[[336583]]

Altair 作為一個 Python 數據制圖庫，提供了優雅的接口及自有的繪圖語言。

Python 中的 繪圖庫 提供了呈現數據的多種方式，可以滿足你不同的偏好，如靈活性、布局、易用性，或者特殊的風格。

和其它方式相比，我發現，Altair 提供的是一種不同的解決方案，且總體而言使用起來更為簡單。得益于聲明式的繪圖語言 Vega，Altair 擁有一套優雅的接口，可以直接定義要繪的圖應該是什么樣子，而不是通過寫一大堆循環和條件判斷去一步步構建。

繪圖流程

我通過繪制同一個多柱狀圖比較了多個 Python 繪圖庫的差異。正式開始之前，你需要將你的 Python 環境調整到能運行下面代碼的狀態。具體就是：

• 安裝最新版的 Python（ Linux、Mac 和 Windows 系統下的安裝方法）
• 確認該版本 Python 可以運行本教程所使用的庫

演示用數據可從網絡下載，并且可以用 pandas 直接導入：

import pandas as pd
df = pd.read_csv('https://anvil.works/blog/img/plotting-in-python/uk-election-results.csv')

準備開始吧。為了做個比較，先看下面這個用 Matplotlib 做的圖：

 

Matplotlib UK election results

使用 Matplotlib 需要 16 行代碼，圖柱的位置需要自己計算。

使用 Altair 繪制相似的圖，代碼如下：

    import altair as alt
 
    chart = alt.Chart(df).mark_bar().encode(
        x='party',
        y='seats',
        column='year',
        color='party',
    )
 
    chart.save('altair-elections.html')

真是簡潔多了！與 Seaborn 類似，Altair 所用數據的組織形式是每個變量一列（即 數據列 ）。這種方式下可以將每個變量映射到圖的一個屬性上 —— Altair 稱之為“通道”。在上例中，我們期望每個 “黨派” 在 x 軸上顯示為一組圖柱， 其 “席位” 顯示在 y 軸，且將圖柱按照 “年份” 分開為 “列”。我們還想根據 “黨派” 給圖柱使用不同的 “顏色”。用語言表述需求的話就是上面這個樣子，而這也正是代碼所要表述的！

現在把圖畫出來：

 

Altair plot with default styling

調整樣式

這和我們期待的效果有點接近了。與 Matplotlib 方案相比，主要區別在于 Altair 方案中，每個 year 組顯示的時候，內部之間都有個小空白 —— 這不是問題，這只是 Altair 多柱狀圖顯示的一個特性。

所以說呢，還需要對顯示樣式再做一些改進。

非整形數據

兩個不是整數的年份名稱（Feb 1974 和 Oct 1974）顯示為 NaN 了。這可以通過將年份數值 year 轉換為字符串來解決：

    df['year'] = df['year'].astype(str)

指定數據排序方法

還需要讓 Altair 知道如何對數據進行排序。Altair 允許通過傳給它一個 Column 對象，來設定 Column 通道的更多細節。現在讓 Altair 按照數據在數據集中出現的順序排列：

    chart = alt.Chart(df).mark_bar().encode(
        # ...
        column=alt.Column('year', sort=list(df['year']), title=None),
        # ...
    )

移除坐標軸標簽

我們通過設置 title=None 移除了圖頂的 "year" 標簽。下面再一處每列數據的 "party" 標簽：

    chart = alt.Chart(df).mark_bar().encode(
        x=alt.X('party', title=None),
        # ...
    )

指定顏色圖

最后，我們還想自己指定圖柱的顏色。Altair 允許建立 domain 中數值與 range 中顏色的映射來實現所需功能，太貼心了：

    cmap = {
        'Conservative': '#0343df',
        'Labour': '#e50000',
        'Liberal': '#ffff14',
        'Others': '#929591',
    }
 
    chart = alt.Chart(df).mark_bar().encode(
        # ...
        color=alt.Color('party', scale=alt.Scale(domain=list(cmap.keys()), range=list(cmap.values())))
    )

樣式調整后的最終代碼

應用上述樣式調整之后，代碼看起來不那么悅目了，但我們仍然是用聲明的方式實現的，這正是 Altair 如此有彈性的原因所在。實現過程中，仍然是使用的異于顯示數據的獨立變量來分離圖中不同屬性的，而不是像在 Matplotlib 中那樣直接對顯示數據做復雜的操作。唯一的不同是，我們的變量名字封裝在類似 alt.X() 的對象中，從而實現對顯示效果的控制：

    import altair as alt
    from votes import long as df
 
    cmap = {
        'Conservative': '#0343df',
        'Labour': '#e50000',
        'Liberal': '#ffff14',
        'Others': '#929591',
    }
 
    df['year'] = df['year'].astype(str)
 
    # We're still assigning, e.g. 'party' to x, but now we've wrapped it
    # in alt.X in order to specify its styling
    chart = alt.Chart(df).mark_bar().encode(
        x=alt.X('party', title=None),
        y='seats',
        column=alt.Column('year', sort=list(df['year']), title=None),
        color=alt.Color('party', scale=alt.Scale(domain=list(cmap.keys()), range=list(cmap.values())))
    )
 
    chart.save('altair-elections.html')

現在與 Matplotlib 方案扯平了，代碼數量達到了 16 行！

下圖是使用我們的樣式調整方案之后的 Altair 效果圖：

 

The Altair plot with our custom styling

結論

盡管在代碼數量上，使用 Altair 繪圖沒有表現出優勢，但它的聲明式繪圖語言使得對圖層的操控更為精密，這是我比較欣賞的。Altair 還提供了清晰而獨立的方式來調校顯示樣式，這使得 相關代碼與繪圖的代碼塊分離開來。Altair 確實是使用 Python 繪圖時又一個很棒的工具庫。