妙??！這款 Python 數據可視化工具強的很！
使用 Altair ，你可以將更多時間專注于數據及其含義，下面我將詳細介紹：
示例
這是一個在 JupyterLab 中使用 Altair 快速可視化和顯示數據集的示例：
import altair as alt
# load a simple dataset as a pandas DataFrame
from vega_datasets import data
cars = data.cars()
alt.Chart(cars).mark_point().encode(
x='Horsepower',
y='Miles_per_Gallon',
color='Origin',
)
源自 Vega-Lite 的 Altair 的獨特功能之一是聲明性語法，它不僅具有可視化功能，還具有交互性。通過對上面的示例進行一些修改，我們可以創建一個鏈接的直方圖，該直方圖根據散點圖的選擇進行過濾。
import altair as alt
from vega_datasets import data
source = data.cars()
brush = alt.selection(type='interval')
points = alt.Chart(source).mark_point().encode(
x='Horsepower',
y='Miles_per_Gallon',
color=alt.condition(brush, 'Origin', alt.value('lightgray'))
).add_selection(
brush
)
bars = alt.Chart(source).mark_bar().encode(
y='Origin',
color='Origin',
x='count(Origin)'
).transform_filter(
brush
)
points & bars
安裝方法
Altair需要以下依賴項：
- pandas
- traitlets
- IPython
如果已克隆存儲庫，請從存儲庫的根目錄運行以下命令：
pip install -e .[dev]
如果你不想克隆存儲庫，則可以使用以下命令進行安裝：
pip install git+https://github.com/altair-viz/altair
更多內容詳情，可以查看github鏈接：
https://github.com/altair-viz/altair
三大操作
接下來，我將詳細地介紹 Altair 如何創建過濾、分組和合并操作的可視化對象，可以將其用作探索性數據分析過程的一部分。
我們構建兩個數據幀的模擬數據。第一個是餐廳訂單，第二個是餐廳訂單中的商品價格。
# import libraries
import numpy as np
import pandas as pd
import altair as alt
import random
# mock data
orders = pd.DataFrame({
"order_id": np.arange(1,101),
"item": np.random.randint(1, 50, size=100),
"qty": np.random.randint(1, 10, size=100),
"tip": (np.random.random(100) * 10).round(2)
})
prices = pd.DataFrame({
"item": np.arange(1,51),
"price": (np.random.random(50) * 50).round(2)
})
order_type = ["lunch", "dinner"] * 50
random.shuffle(order_type)
orders["order_type"] = order_type
首先，我們創建一個簡單的圖來 Altair 語法結構。
alt.Chart(orders).mark_circle(size=50).encode(
x="qty", y="tip", color="order_type"
).properties(
title = "Tip vs Quantity"
)
Altair 基本語法四步曲：
- 將數據傳遞到 Chart 對象，數據可以采用Pandas數據框或指向json或csv文件的URL字符串的形式。
- 選擇可視化的類型（例如 mark_circle，mark_line 等）。
- encode 編碼函數指定在給定數據幀中要繪制的內容。因此，我們在編碼函數中編寫的任何內容都必須鏈接到數據幀。
- 使用properties函數指定圖的某些屬性。
考慮這樣一種情況，我們需要創建 pirce 和 tip 值的散點圖，它們位于不同的數據幀中。一種選擇是合并兩個數據幀，并在散點圖中使用這兩列。
Altair提供了一種更實用的方法，它允許在其他數據框中查找列， 類似 Pandas 的 merge 函數功能相同。
alt.Chart(orders).mark_circle(size=50).encode(
x="tip", y="price:Q", color="order_type"
).transform_lookup(
lookup="item",
from_=alt.LookupData(data=prices, key="item", fields=["price"])
).properties(
title = "Price vs Tip"
)
transform_lookup 函數類似于 Pandas 的 merge 函數。用于匹配觀察值的列（即行）將傳遞給lookup參數。fields參數用于從另一個數據幀中選擇所需的列。
我們還可以把過濾組件集成到繪圖中，讓我們繪制價格超過10美元的數據點。
alt.Chart(orders).mark_circle(size=50).encode(
x="tip", y="price:Q", color="order_type"
).transform_lookup(
lookup="item",
from_=alt.LookupData(data=prices, key="item", fields=["price"])
).transform_filter(
alt.FieldGTPredicate(field='price', gt=10)
).properties(
title = "Price vs Tip"
)
transform_filter 函數用于過濾。FieldGTPredicate處理"大于"的條件。
除了過濾和合并外，Altair 還允許在繪圖之前對數據點進行分組。例如，我們可以創建一個條形圖來顯示每種訂單類型的商品平均價格。此外，我們可以對價格低于20美元的商品執行此操作。
alt.Chart(orders).mark_bar().encode(
y="order_type", x="avg_price:Q"
).transform_lookup(
lookup="item",
from_=alt.LookupData(data=prices, key="item", fields=["price"])
).transform_filter(
alt.FieldLTPredicate(field='price', lt=20)
).transform_aggregate(
avg_price = "mean(price)", groupby = ["order_type"]
).properties(
height=200, width=300
)
讓我們詳細說明每個步驟：
- transform_lookup：從價格數據框中查找價格。
- transform_filter：過濾價格低于20美元的價格。
- transform_aggregate：按訂單類型對價格進行分組并計算均值。
結論
Altair 與其他常見的可視化庫的不同之處在于，它可以無縫地將數據分析組件集成到可視化中，是一款非常實用的數據探索工具。
篩選、合并和分組對于探索性數據分析過程至關重要。Altair 允許在創建數據可視化時執行所有這些操作。從這個意義上講，Altair也可以視為數據分析工具。如果你感興趣，趕快嘗試一下吧。
