今天的推文我们介绍一个功能很强,但知名度不如Matplotlib、pyecharts等静态或者交互式可视化库-Altair。Altair是基于Vega和Vega-Lite的Python数据统计可视化库，其优秀的交互、数据统计功能和清新的配色，很难让人用过就忘记(唯一不好就是名字太难记啦!
)。今天，我们就系统介绍下Altair包的基本绘图流程。主要内容如下：
Altair绘图三大主要步骤
在绘制可视化作品之前，我们需要导入绘图所需的数据，Altair库的数据导入格式是标准的Pandas.Dataframe类型，这也很大程度上完善了Python 数据可视化流程化过程，省去了数据转换的过程。好了，介绍完所需要的数据类型，接下里就详细介绍Altair可视化主要的「三大步骤」。
Chart Object)对象转换
在进行Altair可视化绘制时，我们要将之前读取的的数据转换成可被Altair接受的绘图对象，这时候，我们需要调用Altair库的Chart() 方法将数据转换成Altair的Chart对象。这一步骤也是必须和操作的，大家直接记住即可，下面是一个参考样例：
import altair as alt
chart = alt.Chart(data) # data为要绘制的数据，Dataframe类型
Encodings and Marks
在生成图表对象之后，就可以根据数据指定我们希望绘制的可视化作品啦。Altair库通过图表对象(Chart Object) 的 mark属性完成的，即可以通过Chart.mark_ *方法获取多种图表格式。如我们可以使用 mark_point() 来绘制点图，代码如下：
alt.Chart(data).mark_point()
除了mark_point()绘图函数外，Altair提供的其他表格类型如下表：
Chart.mark_ *除此之外，Altair还提供给了组合图，即我们熟悉的统计类图表，如下：
Compound marks当然，我最喜欢的一个绘图功能是下面这一个：直接填充图片(根据赋值的x、y坐标信息)，就可以实现图片的填充效果图了，生成例如男女比例小头像的的统计图表就会更加立体形象，举例如下：
import altair as alt
import pandas as pd
source = pd.DataFrame.from_records([
{"x": 0.5, "y": 0.5, "img": "https://vega.github.io/vega-datasets/data/ffox.png"},
{"x": 1.5, "y": 1.5, "img": "https://vega.github.io/vega-datasets/data/gimp.png"},
{"x": 2.5, "y": 2.5, "img": "https://vega.github.io/vega-datasets/data/7zip.png"}
])
alt.Chart(source).mark_image(
width=50,
height=50
).encode(
x='x',
y='y',
url='img'
)
可视化结果如下：
mark_image example要想对各类mark进行定制化操作，Altair也提供了大量可以进行定制化操作的Mark Properties (属性)，除了比较常见的*颜色(color)、填充(fill)、大小(size)、透明度(opacity)、形状(shape)*外，还提供大量的其他属性，用于灵活构建自己的可视作品，更多详细的内容，小伙伴们可以参考其官网哈，如下：https://altair-viz.github.io/user_guide/marks.html
在选择完我们的mark对象后，接下来我们要做的就是如何将数据进行映射，比如，我绘制散点图，我需要将数据中的哪一列映射到X轴，哪一列映射到Y轴呢？这时候就需要用到Altair的Chart.encode() 方法。
Encode() 方法可直接将如坐标轴(x，y)，颜色，形状，大小等图表属性通过pandas dataframes数据中的列名建立映射关系。比如下面这个例子就是将a列映射到X轴，b列y映射到Y轴的散点图：
alt.Chart(data).mark_point().encode(
x='a',
y='b'
)
更多encode()方法，大家可以参照以下网址进行了解：https://altair-viz.github.io/user_guide/encoding.html
在完成以上步骤后，你就可以使用Altair库进行基本图表的绘制了，当然，如果你想进行更加快速绘图(包括数据处理)，Altair也提供了用于数据处理转换的Aggregation方法，该方法可以在绘制图表过程中直接对数据进行如求平均、求和等聚合数据操作。比如，还是上边的例子，我们希望将b列的均值映射到Y轴上，常规操作是先对数据进行转换计算再进行 可视化绘制，这里我们可以直接通过以下代码完成数据处理-绘图操作：
alt.Chart(data).mark_bar().encode(
x='a',
y='average(b)'
)
我们还可以通过以下方式来添加刻度轴名称、图例等绘图属性：
alt.Chart(data).mark_bar(color='firebrick').encode(
alt.Y('a', title='category'),
alt.X('average(b)', title='avg(b) by category')
)
其中:alt.Y、alt.X 方法则可以添加title、label等属性。
保存结果(Saving Altair Charts)
由于Altair为交互式的可视化库(基于JS)，其保存绘制结果的格式也相对较多，这里我们列举一下即可：
import altair as alt
chart = alt.Chart(data.cars.url).mark_point().encode(
x='',
y='',
color=''
)
# 保存json格式
chart.save('chart.json')
# 保存HTML 网页格式
chart.save('chart.html')
# 保存png格式
chart.save('chart.png')
# 保存svg格式
chart.save('chart.svg')
# 保存pdf格式
chart.save('chart.pdf')
其中保存png格式时还可以设置scale_factor属性，修改charts 大小或者分辨率，scale_factor默认大小为1.
chart.save('chart.png', scale_factor=2.0)
Altair样例
介绍完Altair基本的绘图步骤后，这一部分，我们列举几个优秀的可视化作品供大家欣赏。
「样例一」：London Tube Lines
import altair as alt
from vega_datasets import data
boroughs = alt.topo_feature(data.londonBoroughs.url, 'boroughs')
tubelines = alt.topo_feature(data.londonTubeLines.url, 'line')
centroids = data.londonCentroids.url
background = alt.Chart(boroughs).mark_geoshape(
stroke='white',
strokeWidth=2
).encode(
color=alt.value('#eee'),
).properties(
width=700,
height=500
)
labels = alt.Chart(centroids).mark_text().encode(
longitude='cx:Q',
latitude='cy:Q',
text='bLabel:N',
size=alt.value(8),
opacity=alt.value(0.6)
).transform_calculate(
"bLabel", "indexof (datum.name,' ') > 0 ? substring(datum.name,0,indexof(datum.name, ' ')) : datum.name"
)
line_scale = alt.Scale(domain=["Bakerloo", "Central", "Circle", "District", "DLR",
"Hammersmith & City", "Jubilee", "Metropolitan", "Northern",
"Piccadilly", "Victoria", "Waterloo & City" ],
range=["rgb(137,78,36)", "rgb(220,36,30)", "rgb(255,206,0)",
"rgb(1,114,41)", "rgb(0,175,173)", "rgb(215,153,175)",
"rgb(106,114,120)", "rgb(114,17,84)", "rgb(0,0,0)",
"rgb(0,24,168)", "rgb(0,160,226)", "rgb(106,187,170)"])
lines = alt.Chart(tubelines).mark_geoshape(
filled=False,
strokeWidth=2
).encode(
alt.Color(
'id:N',
legend=alt.Legend(
title=None,
orient='bottom-right',
offset=0
)
)
)
background + labels + lines
可视化结果如下：
London Tube Lines「样例二」：Natural Disasters
import altair as alt
from vega_datasets import data
source = data.disasters.url
alt.Chart(source).mark_circle(
opacity=0.8,
stroke='black',
strokeWidth=1
).encode(
alt.X('Year:O', axis=alt.Axis(labelAngle=0)),
alt.Y('Entity:N'),
alt.Size('Deaths:Q',
scale=alt.Scale(range=[0, 4000]),
legend=alt.Legend(title='Annual Global Deaths')
),
alt.Color('Entity:N', legend=None)
).properties(
width=450,
height=320
).transform_filter(
alt.datum.Entity != 'All natural disasters'
)
可视化结果：
Natural Disasters「样例三」：One Dot Per Zipcode
import altair as alt
from vega_datasets import data
# Since the data is more than 5,000 rows we'll import it from a URL
source = data.zipcodes.url
alt.Chart(source).transform_calculate(
"leading digit", alt.expr.substring(alt.datum.zip_code, 0, 1)
).mark_circle(size=3).encode(
longitude='longitude:Q',
latitude='latitude:Q',
color='leading digit:N',
tooltip='zip_code:N'
).project(
type='albersUsa'
).properties(
width=650,
height=400
)
One Dot Per Zipcode
更多其他优秀的可视化作品，大家可前往altair官网进行查看：https://altair-viz.github.io/gallery/index.html
总结
今天我们介绍了一个优秀的Python交互式可视化包-Altair，其丰富的图表类型和灵活的定制化函数，相信一定能够让大家绘制出自己的可视化作品。以上内容只是简单对Altair包绘图过程进行了总结，主要都是我在使用该库进行绘图时所认为的关键步骤，可能有所缺漏，更多内容大家可参考Altair官网。
- EOF -
觉得本文对你有帮助？请分享给更多人
推荐关注「Python开发者」，提升Python技能
点赞和在看就是最大的支持❤️
