Python进行数据可视化，你会用什么库来做呢？

　　用Python进行数据可视化你会用什么库来做呢?

　　今天就来和大家分享Python数据可视化库中的一员猛将——Altair!

　　它非常简单、友好，并基于强大的Vega-Lite JSON规范构建，我们只需要简短的代码即可生成美观、有效的可视化效果。

　　Altair是什么

　　Altair是统计可视化Python 库，目前在GitHub上已经收获超过3000 Star。

　　借助Altair，我们可以将更多的精力和时间放在理解数据本身及数据意义上，从复杂的数据可视化过程中解脱出来。

　　简单来说，Altair是一种可视化语法，也是一种创建、保存和分享交互式可视化设计的声明式语言，可以使用JSON 格式描述可视化的外观和交互过程，产生基于网络的图像。

　　我们来看看利用Altair做出的可视化效果!

　　Altair的优势

　　Altair可以通过分类汇总(aggregation)、数据变换(datatransformation)、数据交互、图形复合等方式全面地认识数据、理解数据和分析数据。这些过程都可以帮助我们增加对数据本身和数据意义的理解维度，培养直观的数据分析思维。

　　总的来看，Altair 的特点有以下几个方面。

　　基于图形语法的声明式Python API。

　　基于Vega-Lite 的JSON 语法规则生成Altair 的Python 代码。

　　在启动的Jupyter Notebook、JupyterLab 和nteract 中展示统计可视化过程。

　　可以将可视化作品导出为PNG/SVG 格式的图片、独立运行的HTML 格式的网页，或者在线上Vega-Lite 编辑器中查看运行效果。

　　在Altair中，使用的数据集要以“整洁的格式”加载。Pandas 中的 DataFrame 是 Altair 使用的主要数据结构之一。Altair对Pandas的DataFrame有很好地加载效果，加载方法简单高效。例如，使用Pandas读取Excel数据集，使用Altair加载Pandas返回值的实现代码，如下所示：

　　复制

　　1. import altair as alt

　　2. import pandas as pd

　　3. data = pd.read_excel( "Index_Chart_Altair.xlsx", sheet_name="Sales", parse_dates=["Year"] )

　　4. alt.Chart( data )

　　牛刀小试——弄出一个条形图

　　Altair 很强调变量类型的区分和组合。变量的取值是数据，且有差异，有数值、字符串、日期等表现形式。变量是数据的存储容器，数据是变量的存储单元内容。

　　另一方面，从统计抽样角度来看，变量是总体，数据是样本，需要使用样本研究和分析总体。可以通过将不同的变量类型相互组合从而生成统计图形，以便更直观地认识数据。

　　按照不同变量类型的组合方式划分，变量类型的组合方式可以分为如下几种。

　　名义型变量+数量型变量。

　　时间型变量+数量型变量。

　　时间型变量+名义型变量。

　　数量型变量+数量型变量。

　　其中，时间型变量是一种特殊类型的数量型变量，可以将时间型变量设定为名义型变量(N)或次序型变量(O)，实现时间型变量的离散化，从而形成与数量型变量的组合。

　　这里以名义型变量+数量型变量中的一条来讲解。

　　如果将数量型变量映射到x 轴，将名义型变量映射到y 轴，依然将柱体作为数据的编码样式(标记样式)，就可以绘制条形图。条形图可以更好地使用长度变化比较商品销售利润的差距，如下图所示。

　　对照柱形图的实现代码，条形图的实现代码变化的部分如下所示。

　　复制

　　1. chart = alt.Chart(df).mark_bar().encode(x="profit:Q",y="product:N")

　　复杂的图形也很简单

　　下面就演示一下分区展示不同年份的每月平均降雨量!

　　我们可以使用面积图描述西雅图从2012 年到2015 年的每个月的平均降雨量统计情况。接下来，进一步拆分平均降雨量，以年份为分区标准，使用阶梯图将具体年份的每月平均降雨量分区展示，如下图所示。

　　核心的实现代码如下所示。

　　复制

　　1. …

　　2. chart = alt.Chart(df).mark_area(

　　3. color="lightblue",

　　4. interpolate="step",

　　5. line=True,

　　6. opacity=0.8

　　7. ).encode(

　　8. alt.X("month(date):T",

　　9. axis=alt.Axis(format="%b",

　　10. formatType="time",

　　11. labelAngle=-15,

　　12. labelBaseline="top",

　　13. labelPadding=5,

　　14. title="month")),

　　15. y="mean(precipitation):Q",

　　16. facet=alt.Facet("year(date):Q",

　　17. columns=4,

　　18. header=alt.Header(

　　19. labelColor="red",

　　20. labelFontSize=15,

　　21. title="Seattle Monthly Precipitation from 2012 to 2015",

　　22. titleFont="Calibri",

　　23. titleFontSize=25,

　　24. titlePadding=15)

　　25. )

　　26. 0)

　　27. …

　　在类alt.X()中，使用month 提取时间型变量date 的月份，映射在位置通道x轴上，使用汇总函数mean()计算平均降雨量，使用折线作为编码数据的标记样式。

　　在实例方法encode()中，使用子区通道facet 设置分区，使用year 提取时间型变量date 的年份，作为拆分从2012 年到2015 年每个月的平均降雨量的分区标准，从而将每年的不同月份的平均降雨量分别显示在对应的子区上。使用关键字参数columns设置子区的列数，使用关键字参数header 设置子区序号和子区标题的相关文本内容。

　　具体而言，使用Header 架构包装器设置文本内容，也就是使用类alt.Header()的关键字参数完成文本内容的设置任务，关键字参数的含义如下所示。

　　labelColor：序号标签颜色。

　　labelFontSize：序号标签大小。

　　title：子区标题。

　　titleFont：子区字体。

　　titleFontSize：子区字体大小。

　　titlePadding：子区标题与序号标签的留白距离。

　　来源： Python人工智能编程

  　　>>>>>>点击进入大数据专题