Python数据可视化实现的方法有哪些

介绍本期主角之前，先给大家一张GIF

是不是很炫酷？更神奇的是，完成这么一幅可交互的图表，仅需不到20行代码。

这幅图是用Python的可视化库Altair绘制的，Altair可以使用强大而简洁的可视化语法快速开发各种统计可视化图表。用户只需要提供数据列与编码通道之间的链接，例如x轴，y轴，颜色等，其余的绘图细节它会自动处理。

事实上，Altair能做的还有很多，大家可以去官网example gallery观赏

安装、配置、导入Altair

如果你安装的是anaconda（我强烈建议你安装这个IDE），Altair已经内置，无需再安装。但是如果需要实例数据集，还要安装vega_datasets：

pip install vega_datasets

然后打开anaconda安装目录，打开Navigation

打开JupyterLab

新建一个notebook，运行示例代码，OK!

Altair图形语法

Chart有三个基本方法：数据（data）、标记（mark）和编码（encode），使用它们的格式如下：alt.Chart(data).mark_point().encode(

encoding_1='column_1',

encoding_2='column_2',

etc. )

Data：Altair内部使用的数据以Pandas中的Dataframe格式存储，但有以下三种方式传入：

• 以Pandas的DataFrame格式传入；
• 以Data对象传入；
• 以指向csv或json文本的url传入；

Mark:定义好数据之后，需要选择显示的图形比如条形图、折线图、面积图、散点图、直方图、地图等各种交互式图表。

Encoding:编码方式定义了图片显示的各种属性，如每个图片的位置，图片轴的属性等。这部分是最重要的，记住关键的几个就行。

位置通道：定义位置相关属性：

• x: x轴数值
• y: y轴数值
• row: 按行分列图片
• column: 按列分列图片

通道描述：

• color: 标记点颜色
• opacity: 标记点的透明度
• shape: 标记点的形状
• size: 标记点的大小

通道域信息：text：文本标记 label：标签

数据类型：

• quantitative：缩写Q 连续型数据
• ordinal：缩写O 离散型
• nominal：缩写N 离散无序
• temporal：缩写T 时间序列

分类与聚合：最大值、最小值、均值、求和等等

 

交互

除了绘制基本图像，Altair强大之处在于用户可以与图像进行交互，包括平移、缩放、选中某一块数据等操作。在绘制图片的代码后面，调用interactive()模块，就能实现平移、缩放。

Altair还为创建交互式图像提供了一个selection的API，在选择功能上，我们能做出一些更酷炫的高级功能，例如本文开头处展示的GIF，对选中的数据点进行统计，生成实时的直方图。 

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:Q', y='Miles_per_Gallon:Q', color=alt.condition(brush, 'Origin:N', alt.value('lightgray')) ).add_selection( brush )
bars = alt.Chart(source).mark_bar().encode( y='Origin:N', color='Origin:N', x='count(Origin):Q' ).transform_filter( brush )
points & bars