使用 Altair ，你可以将更多时间专注于数据及其含义，下面我将详细介绍：

示例

这是一个在 JupyterLab 中使用 Altair 快速可视化和显示数据集的示例：

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',
)

登录后复制

源自 Vega-Lite 的 Altair 的独特功能之一是声明性语法，它不仅具有可视化功能，还具有交互性。通过对上面的示例进行一些修改，我们可以创建一个链接的直方图，该直方图根据散点图的选择进行过滤。

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

登录后复制

安装方法

Altair需要以下依赖项：

• pandas
• traitlets
• IPython

如果已克隆存储库，请从存储库的根目录运行以下命令：

pip install -e .[dev]

登录后复制

如果你不想克隆存储库，则可以使用以下命令进行安装：

pip install git+https://github.com/altair-viz/altair

登录后复制

更多内容详情，可以查看github链接：

https://github.com/altair-viz/altair

登录后复制

三大操作

接下来，我将详细地介绍 Altair 如何创建过滤、分组和合并操作的可视化对象，可以将其用作探索性数据分析过程的一部分。

我们构建两个数据帧的模拟数据。第一个是餐厅订单，第二个是餐厅订单中的商品价格。

# 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

登录后复制

首先，我们创建一个简单的图来 Altair 语法结构。

alt.Chart(orders).mark_circle(size=50).encode(
 x="qty", y="tip", color="order_type"
).properties(
 title = "Tip vs Quantity"
)

登录后复制

Altair 基本语法四步曲：

• 将数据传递到 Chart 对象，数据可以采用Pandas数据框或指向json或csv文件的URL字符串的形式。
• 选择可视化的类型（例如 mark_circle，mark_line 等）。
• encode 编码函数指定在给定数据帧中要绘制的内容。因此，我们在编码函数中编写的任何内容都必须链接到数据帧。
• 使用properties函数指定图的某些属性。

考虑这样一种情况，我们需要创建 pirce 和 tip 值的散点图，它们位于不同的数据帧中。一种选择是合并两个数据帧，并在散点图中使用这两列。

Altair提供了一种更实用的方法，它允许在其他数据框中查找列， 类似 Pandas 的 merge 函数功能相同。

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"
)

登录后复制

transform_lookup 函数类似于 Pandas 的 merge 函数。用于匹配观察值的列（即行）将传递给lookup参数。fields参数用于从另一个数据帧中选择所需的列。

我们还可以把过滤组件集成到绘图中，让我们绘制价格超过10美元的数据点。

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"
)

登录后复制

transform_filter 函数用于过滤。FieldGTPredicate处理"大于"的条件。

除了过滤和合并外，Altair 还允许在绘图之前对数据点进行分组。例如，我们可以创建一个条形图来显示每种订单类型的商品平均价格。此外，我们可以对价格低于20美元的商品执行此操作。

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
)

登录后复制

让我们详细说明每个步骤：

• transform_lookup：从价格数据框中查找价格。
• transform_filter：过滤价格低于20美元的价格。
• transform_aggregate：按订单类型对价格进行分组并计算均值。

结论

Altair 与其他常见的可视化库的不同之处在于，它可以无缝地将数据分析组件集成到可视化中，是一款非常实用的数据探索工具。

筛选、合并和分组对于探索性数据分析过程至关重要。Altair 允许在创建数据可视化时执行所有这些操作。从这个意义上讲，Altair也可以视为数据分析工具。如果你感兴趣，赶快尝试一下吧。

以上就是妙啊！这款 Python 数据可视化工具强的很！的详细内容，更多请关注海外IDC网其它相关文章！

【文章转自：日本站群服务器 http://www.558idc.com/japzq.html处的文章,转载请说明出处】