Python中常用数据可视化库：Bokeh和Altair

原创

跟张哥学编程 2024-12-18 09:31:56 ©著作权

©著作权归作者所有：来自51CTO博客作者跟张哥学编程的原创作品，请联系作者获取转载授权，否则将追究法律责任

在数据科学和数据分析领域，数据可视化是一种强大的工具，可以帮助我们更好地理解数据、发现模式和趋势。Python作为一种流行的数据科学工具，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，探讨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，它能够创建各种类型的交互式图表，包括散点图、线图、条形图等。Bokeh提供了丰富的工具，使用户能够在图表中进行缩放、平移和选择等操作。

Altair 简介 Altair是一个基于Vega和Vega-Lite的声明式统计可视化库。它的设计理念是简单性和一致性，使用者只需通过简单的Python语法即可创建复杂的可视化图表，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的学习曲线较为陡峭，需要一定的时间来掌握其强大的交互功能和绘图选项。 Altair：Altair的语法相对简单直观，使用者可以更快速地创建出漂亮的图表，对于新手来说更易上手。交互性： Bokeh：Bokeh提供了丰富的交互工具，可以轻松地创建交互式图表，并且支持自定义交互行为。 Altair：虽然Altair的交互功能相对较少，但是它可以无缝地与其他交互库（如Panel）集成，实现更复杂的交互需求。可视化表达能力： Bokeh：Bokeh可以创建各种类型的图表，并且支持自定义图表的外观和布局。 Altair：Altair的语法设计简洁而灵活，可以轻松地实现复杂的可视化表达，例如使用facet进行分面绘图、使用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
 
# 创建一个散点图
p = figure(title="Iris Dataset", x_axis_label='Petal Length', y_axis_label='Petal Width')
 
# 添加散点数据
p.circle(flowers['petal_length'], flowers['petal_width'], legend_label='Iris Flowers', color='blue', size=8)
 
# 显示图表
show(p)

解析：

使用Bokeh创建一个散点图，x轴为花瓣长度，y轴为花瓣宽度。使用Bokeh的circle方法添加散点数据，并指定图例标签、颜色和大小。最后调用show函数显示图表。

Altair 示例：
import altair as alt
from vega_datasets import data
 
# 加载数据集
iris = data.iris()
 
# 创建散点图
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()
 
# 显示图表
scatter

解析：

使用Altair创建一个散点图，x轴为花瓣长度，y轴为花瓣宽度，颜色根据鸢尾花的种类进行编码。使用Altair的mark_circle方法创建散点图，并指定x、y、color等属性。最后通过.properties方法设置图表标题、宽度和高度，并调用.interactive()方法使图表具有交互功能。通过以上示例和比较，我们可以看出，Bokeh和Altair都是功能强大的Python可视化库，它们各有优劣，选择合适的库取决于具体的需求和个人偏好。Bokeh适用于需要复杂交互的场景，而Altair则更适合于快速创建漂亮的可视化图表。

案例与代码示例

Bokeh 案例：假设我们有一组销售数据，包括产品名称、销售量和销售额，我们想要使用 Bokeh 创建一个交互式条形图来展示各产品的销售情况。

from bokeh.plotting import figure, output_file, show from bokeh.models import ColumnDataSource, HoverTool from bokeh.transform import factor_cmap import pandas as pd

创建示例销售数据

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")

创建ColumnDataSource

source = ColumnDataSource(df)

创建绘图对象

p = figure(x_range=df['Product'], plot_height=350, title="Sales Summary", toolbar_location=None, tools="")

添加条形图

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']))

添加悬停工具

p.add_tools(HoverTool(tooltips=[("Product", "@Product"), ("Sales Volume", "@{Sales Volume}"), ("Revenue", "@Revenue")]))

设置图表属性

p.xgrid.grid_line_color = None p.y_range.start = 0 p.yaxis.axis_label = "Sales Volume"

显示图表

show(p)

这段代码是用于创建一个简单的条形图来展示销售数据，并使用 Bokeh 库进行可视化。以下是代码的主要步骤解析：

导入必要的库： from bokeh.plotting import figure, output_file, show: 从 Bokeh 库中导入创建绘图、输出文件和显示图表的函数。 from bokeh.models import ColumnDataSource, HoverTool: 从 Bokeh 库中导入用于处理数据源和悬停工具的相关类。 from bokeh.transform import factor_cmap: 从 Bokeh 库中导入用于颜色映射的转换函数。 import pandas as pd: 导入 Pandas 库，用于处理数据。创建示例销售数据：使用字典形式创建了示例的销售数据，包括产品名称、销售量和收入。将数据转换为 Pandas DataFrame：使用 pd.DataFrame() 函数将销售数据转换为 DataFrame。设置输出文件：使用 output_file() 函数设置输出文件名为 “sales_bar_chart.html”。创建 ColumnDataSource：使用 ColumnDataSource 类将 DataFrame 转换为 Bokeh 可用的数据源。创建绘图对象：使用 figure() 函数创建一个条形图对象 p，指定了 x 轴的范围、绘图高度、标题等属性。添加条形图：使用 vbar() 方法向绘图对象添加条形图，指定了 x 值（产品名称）、条形的高度（销售量）、线条颜色、填充颜色等属性。添加悬停工具：使用 add_tools() 方法向绘图对象添加悬停工具，指定了悬停时显示的信息，包括产品名称、销售量和收入。设置图表属性：使用一系列属性设置函数设置图表的外观属性，如去除 x 轴的网格线、设置 y 轴起始值、设置 y 轴标签等。显示图表：使用 show() 函数显示绘图对象。通过这些步骤，代码创建了一个包含销售数据的条形图，并通过悬停工具提供了额外的交互信息。