如何將我們的數據以更好的形勢呈現出來？擅長不同編程語言的程序員會選擇各自技術范疇內成熟、好用的工具包，比如 R 語言的開發者最常使用的是 ggplot2，但它不支持 Python；以前 Python 語言的開發者使用最多的是 matplotlib，一個很強大的可視化庫，不過它的局限也非常嚴重，制作交互式圖表也是一件難事。今天要給大家推薦一個新的工具——Altair，一個 Vega-Lite 的包裝器，也許這些概念你都還不沒了解過，接下來我們就在下面的文章為大家作介紹。

ggplot2 是 R 的作圖工具包，可以使用非常簡單的語句實現非常復雜漂亮的效果。然而不幸的是，ggplot2 并不支持 Python。

在 Python 中，我們常使用 matplotlib 用于可視化圖形，matplotlib是一個很強大的可視化庫，但是它有著很嚴重的局限性。matplotlib 的使用非常靈活，這可以說的上是它的一個優點，但是當我們想為圖形加一個小小的功能的時候，它的繁瑣操作會讓我們舉步維艱。除此之外，matplotlib 的兩種界面（面向對象界面、基于狀態的界面）令人相當困惑，對于新手很不友好。即使對于多年使用 matplotlib 的人而言，他們也無法完全掌握這些操作。最后不得不說的是，用 matplotlib 制作交互式圖表是一件相當困難的事情。

Altair 和圖形語法

Altair 是 Vega-Lite 的包裝器。Vega-Lite 是 JavaScript 的高級可視化庫，它最最重要的特點是，它的API是基于圖形語法的。

什么是圖形語法呢？圖形語法聽起來有點像一個抽象的功能，值得注意的是，它是 Altair 和其他 Python 可視化庫之間最主要的區別。Altair 符合我們人類可視化數據的方式和習慣，Altair 只需要三個主要的參數：

Mark.數據在圖形中的表達形式。點、線、柱狀還是圓圈？

Channels.決定什么數據應該作為x軸，什么作為y軸；圖形中數據標記的大小和顏色。

Encoding.指定數據變量類型。日期變量、量化變量還是類別變量？

基于以上三個參數，Altair 將會選擇合理的默認值來顯示我們的數據。

Altair 最讓人著迷的地方是，它能夠合理的選擇顏色。如果我們在 Encoding 中指定變量類型為量化變量，那么 Altair 將會使用連續的色標來著色（默認為 淺藍色-藍色-深藍色）。如果變量類型指定為類別變量，那么 Altair 會為每個類別賦予不同的顏色。（例如 紅色，黃色，藍色）

補充：Vega-Lite 有兩種類型的類別變量：名義變量和序數變量。名義變量的集合中，各元素的排序階數沒有任何實際意義，例如大陸集合是歐洲，亞洲，非洲，美洲，大洋洲，他們的次序沒有任何數值上的意義；序數變量的集合中，各元素的排序階數是有實際意義的，例如亞馬遜的評論可以是一星，二星，三星，四星或五星，星級的高低次序是由意義的。

讓我們來看一個具體的例子，如下所示，我們組織了6個國家和它們所對應的人口數據，除此之外，還有相應的收入數據：

import pandas as pdimport altair as altdata = pd.DataFrame({'country_id': [1, 2, 3, 4, 5, 6], 'population': [1, 100, 200, 300, 400, 500],
'income':
[1000,50,200,300,200,150]})

首先我們繪制每個國家的人口數據：

首先我們繪制每個國家的人口數據："""As we mentioned before, we need to define 3 parameters:
1. Mark: We do this by using "mark_circle".
2. Channel: We only define an x-axis and we map it to the population.
3. Encodings: We define both variables as quantitative by using :Q after the column name"""categorical_chart = alt.Chart(data).mark_circle(size=200).encode( x='population:Q', color='country_id:Q')

從上圖可以看出，Altair 選擇了連續色標，在本例中這是沒有意義的。問題的根源在于，我們將 country_id 定義為量化變量，而實際上，它應該是一個類別變量，修改代碼如下：

# We changed color='country_id:Q' to color='country_id:N' to indicate it is a nominal variablecategorical_chart = alt.Chart(data).mark_circle(size=200).encode( x='population:Q', color='country_id:N')

從圖中可以看到，每個國家都用了不同的顏色表示。我們僅僅改變了變量 country_id 的編碼，即用 N (Nominal 名義變量)替換了 Q (Quantitative 量化變量)。這點小小的改變就足以使得 Altair 明白，它不該使用連續色標，而是使用獨立色標。

圖表的擴展

Altair 的另一個美妙之處就是，我們可以從現有的圖表中創建新的圖表。例如，我們現在要加入新的數據 income，我們唯一需要做的就是告訴 Altair：用 income 作為y軸，代碼如下所示：

categorical_chart = alt.Chart(data).mark_circle(size=200).encode( x='population:Q', y='income:Q', color='country_id:N')

如果想添加數據提示的功能（tooltip，鼠標懸停在數據上時，會顯示該數據的詳細信息），只需要增加一行代碼：

categorical_chart = alt.Chart(data).mark_circle(size=200).encode( x='population:Q', y='income:Q', color='country_id:N', tooltip=['country_id', 'population', 'income']))

Altair 的迷人之處

在接觸 Altair 之前，我們常常持有一種的懷疑態度：這些可視化工具的包裝器真的好用嗎？通常來講，包裝是一個壞主意，就拿 ggplot2 來說，它的很多包裝器都沒有被 Python 社區廣泛采用。這些包裝器很難創建功能完整的版本，而且它們的更新也常常不及時。然而 Altair 卻不一樣：

Altair 的 API 非常全面。這就要感謝 Jake Vanderplas（JVP）偉大的設計，凡是 Vega-Lite 能夠做的，Python 就可以做。這是因為 Altair 只是一個 Python API，它能夠生成有效的 Vega-Lite jsons，而 API 是以編程的方式生成的，因此在 Vega-Lite 的新版本發布后，Altair 能夠全面而且快速的更新，這一切都顯得如此美妙。

直觀且具有符合 Python 習慣的接口。就像使用其他的 Python 庫一樣，我們需要一些時間來習慣。但 Altair 的精彩之處在于，它所有的設置都符合人類的推理方式，這樣我們就能很快的了解它內部的運作原理，并且因此而變得高效。

互動性強。Vega-Lite 交互性非常強大，我們不僅能夠使用一行代碼來添加 tooltips，還能將圖的選擇區與另一個可視化圖關聯。

高度靈活性。Altair的marks可以理解為圖表構建中的模塊。如下圖所示，我們用圓圈標記、線標記和文本標記的組合來構建一個圖。最終的代碼可讀性強，而且易于修改，這對于 matplotlib 來說是很難的。

有點很多，同時也存在一些不足

Altair 的主要缺點

沒有 3d 繪圖。如果3d可視化對您的工作很重要，那么 Altair 不太適合您。

Altair 不是 D3.js。就像許多的高級可視化框架一樣，Altair 也不是 100% 可定制的，在某些時候，我們會遇到一些無法用Altair制作的圖表。（注：D3.js 是一個 JavaScript 庫，用于在 Web 瀏覽器中生成動態的交互式數據可視化。 它利用了廣泛實施的 SVG，HTML5 和 CSS 標準，具有高度的可定制性）

統計支持較差。如果需要對數據進行線性回歸的話，還是推薦用 Seaborn 來進行快速可視化。