社区编辑申请
注册/登录
妙啊!这款 Python 数据可视化工具强的很!
开发 后端 数据可视化
Altair 是 Python 的一个非常棒的统计可视化库。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。

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',
)

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

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]

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

更多内容详情,可以查看github链接:

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

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

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"
)

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"
)

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"
)

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
)

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。

责任编辑:庞桂玉 来源: 简说Python
相关推荐

2022-06-12 06:48:34

2022-06-05 21:09:47

Python办公自动化

2022-06-15 08:25:07

Python天气数据可视化分析

2022-06-20 22:37:25

Linux操作系统命令

2022-06-28 09:34:24

可视化Python代码

2022-06-20 09:45:48

Python开源可视化库

2022-06-15 11:02:40

网络安全运营

2022-05-07 10:14:07

Python数据可视化

2022-02-23 09:50:52

PythonEchartspyecharts

2022-05-11 09:02:27

Python数据库Excel

2022-06-16 17:02:49

微软智能云混合云Azure

2022-06-27 19:01:04

Python应用程序数据

2022-06-16 07:32:38

VSCodePython插件

2022-06-27 17:46:53

PythonFlask

2022-06-28 09:26:25

Python配置文件

2022-06-28 12:35:21

DockerPython

2022-06-17 09:08:27

代码Python内置库

2022-06-21 09:02:49

python技巧

2022-04-27 09:30:01

Python爬虫人工智能

2022-05-23 11:13:02

Python工具

同话题下的热门内容

源码探秘:Python 中对象是如何被调用的?吐血推荐17个提升开发效率的“轮子”超全!Python 中常见的配置文件写法Pandas 新手容易犯的六个错误Python 中的万能之王 Lambda 函数整理了100个Python精选库,建议收藏!Python进行数据可视化,你会用什么库来做呢?Spring MVC中@InitBinder注解是如何应用的?

编辑推荐

使用Kotlin做开发一个月后的感想面试官问你什么是消息队列?把这篇甩给他!五大自动化测试的Python框架图文详解两种算法:深度优先遍历(DFS)和广度优先遍历(BFS)2018年最流行的十大编程语言,其中包括你用的语言吗?
我收藏的内容
点赞
收藏

51CTO技术栈公众号