快捷導(dǎo)航

Python可視化模塊altair的使用詳解

更新時(shí)間：2022年07月01日 09:50:14 作者：俊欣

Altair被稱為是統(tǒng)計(jì)可視化庫(kù)，因?yàn)樗梢酝ㄟ^(guò)分類匯總、數(shù)據(jù)變換、數(shù)據(jù)交互、圖形復(fù)合等。本文和大家聊一下Python當(dāng)中的altair可視化模塊，并且通過(guò)調(diào)用該模塊來(lái)繪制一些常見(jiàn)的圖表，感興趣的可以了解一下

今天小編來(lái)和大家聊一下Python當(dāng)中的altair可視化模塊，并且通過(guò)調(diào)用該模塊來(lái)繪制一些常見(jiàn)的圖表，借助Altair，我們可以將更多的精力和時(shí)間放在理解數(shù)據(jù)本身以及數(shù)據(jù)的意義上面，從復(fù)雜的數(shù)據(jù)可視化過(guò)程中解脫出來(lái)。

Altair是啥

Altair被稱為是統(tǒng)計(jì)可視化庫(kù)，因?yàn)樗梢酝ㄟ^(guò)分類匯總、數(shù)據(jù)變換、數(shù)據(jù)交互、圖形復(fù)合等方式全面地認(rèn)識(shí)數(shù)據(jù)、理解和分析數(shù)據(jù)，并且其安裝的過(guò)程也是十分的簡(jiǎn)單，直接通過(guò)pip命令來(lái)執(zhí)行，如下

pip install altair
pip install vega_datasets
pip install altair_viewer

如果使用的是conda包管理器來(lái)安裝Altair模塊的話，代碼如下

conda?install?-c?conda-forge?altair?vega_datasets

Altair初體驗(yàn)

我們先簡(jiǎn)單地來(lái)嘗試?yán)L制一個(gè)直方圖，首先創(chuàng)建一個(gè)DataFrame數(shù)據(jù)集，代碼如下

df = pd.DataFrame({"brand":["iPhone","Xiaomi","HuaWei","Vivo"],
                   "profit(B)":[200,55,88,60]})

接下來(lái)便是繪制直方圖的代碼

import altair as alt
import pandas as pd
import altair_viewer

chart = alt.Chart(df).mark_bar().encode(x="brand:N",y="profit(B):Q")
# 展示數(shù)據(jù)，調(diào)用display()方法
altair_viewer.display(chart,inline=True)

output

從整個(gè)的語(yǔ)法結(jié)構(gòu)來(lái)看，首先使用alt.Chart()指定使用的數(shù)據(jù)集，然后使用實(shí)例方法mark_*()繪圖圖表的樣式，最后指定X軸和Y軸所代表的數(shù)據(jù)，可能大家會(huì)感到好奇，當(dāng)中的N以及Q分別代表的是什么，這個(gè)是變量類型的縮寫形式，換句話說(shuō)，Altair模塊需要了解繪制圖形所涉及的變量類型，只有這樣，繪制的圖形才是我們期望的效果。

其中的N代表的是名義型的變量(Nominal)，例如手機(jī)的品牌都是一個(gè)個(gè)專有名詞，而Q代表的是數(shù)值型變量（Quantitative），可以分為離散型數(shù)據(jù)（discrete）和連續(xù)型數(shù)據(jù)（continuous），除此之外還有時(shí)間序列型數(shù)據(jù)，縮寫是T以及次序型變量（O），例如在網(wǎng)購(gòu)過(guò)程當(dāng)中的對(duì)商家的評(píng)級(jí)有1-5個(gè)星級(jí)。

圖表的保存

最后的圖表的保存，我們可以直接調(diào)用save()方法來(lái)保存，將對(duì)象保存成HTML文件，代碼如下

chart.save("chart.html")

也可以保存成JSON文件，從代碼上來(lái)看十分的相類似

chart.save("chart.json")

當(dāng)然我們也能夠保存成圖片格式的文件，如下圖所示

Altair之進(jìn)階操作

我們?cè)谏厦娴幕A(chǔ)之上，進(jìn)一步的衍生和拓展，例如我們想要繪制一張水平方向的條形圖，X軸和Y軸的數(shù)據(jù)互換，代碼如下

chart = alt.Chart(df).mark_bar().encode(x="profit(B):Q", y="brand:N")
chart.save("chart1.html")

output

同時(shí)我們也來(lái)嘗試?yán)L制一張折線圖，調(diào)用的是mark_line()方法代碼如下

## 創(chuàng)建一組新的數(shù)據(jù)，以日期為行索引值
np.random.seed(29)
value = np.random.randn(365)
data = np.cumsum(value)
date = pd.date_range(start="20220101", end="20221231")
df = pd.DataFrame({"num": data}, index=date)

line_chart = alt.Chart(df.reset_index()).mark_line().encode(x="index:T", y="num:Q")
line_chart.save("chart2.html")

output

我們還可以來(lái)繪制一張甘特圖，通常在項(xiàng)目管理上面用到的比較多，X軸添加的是時(shí)間日期，而Y軸上表示的則是項(xiàng)目的進(jìn)展，代碼如下

project = [{"project": "Proj1", "start_time": "2022-01-16", "end_time": "2022-03-20"},
 {"project": "Proj2", "start_time": "2022-04-12", "end_time": "2022-11-20"},
 ......
 ]

df = alt.Data(values=project)
chart = alt.Chart(df).mark_bar().encode(
    alt.X("start_time:T",
          axis=alt.Axis(format="%x",
                        formatType="time",
                        tickCount=3),
          scale=alt.Scale(domain=[alt.DateTime(year=2022, month=1, date=1),
                                  alt.DateTime(year=2022, month=12, date=1)])),
    alt.X2("end_time:T"),
    alt.Y("project:N", axis=alt.Axis(labelAlign="left",
                                     labelFontSize=15,
                                     labelOffset=0,
                                     labelPadding=50)),
    color=alt.Color("project:N", legend=alt.Legend(labelFontSize=12,
                                                   symbolOpacity=0.7,
                                                   titleFontSize=15)))

chart.save("chart_gantt.html")

output

從上圖中我們看到團(tuán)隊(duì)當(dāng)中正在做的幾個(gè)項(xiàng)目，每個(gè)項(xiàng)目的進(jìn)展程度不同，當(dāng)然了，不同項(xiàng)目的時(shí)間跨度也不盡相同，表現(xiàn)在圖表上面的話就顯得十分的直觀了。

緊接著，我們?cè)賮?lái)繪制散點(diǎn)圖，調(diào)用的是mark_circle()方法，代碼如下

df = data.cars()

## 篩選出地區(qū)是“USA”也就是美國(guó)的乘用車數(shù)據(jù)
df_1 = alt.Chart(df).transform_filter(
    alt.datum.Origin == "USA"
)

df = data.cars()

df_1 = alt.Chart(df).transform_filter(
    alt.datum.Origin == "USA"
)

chart = df_1.mark_circle().encode(
    alt.X("Horsepower:Q"),
    alt.Y("Miles_per_Gallon:Q")
)

chart.save("chart_dots.html")

output

當(dāng)然我們可以將其進(jìn)一步的優(yōu)化，讓圖表顯得更加美觀一些，添加一些顏色上去，代碼如下

chart = df_1.mark_circle(color=alt.RadialGradient("radial",[alt.GradientStop("white", 0.0),
                                                 alt.GradientStop("red", 1.0)]),
              size=160).encode(
    alt.X("Horsepower:Q", scale=alt.Scale(zero=False,padding=20)),
    alt.Y("Miles_per_Gallon:Q", scale=alt.Scale(zero=False,padding=20))
)

output

我們更改散點(diǎn)的大小，不同散點(diǎn)的大小代表著不同的值，代碼如下

chart = df_1.mark_circle(color=alt.RadialGradient("radial",[alt.GradientStop("white", 0.0),
                                                 alt.GradientStop("red", 1.0)]),
              size=160).encode(
    alt.X("Horsepower:Q", scale=alt.Scale(zero=False, padding=20)),
    alt.Y("Miles_per_Gallon:Q", scale=alt.Scale(zero=False, padding=20)),
    size="Acceleration:Q"
)

output