Python中2种常用数据可视化库：Bokeh和Altair-六虎

本文分享自华为云社区《探求数据可视化：Bokeh vs. Altair》，作者：柠檬味拥抱。

在数据科学和数据剖析范畴，数据可视化是一种强壮的东西，能够协助咱们更好地了解数据、发现形式和趋势。Python作为一种盛行的数据科学东西，拥有多种数据可视化库。本文将重点比较Bokeh和Altair这两个常用的Python数据可视化库，讨论它们的优缺点以及在不同场景下的适用性。

Bokeh 简介

Bokeh是一个交互式可视化库，它能够创立各种类型的交互式图表，包含散点图、线图、条形图等。Bokeh供给了丰富的东西，运用户能够在图表中进行缩放、平移和挑选等操作。

Altair 简介

Altair是一个基于Vega和Vega-Lite的声明式统计可视化库。它的规划理念是简略性和一致性，运用者只需经过简略的Python语法即可创立杂乱的可视化图表，而无需深入了解底层的绘图细节。

Bokeh 与 Altair 的比较

易用性：
- Bokeh：相对而言，Bokeh的学习曲线较为峻峭，需求必定的时间来掌握其强壮的交互功用和绘图选项。
- Altair：Altair的语法相对简略直观，运用者能够更快速地创立出美丽的图表，对于新手来说更易上手。
交互性：
- Bokeh：Bokeh供给了丰富的交互东西，能够轻松地创立交互式图表，而且支撑自定义交互行为。
- Altair：尽管Altair的交互功用相对较少，但是它能够无缝地与其他交互库（如Panel）集成，完成更杂乱的交互需求。
可视化表达能力：
- Bokeh：Bokeh能够创立各种类型的图表，而且支撑自定义图表的外观和布局。
- Altair：Altair的语法规划简练而灵活，能够轻松地完成杂乱的可视化表达，例如运用facet进行分面绘图、运用layer进行图层叠加等。

示例代码和解析

Bokeh 示例：

from bokeh.plotting import figure, show
from bokeh.sampledata.iris import flowers
# 创立一个散点图
p = figure(title="Iris Dataset", x_axis_label='Petal Length', y_axis_label='Petal Width')
# 增加散点数据
p.circle(flowers['petal_length'], flowers['petal_width'], legend_label='Iris Flowers', color='blue', size=8)
# 显现图表
show(p)

解析：

运用Bokeh创立一个散点图，x轴为花瓣长度，y轴为花瓣宽度。
运用Bokeh的circle办法增加散点数据，并指定图例标签、色彩和巨细。
最终调用show函数显现图表。

Altair 示例：

import altair as alt
from vega_datasets import data
# 加载数据集
iris = data.iris()
# 创立散点图
scatter = alt.Chart(iris).mark_circle().encode(
    x='petalLength:Q',
    y='petalWidth:Q',
    color='species:N',
    tooltip=['species', 'petalLength', 'petalWidth']
).properties(
    title='Iris Dataset',
    width=400,
    height=300
).interactive()
# 显现图表
scatter

解析：

运用Altair创立一个散点图，x轴为花瓣长度，y轴为花瓣宽度，色彩依据鸢尾花的种类进行编码。
运用Altair的mark_circle办法创立散点图，并指定x、y、color等特色。
最终经过.properties办法设置图表标题、宽度和高度，并调用.interactive()办法使图表具有交互功用。

经过以上示例和比较，咱们能够看出，Bokeh和Altair都是功用强壮的Python可视化库，它们各有优劣，挑选合适的库取决于具体的需求和个人偏好。Bokeh适用于需求杂乱交互的场景，而Altair则更适合于快速创立美丽的可视化图表。

事例与代码示例

1. Bokeh 事例：

假定咱们有一组出售数据，包含产品名称、出售量和出售额，咱们想要运用 Bokeh 创立一个交互式条形图来展现各产品的出售状况。

from bokeh.plotting import figure, output_file, show
from bokeh.models import ColumnDataSource, HoverTool
from bokeh.transform import factor_cmap
import pandas as pd
# 创立示例出售数据
sales_data = {
    'Product': ['Product A', 'Product B', 'Product C', 'Product D'],
    'Sales Volume': [100, 150, 200, 120],
    'Revenue': [5000, 7500, 10000, 6000]
}
df = pd.DataFrame(sales_data)
# 设置输出文件
output_file("sales_bar_chart.html")
# 创立ColumnDataSource
source = ColumnDataSource(df)
# 创立绘图目标
p = figure(x_range=df['Product'], plot_height=350, title="Sales Summary",
           toolbar_location=None, tools="")
# 增加条形图
p.vbar(x='Product', top='Sales Volume', width=0.9, source=source,
       line_color='white', fill_color=factor_cmap('Product', palette='Set1', factors=df['Product']))
# 增加悬停东西
p.add_tools(HoverTool(tooltips=[("Product", "@Product"), ("Sales Volume", "@{Sales Volume}"), ("Revenue", "@Revenue")]))
# 设置图表特色
p.xgrid.grid_line_color = None
p.y_range.start = 0
p.yaxis.axis_label = "Sales Volume"
# 显现图表
show(p)

这段代码是用于创立一个简略的条形图来展现出售数据，并运用 Bokeh 库进行可视化。以下是代码的首要过程解析：

导入必要的库：
- from bokeh.plotting import figure, output_file, show: 从 Bokeh 库中导入创立绘图、输出文件和显现图表的函数。
- from bokeh.models import ColumnDataSource, HoverTool: 从 Bokeh 库中导入用于处理数据源和悬停东西的相关类。
- from bokeh.transform import factor_cmap: 从 Bokeh 库中导入用于色彩映射的转换函数。
- import pandas as pd: 导入 Pandas 库，用于处理数据。
创立示例出售数据：
- 运用字典形式创立了示例的出售数据，包含产品名称、出售量和收入。
将数据转换为 Pandas DataFrame：
- 运用pd.DataFrame()函数将出售数据转换为 DataFrame。
设置输出文件：
- 运用output_file()函数设置输出文件名为 “sales_bar_chart.html”。
创立 ColumnDataSource：
- 运用ColumnDataSource类将 DataFrame 转换为 Bokeh 可用的数据源。
创立绘图目标：
- 运用figure()函数创立一个条形图目标p，指定了 x 轴的范围、绘图高度、标题等特色。
增加条形图：
- 运用vbar()办法向绘图目标增加条形图，指定了 x 值（产品名称）、条形的高度（出售量）、线条色彩、填充色彩等特色。
增加悬停东西：
- 运用add_tools()办法向绘图目标增加悬停东西，指定了悬停时显现的信息，包含产品名称、出售量和收入。
设置图表特色：
- 运用一系列特色设置函数设置图表的外观特色，如去除 x 轴的网格线、设置 y 轴起始值、设置 y 轴标签等。
显现图表：
- 运用show()函数显现绘图目标。

经过这些过程，代码创立了一个包含出售数据的条形图，并经过悬停东西供给了额定的交互信息。

2. Altair 事例：

假定咱们有一组学生的成果数据，包含学生名字、数学成果和英语成果，咱们想要运用 Altair 创立一个散点图来展现学生的数学成果与英语成果的关系。

import altair as alt
import pandas as pd
# 创立示例成果数据
score_data = {
    'Student': ['Alice', 'Bob', 'Charlie', 'David', 'Emma'],
    'Math Score': [85, 90, 75, 80, 95],
    'English Score': [75, 85, 80, 70, 90]
}
df = pd.DataFrame(score_data)
# 创立散点图
scatter_plot = alt.Chart(df).mark_point().encode(
    x='Math Score',
    y='English Score',
    tooltip=['Student', 'Math Score', 'English Score']
).properties(
    title='Math vs English Scores',
    width=400,
    height=300
).interactive()
# 显现图表
scatter_plot

这些示例代码展现了怎么运用 Bokeh 和 Altair 别离创立交互式条形图和散点图，以展现出售数据和成果数据的可视化。经过这些示例，能够更好地了解 Bokeh 和 Altair 在实践应用中的运用办法和作用。

3. Bokeh 事例（交互式地图）：

假定咱们有一组城市的经纬度数据，以及每个城市的人口数量，咱们期望运用 Bokeh 创立一个交互式地图，显现每个城市的方位并以圆的巨细表明人口数量。

from bokeh.plotting import figure, output_file, show
from bokeh.models import ColumnDataSource, HoverTool
# 示例城市数据
cities_data = {
    'City': ['New York', 'Los Angeles', 'Chicago', 'Houston'],
    'Latitude': [40.7128, 34.0522, 41.8781, 29.7604],
    'Longitude': [-74.0060, -118.2437, -87.6298, -95.3698],
    'Population': [8399000, 3990456, 2705994, 2320268]
}
df = pd.DataFrame(cities_data)
# 设置输出文件
output_file("population_map.html")
# 创立ColumnDataSource
source = ColumnDataSource(df)
# 创立绘图目标
p = figure(plot_width=800, plot_height=600, title="Population Map",
           toolbar_location="below")
# 增加圆形符号
p.circle(x='Longitude', y='Latitude', size='Population' / 100000,
         fill_alpha=0.6, line_color=None, source=source)
# 增加悬停东西
hover = HoverTool()
hover.tooltips = [("City", "@City"), ("Population", "@Population")]
p.add_tools(hover)
# 设置图表特色
p.xaxis.axis_label = "Longitude"
p.yaxis.axis_label = "Latitude"
# 显现图表
show(p)

4. Altair 事例（堆叠柱状图）：

假定咱们有一组月度出售数据，包含出售额和赢利，咱们期望运用 Altair 创立一个堆叠柱状图，展现每个月的出售额和赢利状况。

import altair as alt
import pandas as pd
# 示例出售数据
sales_data = {
    'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May'],
    'Sales': [50000, 60000, 70000, 55000, 65000],
    'Profit': [20000, 25000, 30000, 22000, 27000]
}
df = pd.DataFrame(sales_data)
# 创立堆叠柱状图
stacked_bar_chart = alt.Chart(df).mark_bar().encode(
    x='Month',
    y='Sales',
    color=alt.value('blue'),
    tooltip=['Month', 'Sales']
).properties(
    title='Monthly Sales and Profit',
    width=400,
    height=300
).interactive()   
alt.Chart(df).mark_bar().encode(
    x='Month',
    y='Profit',
    color=alt.value('orange'),
    tooltip=['Month', 'Profit']
)
# 显现图表
stacked_bar_chart

这些示例代码展现了怎么运用 Bokeh 和 Altair 别离创立交互式地图和堆叠柱状图，以展现城市人口分布和出售数据的可视化。这些示例为运用 Bokeh 和 Altair 进行数据可视化供给了更多的创意和实践经验。

总结

本文对Python中两个常用的数据可视化库 Bokeh 和 Altair 进行了比较和讨论。经过对它们的特色、优缺点以及运用示例的详细剖析，读者能够更好地了解这两个库的功用和适用场景，然后更好地挑选合适的库来进行数据可视化作业。

在比较中，咱们发现：

Bokeh 供给了丰富的交互功用和自定义选项，适用于需求杂乱交互和自定义图表外观的场景，但学习曲线较陡。
Altair 的语法简练直观，易于上手，适用于快速创立美丽的可视化图表，但交互功用相对较少。

针对不同的需求和技能水平，读者能够灵活挑选运用 Bokeh 或 Altair 进行数据可视化。Bokeh 适用于需求杂乱交互和自定义外观的场景，而 Altair 则更适合快速创立美丽的可视化图表。

经过本文的介绍和示例代码，读者能够进一步掌握 Bokeh 和 Altair 的运用办法，并在实践中运用它们来进行数据可视化作业。同时，咱们也展望了数据可视化范畴未来的发展趋势，包含增强交互性、提升性能和效率、整合机器学习和深度学习等方面。

总之，数据可视化作为数据科学和数据剖析范畴的重要东西，将在未来继续发挥重要作用。Bokeh 和 Altair 等可视化库的不断发展和完善，将为用户供给更加强壮和便捷的数据可视化东西，助力数据剖析和决议计划支撑作业的展开。

Python中2种常用数据可视化库：Bokeh和Altair

Bokeh 简介

Altair 简介

Bokeh 与 Altair 的比较

示例代码和解析

Bokeh 示例：

Altair 示例：

事例与代码示例

1. Bokeh 事例：

2. Altair 事例：

3. Bokeh 事例（交互式地图）：

4. Altair 事例（堆叠柱状图）：

总结

相关文章

关于 np.float 被删除的问题

探索人工智能：使用Python构建一个简单的聊天机器人

App Push 通用测试方案

vue3 admin 保姆教学指南 ｜ 项目规范集成教程，看完秒懂项目中各种奇怪的文件和配置

作者信息

vue3 admin 保姆教学指南｜项目规范集成教程，看完秒懂项目中各种奇怪的文件和配置