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？进行

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、数据友好，可视库并基于强大的进行Vega-Lite JSON规范构建，我们只需要简短的数据代码即可生成美观、有效的可视库可视化效果。

Altair是进行什么

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

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

简单来说，可视库Altair是进行一种可视化语法，也是数据一种创建、保存和分享交互式可视化设计的可视库声明式语言，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）、网站模板数据变换（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 使用的香港云服务器主要数据结构之一。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：

import altair as alt

import pandas as pd

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

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。云服务器

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。

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。

…

chart = alt.Chart(df).mark_area(

color="lightblue",

interpolate="step",

line=True,

opacity=0.8

).encode(

alt.X("month(date):T",

axis=alt.Axis(format="%b",

formatType="time",

labelAngle=-15,

labelBaseline="top",

labelPadding=5,

title="month")),

y="mean(precipitation):Q",

facet=alt.Facet("year(date):Q",

columns=4,

header=alt.Header(

labelColor="red",

labelFontSize=15,

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

titleFont="Calibri",

titleFontSize=25,

titlePadding=15)

)

0)

…

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。