Python 中 2 种常用数据可视化库：Bokeh 和 Altair
本文分享自华为云社区《探究数据可视化：Bokeh vs. Altair》，作者：柠檬味拥抱。
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：
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：
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
1. 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。
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。
2. Altair 案例：
假设我们有一组学生的成绩数据，包括学生姓名、数学成绩和英语成绩，我们想要使用 Altair 创建一个散点图来展示学生的数学成绩与英语成绩的关系。
这些示例代码展示了如何使用 Bokeh 和 Altair 分别创建交互式条形图和散点图，以展示销售数据和成绩数据的可视化。通过这些示例，可以更好地理解 Bokeh 和 Altair 在实际应用中的使用方法和效果。
3. Bokeh 案例（交互式地图）：
假设我们有一组城市的经纬度数据，以及每个城市的人口数量，我们希望使用 Bokeh 创建一个交互式地图，显示每个城市的位置并以圆的大小表示人口数量。
4. Altair 案例（堆叠柱状图）：
假设我们有一组月度销售数据，包括销售额和利润，我们希望使用 Altair 创建一个堆叠柱状图，展示每个月的销售额和利润情况。
这些示例代码展示了如何使用 Bokeh 和 Altair 分别创建交互式地图和堆叠柱状图，以展示城市人口分布和销售数据的可视化。这些示例为使用 Bokeh 和 Altair 进行数据可视化提供了更多的灵感和实践经验。
总结
本文对 Python 中两个常用的数据可视化库 Bokeh 和 Altair 进行了比较和探讨。通过对它们的特点、优缺点以及使用示例的详细分析，读者可以更好地了解这两个库的功能和适用场景，从而更好地选择合适的库来进行数据可视化工作。
在比较中，我们发现：
Bokeh 提供了丰富的交互功能和自定义选项，适用于需要复杂交互和自定义图表外观的场景，但学习曲线较陡。
Altair 的语法简洁直观，易于上手，适用于快速创建漂亮的可视化图表，但交互功能相对较少。
针对不同的需求和技能水平，读者可以灵活选择使用 Bokeh 或 Altair 进行数据可视化。Bokeh 适用于需要复杂交互和自定义外观的场景，而 Altair 则更适合快速创建漂亮的可视化图表。
通过本文的介绍和示例代码，读者可以进一步掌握 Bokeh 和 Altair 的使用方法，并在实践中运用它们来进行数据可视化工作。同时，我们也展望了数据可视化领域未来的发展趋势，包括增强交互性、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分析领域的重要工具，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，将为用户提供更加强大和便捷的数据可视化工具，助力数据分析和决策支持工作的开展。
版权声明: 本文为 InfoQ 作者【华为云开发者联盟】的原创文章。
原文链接:【http://xie.infoq.cn/article/0564d433e4cd1bf5e2af865cc】。文章转载请联系作者。
提供全面深入的云计算技术干货 2020-07-14 加入
生于云，长于云，让开发者成为决定性力量
评论