妙啊!这款 Python 数据可视化工具强的很!
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】