当前位置： python可视化数据分析-数据可视化python实战教学
Altair 是一个很棒的 Python 统计可视化库。 它非常简单、友好，并且建立在强大的 Vega-Lite JSON 规范之上，我们只需要简短的代码就可以生成美观有效的可视化效果。
使用 Altair，您可以花更多时间关注数据及其含义，我将在下面详细说明：
例子
以下是使用 Altair 在 JupyterLab 中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，它不仅可以实现可视化，还可以实现交互性。 通过对上面的示例进行一些修改python可视化数据分析，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：
如果您克隆了存储库，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，你可以安装它：
pip install git+https://github.com/altair-viz/altair
有关更多详细信息，您可以查看 github 链接
https://github.com/altair-viz/altair
三个操作
接下来，我将详细介绍 Altair 如何创建可视化的过滤、分组和合并操作，这些操作可用作探索性数据分析过程的一部分。
我们构建了两个模拟数据的数据帧。 第一个是餐厅订单，第二个是餐厅订单中商品的价格。
# 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 Altair 语法结构图。
alt.Chart(orders).mark_circle(size=50).encode(
x="qty", y="tip", color="order_type"
).properties(
title = "Tip vs Quantity"
)
Altair 基本语法四步法：
考虑这样一种情况，我们需要创建价格和小费值的散点图，它们位于不同的数据框中。 一种选择是合并两个数据框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，类似于执行相同操作的 Pandas 的合并功能。
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 的合并函数。 用于匹配观察的列（即行）将传递给查找参数。 fields 参数用于从另一个数据框中选择所需的列。
我们还可以将过滤器组件集成到绘图中，使我们能够绘制价格超过 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”条件。
除了过滤和合并，Altair 还允许在绘图前对数据点进行分组。 例如python可视化数据分析，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，我们可以为价格低于 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：
综上所述
Altair 与其他常见可视化库的不同之处在于，它可以将数据分析组件无缝集成到可视化中，是一款非常实用的数据探索工具。
过滤、合并和分组对于探索性数据分析过程至关重要。 Altair 允许您在创建数据可视化时执行所有这些操作。 从这个意义上来说，Altair也可以算是一款数据分析工具，有兴趣的赶快来试试吧
大家好，最后给大家免费分享Python三件套：《ThinkPython》、《Python简明教程》、《Python进阶》PDF电子版。 如果您刚刚入门，请不要担心，这是最好的学习资料。
现免费分享，有需要的读者可以下载学习，在公众号下方回复关键词：三件套，就好。
采集方法：
长按下方扫码，关注并发送消息【三件套】
上一篇 
