分享一个口碑炸裂的Python可视化模块，简单快速入手！！

Altair是分享啥？

Altair被称为是统计可视化库，因为它可以通过分类汇总、个口数据变换、碑炸数据交互、可视块简图形复合等方式全面地认识数据、化模理解和分析数据，单快并且其安装的速入手过程也是十分的简单，直接通过pip命令来执行，分享如下：

pip install altair

pip install vega_datasets

pip install altair_viewer

如果使用的个口是conda包管理器来安装Altair模块的话，代码如下：

conda install -c conda-forge altair vega_datasets

Altair初体验

我们先简单地来尝试绘制一个直方图，碑炸首先创建一个DataFrame数据集，可视块简代码如下：

df = pd.DataFrame({ "brand":["iPhone",化模"Xiaomi","HuaWei","Vivo"],

"profit(B)":[200,55,88,60]})

接下来便是绘制直方图的代码：

import altair as alt

import pandas as pd

import altair_viewer

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

# 展示数据，调用display()方法

altair_viewer.display(chart,单快inline=True)

output

从整个的语法结构来看，首先使用alt.Chart()指定使用的速入手数据集，然后使用实例方法mark_*()绘图图表的分享样式，最后指定X轴和Y轴所代表的数据，可能大家会感到好奇，当中的N以及Q分别代表的是源码库什么，这个是变量类型的缩写形式，换句话说，Altair模块需要了解绘制图形所涉及的变量类型，只有这样，绘制的图形才是我们期望的效果。

其中的N代表的是名义型的变量(Nominal)，例如手机的品牌都是一个个专有名词，而Q代表的是数值型变量（Quantitative），可以分为离散型数据（discrete）和连续型数据（continuous），除此之外还有时间序列型数据，缩写是T以及次序型变量（O），例如在网购过程当中的对商家的评级有1-5个星级。

图表的保存

最后的图表的亿华云计算保存，我们可以直接调用save()方法来保存，将对象保存成HTML文件，代码如下：

chart.save("chart.html")

也可以保存成JSON文件，从代码上来看十分的相类似。

chart.save("chart.json")

当然我们也能够保存成图片格式的文件，如下图所示：

Altair之进阶操作

我们在上面的基础之上，进一步的衍生和拓展，例如我们想要绘制一张水平方向的条形图，X轴和Y轴的数据互换，代码如下：

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

chart.save("chart1.html")

output

同时我们也来尝试绘制一张折线图，调用的是mark_line()方法代码如下：

## 创建一组新的数据，以日期为行索引值

np.random.seed(29)

value = np.random.randn(365)

data = np.cumsum(value)

date = pd.date_range(start="20220101", end="20221231")

df = pd.DataFrame({ "num": data}, index=date)

line_chart = alt.Chart(df.reset_index()).mark_line().encode(x="index:T", y="num:Q")

line_chart.save("chart2.html")

output

我们还可以来绘制一张甘特图，通常在项目管理上面用到的比较多，X轴添加的是时间日期，而Y轴上表示的则是项目的进展，代码如下：

project = [{ "project": "Proj1", "start_time": "2022-01-16", "end_time": "2022-03-20"},

{ "project": "Proj2", "start_time": "2022-04-12", "end_time": "2022-11-20"},

......

]

df = alt.Data(values=project)

chart = alt.Chart(df).mark_bar().encode(

alt.X("start_time:T",

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

formatType="time",

tickCount=3),

scale=alt.Scale(domain=[alt.DateTime(year=2022, month=1, date=1),

alt.DateTime(year=2022, month=12, date=1)])),

alt.X2("end_time:T"),

alt.Y("project:N", axis=alt.Axis(labelAlign="left",

labelFontSize=15,

labelOffset=0,

labelPadding=50)),

color=alt.Color("project:N", legend=alt.Legend(labelFontSize=12,

symbolOpacity=0.7,

titleFontSize=15)))

chart.save("chart_gantt.html")

output

从上图中我们看到团队当中正在做的几个项目，亿华云每个项目的进展程度不同，当然了，不同项目的时间跨度也不尽相同，表现在图表上面的话就显得十分的直观了。

紧接着，我们再来绘制散点图，调用的是mark_circle()方法，代码如下：

df = data.cars()

## 筛选出地区是“USA”也就是美国的乘用车数据

df_1 = alt.Chart(df).transform_filter(

alt.datum.Origin == "USA"

)

df = data.cars()

df_1 = alt.Chart(df).transform_filter(

alt.datum.Origin == "USA"

)

chart = df_1.mark_circle().encode(

alt.X("Horsepower:Q"),

alt.Y("Miles_per_Gallon:Q")

)

chart.save("chart_dots.html")

output

当然我们可以将其进一步的优化，让图表显得更加美观一些，添加一些颜色上去，代码如下：

chart = df_1.mark_circle(color=alt.RadialGradient("radial",[alt.GradientStop("white", 0.0),

alt.GradientStop("red", 1.0)]),

size=160).encode(

alt.X("Horsepower:Q", scale=alt.Scale(zero=False,padding=20)),

alt.Y("Miles_per_Gallon:Q", scale=alt.Scale(zero=False,padding=20))

)

output

我们更改散点的大小，不同散点的大小代表着不同的值，代码如下：

chart = df_1.mark_circle(color=alt.RadialGradient("radial",[alt.GradientStop("white", 0.0),

alt.GradientStop("red", 1.0)]),

size=160).encode(

alt.X("Horsepower:Q", scale=alt.Scale(zero=False, padding=20)),

alt.Y("Miles_per_Gallon:Q", scale=alt.Scale(zero=False, padding=20)),

size="Acceleration:Q"

)

output