Python中2种常用数据可视化库：Bokeh和Altair

骑只蚂蚁游世界

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：

1. from bokeh.plotting import figure, show
2. from bokeh.sampledata.iris import flowers
4. # 创建一个散点图
5. p = figure(title="Iris Dataset", x_axis_label='Petal Length', y_axis_label='Petal Width')
7. # 添加散点数据
8. p.circle(flowers['petal_length'], flowers['petal_width'], legend_label='Iris Flowers', color='blue', size=8)
10. # 显示图表
11. show(p)

复制代码

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：

1. import altair as alt
2. from vega_datasets import data
4. # 加载数据集
5. iris = data.iris()
7. # 创建散点图
8. scatter = alt.Chart(iris).mark_circle().encode(
9.     x='petalLength:Q',
10.     y='petalWidth:Q',
11.     color='species:N',
12.     tooltip=['species', 'petalLength', 'petalWidth']
13. ).properties(
14.     title='Iris Dataset',
15.     width=400,
16.     height=300
17. ).interactive()
19. # 显示图表
20. scatter

复制代码

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。

1. from bokeh.plotting import figure, output_file, show
2. from bokeh.models import ColumnDataSource, HoverTool
3. from bokeh.transform import factor_cmap
4. import pandas as pd
6. # 创建示例销售数据
7. sales_data = {
8.     'Product': ['Product A', 'Product B', 'Product C', 'Product D'],
9.     'Sales Volume': [100, 150, 200, 120],
10.     'Revenue': [5000, 7500, 10000, 6000]
11. }
13. df = pd.DataFrame(sales_data)
15. # 设置输出文件
16. output_file("sales_bar_chart.html")
18. # 创建ColumnDataSource
19. source = ColumnDataSource(df)
21. # 创建绘图对象
22. p = figure(x_range=df['Product'], plot_height=350, title="Sales Summary",
23.            toolbar_location=None, tools="")
25. # 添加条形图
26. p.vbar(x='Product', top='Sales Volume', width=0.9, source=source,
27.        line_color='white', fill_color=factor_cmap('Product', palette='Set1', factors=df['Product']))
29. # 添加悬停工具
30. p.add_tools(HoverTool(tooltips=[("Product", "@Product"), ("Sales Volume", "@{Sales Volume}"), ("Revenue", "@Revenue")]))
32. # 设置图表属性
33. p.xgrid.grid_line_color = None
34. p.y_range.start = 0
35. p.yaxis.axis_label = "Sales Volume"
37. # 显示图表
38. show(p)

复制代码

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。

1. import altair as alt
2. import pandas as pd
4. # 创建示例成绩数据
5. score_data = {
6.     'Student': ['Alice', 'Bob', 'Charlie', 'David', 'Emma'],
7.     'Math Score': [85, 90, 75, 80, 95],
8.     'English Score': [75, 85, 80, 70, 90]
9. }
11. df = pd.DataFrame(score_data)
13. # 创建散点图
14. scatter_plot = alt.Chart(df).mark_point().encode(
15.     x='Math Score',
16.     y='English Score',
17.     tooltip=['Student', 'Math Score', 'English Score']
18. ).properties(
19.     title='Math vs English Scores',
20.     width=400,
21.     height=300
22. ).interactive()
24. # 显示图表
25. scatter_plot

复制代码

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。

1. from bokeh.plotting import figure, output_file, show
2. from bokeh.models import ColumnDataSource, HoverTool
4. # 示例城市数据
5. cities_data = {
6.     'City': ['New York', 'Los Angeles', 'Chicago', 'Houston'],
7.     'Latitude': [40.7128, 34.0522, 41.8781, 29.7604],
8.     'Longitude': [-74.0060, -118.2437, -87.6298, -95.3698],
9.     'Population': [8399000, 3990456, 2705994, 2320268]
10. }
12. df = pd.DataFrame(cities_data)
14. # 设置输出文件
15. output_file("population_map.html")
17. # 创建ColumnDataSource
18. source = ColumnDataSource(df)
20. # 创建绘图对象
21. p = figure(plot_width=800, plot_height=600, title="Population Map",
22.            toolbar_location="below")
24. # 添加圆形标记
25. p.circle(x='Longitude', y='Latitude', size='Population' / 100000,
26.          fill_alpha=0.6, line_color=None, source=source)
28. # 添加悬停工具
29. hover = HoverTool()
30. hover.tooltips = [("City", "@City"), ("Population", "@Population")]
31. p.add_tools(hover)
33. # 设置图表属性
34. p.xaxis.axis_label = "Longitude"
35. p.yaxis.axis_label = "Latitude"
37. # 显示图表
38. show(p)

复制代码

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。

1. import altair as alt
2. import pandas as pd
4. # 示例销售数据
5. sales_data = {
6.     'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May'],
7.     'Sales': [50000, 60000, 70000, 55000, 65000],
8.     'Profit': [20000, 25000, 30000, 22000, 27000]
9. }
11. df = pd.DataFrame(sales_data)
13. # 创建堆叠柱状图
14. stacked_bar_chart = alt.Chart(df).mark_bar().encode(
15.     x='Month',
16.     y='Sales',
17.     color=alt.value('blue'),
18.     tooltip=['Month', 'Sales']
19. ).properties(
20.     title='Monthly Sales and Profit',
21.     width=400,
22.     height=300
23. ).interactive() + \
24. alt.Chart(df).mark_bar().encode(
25.     x='Month',
26.     y='Profit',
27.     color=alt.value('orange'),
28.     tooltip=['Month', 'Profit']
29. )
31. # 显示图表
32. stacked_bar_chart

复制代码

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。
 
点击关注，第一时间了解华为云新鲜技术~
 

来源:https://www.cnblogs.com/huaweiyun/p/18139796
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！