用Python介绍 Altair

Altair是Python中的统计可视化库。它本质上是声明式的，基于 Vega 和 Vega-Lite 可视化语法。它正迅速成为寻求快速有效数据集可视化方法的人们的首选。如果您使用过像 matplotlib 这样的命令式可视化库，您将能够正确地欣赏 Altair 的功能。

它被正确地视为声明性可视化库，因为在 Altair 中可视化任何数据集时，用户只需要指定数据列如何映射到编码通道，即声明数据列和编码通道（如 x 和 y 轴）之间的链接，行、列等。简单地框架化，声明性可视化库允许您专注于“什么”而不是“如何”部分，通过在没有用户帮助的情况下自行处理其他绘图细节。

相反，诸如matplotlib之类的命令式库强制您指定可视化的“方式”部分，这会从数据和它们之间的关系中转移注意力。这也使代码变得冗长且耗时，因为您必须自己指定详细信息，例如图例和轴名称。

安装

以下命令可用于像安装任何其他Python库一样安装 Altair：

pip install altair

我们将使用vega_datasets包中的数据集。要安装，应使用以下命令：

pip install vega_datasets

注意 - 应该使用Jupyter Notebook 来执行代码，因为可视化需要一个 Javascript 前端来显示图表。您可以参考以下文章了解如何使用 Jupyter Notebook：Jupyter Notebook 入门。您还可以使用 JupyterLab、Zeppelin 或任何其他笔记本环境或具有笔记本支持的 IDE。

Altair 图表的基本要素

所有 Altair 图表都需要三个基本元素：数据、标记和编码。也可以通过仅指定数据和标记来制作有效图表。

所有 Altair 图表的基本格式是：

alt.Chart(data).mark_bar().encode(

encoding1 = ‘column1’,

encoding2 = ‘column2’,

)

编程需要懂一点英语

做一个图表。
传入一些数据。
指定所需的标记类型。
指定编码。

现在，让我们详细了解一下基本要素。

数据

数据集是您传递给图表的第一个参数。 Altair 中的数据是围绕 Pandas Dataframe 构建的，因此编码变得非常简单，它能够检测编码中所需的数据类型，但您也可以对数据使用以下内容：

数据或相关对象，例如 UrlData、InlineData、NamedData
json 或 csv 格式的文本文件或 url
支持 __geo_interface__ 的对象（例如 Geopandas GeoDataFrame、GeoJSON Objects）

使用 DataFrames 将使过程更容易，因此您应该尽可能使用 DataFrames。

标记

Mark 属性指定数据应如何在图中表示。 Altair 中有多种可用的标记方法，格式如下：

mark_markname()

一些基本标记包括区域、条形、点、文本、刻度线和线。 Altair 还提供了一些复合标记，如箱线图、误差带和误差条。这些标记方法还可以接受可选参数，如颜色和不透明度。

使用 Altair 的主要优点之一是只需更改标记类型即可更改图表类型。

编码

可视化中最重要的事情之一是将数据映射到图表的视觉属性。 Altair 中的这种映射称为编码，通过Chart.encode() 方法执行。 Altair 中有多种类型的编码通道可用：位置通道、标记属性通道、超链接通道等。其中最常用的是来自位置通道的 x(x 轴值) 和 y(y 轴值)以及来自标记属性通道的颜色和不透明度。

好处

所有类型的图的基本代码保持不变，用户只需更改标记属性即可获得不同的图。
与其他命令式可视化库相比，代码更短且更易于编写。用户可以专注于数据列之间的关系而忘记不必要的绘图细节。
Faceting 和 Interactivity 非常容易实现。

例子

程序1：（简单条形图）

Python3

# Importing altair and pandas library
import altair as alt
import pandas as pd
  
# Making a Pandas DataFrame
score_data = pd.DataFrame({
    'Website': ['StackOverflow', 'FreeCodeCamp',
                'GeeksForGeeks', 'MDN', 'CodeAcademy'],
    'Score': [65, 50, 99, 75, 33]
})
  
# Making the Simple Bar Chart
alt.Chart(score_data).mark_bar().encode(
    # Mapping the Website column to x-axis
    x='Website',
    # Mapping the Score column to y-axis
    y='Score'
)

Python3

# Importing altair
import altair as alt
# Import data object from vega_datasets
from vega_datasets import data
  
# Selecting the data
iris = data.iris()
  
# Making the Scatter Plot
alt.Chart(iris).mark_point().encode(
    # Map the sepalLength to x-axis
    x='sepalLength',
    # Map the petalLength to y-axis
    y='petalLength',
    # Map the species to shape
    shape='species'
)

输出：

使用 Altair 的简单条形图

程序2：（散点图）

在这个例子中，我们将以散点图的形式可视化来自vega_datasets库的 iris 数据集。本例中用于散点图的标记方法是mark_point()。对于这个双变量分析，我们将 sepalLength 和 petalLength 列映射到 x 和 y 轴编码。此外，为了区分点，我们将形状编码映射到物种列。

蟒蛇3

# Importing altair
import altair as alt
# Import data object from vega_datasets
from vega_datasets import data
  
# Selecting the data
iris = data.iris()
  
# Making the Scatter Plot
alt.Chart(iris).mark_point().encode(
    # Map the sepalLength to x-axis
    x='sepalLength',
    # Map the petalLength to y-axis
    y='petalLength',
    # Map the species to shape
    shape='species'
)

输出：

使用 Altair 绘制散点图