Seaborn来制作散点图，其中x轴表示平均集装箱数量，y轴表示平均骑行时间，数据点的颜色表示自行车站的位置。我们可以看到，一些站点之间的集装箱数量和骑行时间之间存在相关性。

Altair

Altair是一个基于Vega-Lite的Python可视化库。它支持用json描述图表，通过“绑定”（bind）API将数据绑定到可视化中。使用Altair可以轻松创建交互式图形和动画。

下面的代码演示如何使用Altair和Pandas库来制作一个简单的线性回归图。我们将使用国内航班数据的API，来比较航班延误时间和飞机出发时间之间的关系。

import pandas as pd
import altair as alt

api_url = "https://services.etihad.com/etihadflightstatus/api/flights/release/v1/flightstatus?airlineCode=EY&flightNumber=11&date=2022-05-31&field=statusDepartureScheduled,statusDepartureActual,statusDepartureGate,statusDepartureTerminal,statusDepartureDelay"

data = pd.read_json(api_url)
data = pd.DataFrame(data["combinedFlightStatus"][0]["flightSegmentStatusList"])

alt.Chart(data).mark_point().encode(
    x='scheduledDepartureTime',
    y='actualDepartureTime'
).transform_regression('scheduledDepartureTime', 'actualDepartureTime').interactive()

在这个例子中，我们首先使用Pandas来读取航班数据，并将其转换为DataFrame。然后，我们使用Altair来制作线性回归图，其中x轴表示计划出发时间，y轴表示实际出发时间，每个点代表一个航班。我们还添加了一个回归线来表示趋势。这种视觉方法可以帮助我们确定航班延误的原因。

Plotly

Plotly是一个现代化的可视化库，支持绘制交互式图表和动画。它提供了各种可视化类型，包括折线图、散点图、柱状图、等高线图、面积图等。

下面的代码演示如何使用Plotly和Pandas库来制作一个简单的股票行情图。我们将使用Alphavantage股票API，来获取苹果公司最近一年的历史价格，并将其转换为折线图。

import pandas as pd
import plotly.graph_objs as go
import requests

api_url = "https://www.alphavantage.co/query?function=TIME_SERIES_WEEKLY_ADJUSTED&symbol=AAPL&apikey=demo"

response = requests.get(api_url)
data = response.json()["Weekly Adjusted Time Series"]
data = pd.DataFrame.from_dict(data, orient='index')
data.index = pd.to_datetime(data.index)

fig = go.Figure(layout_title="Apple Stock Prices", layout_xaxis_title="Date", layout_yaxis_title="Price")
fig.add_trace(go.Scatter(x=data.index, y=data['5. adjusted close'], mode='lines'))
fig.show()

在这个例子中，我们使用requests库来请求Alphavantage股票API，并将结果转换为Python dict类型。然后，我们使用Pandas将结果转换为DataFrame，并平移到时间索引。最后，我们使用Plotly将数据转换为折线图，并添加标题和轴标签。这种视觉方法可以帮助我们了解公司股票的趋势和波动。