Python中2種常用數據可視化庫：Bokeh和Altair

本文分享自華爲雲社區《探究數據可視化：Bokeh vs. Altair》，作者：檸檬味擁抱。

在數據科學和數據分析領域，數據可視化是一種強大的工具，可以幫助我們更好地理解數據、發現模式和趨勢。Python作爲一種流行的數據科學工具，擁有多種數據可視化庫。本文將重點比較Bokeh和Altair這兩個常用的Python數據可視化庫，探討它們的優缺點以及在不同場景下的適用性。

Bokeh 簡介

Bokeh是一個交互式可視化庫，它能夠創建各種類型的交互式圖表，包括散點圖、線圖、條形圖等。Bokeh提供了豐富的工具，使用戶能夠在圖表中進行縮放、平移和選擇等操作。

Altair 簡介

Altair是一個基於Vega和Vega-Lite的聲明式統計可視化庫。它的設計理念是簡單性和一致性，使用者只需通過簡單的Python語法即可創建複雜的可視化圖表，而無需深入瞭解底層的繪圖細節。

Bokeh 與 Altair 的比較

易用性：

Bokeh：相對而言，Bokeh的學習曲線較爲陡峭，需要一定的時間來掌握其強大的交互功能和繪圖選項。
Altair：Altair的語法相對簡單直觀，使用者可以更快速地創建出漂亮的圖表，對於新手來說更易上手。

交互性：

Bokeh：Bokeh提供了豐富的交互工具，可以輕鬆地創建交互式圖表，並且支持自定義交互行爲。
Altair：雖然Altair的交互功能相對較少，但是它可以無縫地與其他交互庫（如Panel）集成，實現更復雜的交互需求。

可視化表達能力：

Bokeh：Bokeh可以創建各種類型的圖表，並且支持自定義圖表的外觀和佈局。
Altair：Altair的語法設計簡潔而靈活，可以輕鬆地實現複雜的可視化表達，例如使用facet進行分面繪圖、使用layer進行圖層疊加等。

示例代碼和解析

Bokeh 示例：

from bokeh.plotting import figure, show
from bokeh.sampledata.iris import flowers

# 創建一個散點圖
p = figure(title="Iris Dataset", x_axis_label='Petal Length', y_axis_label='Petal Width')

# 添加散點數據
p.circle(flowers['petal_length'], flowers['petal_width'], legend_label='Iris Flowers', color='blue', size=8)

# 顯示圖表
show(p)

解析：

使用Bokeh創建一個散點圖，x軸爲花瓣長度，y軸爲花瓣寬度。
使用Bokeh的circle方法添加散點數據，並指定圖例標籤、顏色和大小。
最後調用show函數顯示圖表。

Altair 示例：

import altair as alt
from vega_datasets import data

# 加載數據集
iris = data.iris()

# 創建散點圖
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()

# 顯示圖表
scatter

解析：

使用Altair創建一個散點圖，x軸爲花瓣長度，y軸爲花瓣寬度，顏色根據鳶尾花的種類進行編碼。
使用Altair的mark_circle方法創建散點圖，並指定x、y、color等屬性。
最後通過.properties方法設置圖表標題、寬度和高度，並調用.interactive()方法使圖表具有交互功能。

通過以上示例和比較，我們可以看出，Bokeh和Altair都是功能強大的Python可視化庫，它們各有優劣，選擇合適的庫取決於具體的需求和個人偏好。Bokeh適用於需要複雜交互的場景，而Altair則更適合於快速創建漂亮的可視化圖表。

案例與代碼示例

1. Bokeh 案例：

假設我們有一組銷售數據，包括產品名稱、銷售量和銷售額，我們想要使用 Bokeh 創建一個交互式條形圖來展示各產品的銷售情況。

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

# 創建示例銷售數據
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)

# 設置輸出文件
output_file("sales_bar_chart.html")

# 創建ColumnDataSource
source = ColumnDataSource(df)

# 創建繪圖對象
p = figure(x_range=df['Product'], plot_height=350, title="Sales Summary",
           toolbar_location=None, tools="")

# 添加條形圖
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']))

# 添加懸停工具
p.add_tools(HoverTool(tooltips=[("Product", "@Product"), ("Sales Volume", "@{Sales Volume}"), ("Revenue", "@Revenue")]))

# 設置圖表屬性
p.xgrid.grid_line_color = None
p.y_range.start = 0
p.yaxis.axis_label = "Sales Volume"

# 顯示圖表
show(p)

這段代碼是用於創建一個簡單的條形圖來展示銷售數據，並使用 Bokeh 庫進行可視化。以下是代碼的主要步驟解析：

導入必要的庫：

from bokeh.plotting import figure, output_file, show: 從 Bokeh 庫中導入創建繪圖、輸出文件和顯示圖表的函數。
from bokeh.models import ColumnDataSource, HoverTool: 從 Bokeh 庫中導入用於處理數據源和懸停工具的相關類。
from bokeh.transform import factor_cmap: 從 Bokeh 庫中導入用於顏色映射的轉換函數。
import pandas as pd: 導入 Pandas 庫，用於處理數據。

創建示例銷售數據：

使用字典形式創建了示例的銷售數據，包括產品名稱、銷售量和收入。

將數據轉換爲 Pandas DataFrame：

使用 pd.DataFrame() 函數將銷售數據轉換爲 DataFrame。

設置輸出文件：

使用 output_file() 函數設置輸出文件名爲 “sales_bar_chart.html”。

創建 ColumnDataSource：

使用 ColumnDataSource 類將 DataFrame 轉換爲 Bokeh 可用的數據源。

創建繪圖對象：

使用 figure() 函數創建一個條形圖對象 p，指定了 x 軸的範圍、繪圖高度、標題等屬性。

添加條形圖：

使用 vbar() 方法向繪圖對象添加條形圖，指定了 x 值（產品名稱）、條形的高度（銷售量）、線條顏色、填充顏色等屬性。

添加懸停工具：

使用 add_tools() 方法向繪圖對象添加懸停工具，指定了懸停時顯示的信息，包括產品名稱、銷售量和收入。

設置圖表屬性：

使用一系列屬性設置函數設置圖表的外觀屬性，如去除 x 軸的網格線、設置 y 軸起始值、設置 y 軸標籤等。

顯示圖表：

使用 show() 函數顯示繪圖對象。

通過這些步驟，代碼創建了一個包含銷售數據的條形圖，並通過懸停工具提供了額外的交互信息。

2. Altair 案例：

假設我們有一組學生的成績數據，包括學生姓名、數學成績和英語成績，我們想要使用 Altair 創建一個散點圖來展示學生的數學成績與英語成績的關係。

import altair as alt
import pandas as pd

# 創建示例成績數據
score_data = {
    'Student': ['Alice', 'Bob', 'Charlie', 'David', 'Emma'],
    'Math Score': [85, 90, 75, 80, 95],
    'English Score': [75, 85, 80, 70, 90]
}

df = pd.DataFrame(score_data)

# 創建散點圖
scatter_plot = alt.Chart(df).mark_point().encode(
    x='Math Score',
    y='English Score',
    tooltip=['Student', 'Math Score', 'English Score']
).properties(
    title='Math vs English Scores',
    width=400,
    height=300
).interactive()

# 顯示圖表
scatter_plot

這些示例代碼展示瞭如何使用 Bokeh 和 Altair 分別創建交互式條形圖和散點圖，以展示銷售數據和成績數據的可視化。通過這些示例，可以更好地理解 Bokeh 和 Altair 在實際應用中的使用方法和效果。

3. Bokeh 案例（交互式地圖）：

假設我們有一組城市的經緯度數據，以及每個城市的人口數量，我們希望使用 Bokeh 創建一個交互式地圖，顯示每個城市的位置並以圓的大小表示人口數量。

from bokeh.plotting import figure, output_file, show
from bokeh.models import ColumnDataSource, HoverTool

# 示例城市數據
cities_data = {
    'City': ['New York', 'Los Angeles', 'Chicago', 'Houston'],
    'Latitude': [40.7128, 34.0522, 41.8781, 29.7604],
    'Longitude': [-74.0060, -118.2437, -87.6298, -95.3698],
    'Population': [8399000, 3990456, 2705994, 2320268]
}

df = pd.DataFrame(cities_data)

# 設置輸出文件
output_file("population_map.html")

# 創建ColumnDataSource
source = ColumnDataSource(df)

# 創建繪圖對象
p = figure(plot_width=800, plot_height=600, title="Population Map",
           toolbar_location="below")

# 添加圓形標記
p.circle(x='Longitude', y='Latitude', size='Population' / 100000,
         fill_alpha=0.6, line_color=None, source=source)

# 添加懸停工具
hover = HoverTool()
hover.tooltips = [("City", "@City"), ("Population", "@Population")]
p.add_tools(hover)

# 設置圖表屬性
p.xaxis.axis_label = "Longitude"
p.yaxis.axis_label = "Latitude"

# 顯示圖表
show(p)

4. Altair 案例（堆疊柱狀圖）：

假設我們有一組月度銷售數據，包括銷售額和利潤，我們希望使用 Altair 創建一個堆疊柱狀圖，展示每個月的銷售額和利潤情況。

import altair as alt
import pandas as pd

# 示例銷售數據
sales_data = {
    'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May'],
    'Sales': [50000, 60000, 70000, 55000, 65000],
    'Profit': [20000, 25000, 30000, 22000, 27000]
}

df = pd.DataFrame(sales_data)

# 創建堆疊柱狀圖
stacked_bar_chart = alt.Chart(df).mark_bar().encode(
    x='Month',
    y='Sales',
    color=alt.value('blue'),
    tooltip=['Month', 'Sales']
).properties(
    title='Monthly Sales and Profit',
    width=400,
    height=300
).interactive() + \
alt.Chart(df).mark_bar().encode(
    x='Month',
    y='Profit',
    color=alt.value('orange'),
    tooltip=['Month', 'Profit']
)

# 顯示圖表
stacked_bar_chart

這些示例代碼展示瞭如何使用 Bokeh 和 Altair 分別創建交互式地圖和堆疊柱狀圖，以展示城市人口分佈和銷售數據的可視化。這些示例爲使用 Bokeh 和 Altair 進行數據可視化提供了更多的靈感和實踐經驗。

總結

本文對Python中兩個常用的數據可視化庫 Bokeh 和 Altair 進行了比較和探討。通過對它們的特點、優缺點以及使用示例的詳細分析，讀者可以更好地瞭解這兩個庫的功能和適用場景，從而更好地選擇合適的庫來進行數據可視化工作。

在比較中，我們發現：

Bokeh 提供了豐富的交互功能和自定義選項，適用於需要複雜交互和自定義圖表外觀的場景，但學習曲線較陡。
Altair 的語法簡潔直觀，易於上手，適用於快速創建漂亮的可視化圖表，但交互功能相對較少。

針對不同的需求和技能水平，讀者可以靈活選擇使用 Bokeh 或 Altair 進行數據可視化。Bokeh 適用於需要複雜交互和自定義外觀的場景，而 Altair 則更適合快速創建漂亮的可視化圖表。

通過本文的介紹和示例代碼，讀者可以進一步掌握 Bokeh 和 Altair 的使用方法，並在實踐中運用它們來進行數據可視化工作。同時，我們也展望了數據可視化領域未來的發展趨勢，包括增強交互性、提升性能和效率、整合機器學習和深度學習等方面。

總之，數據可視化作爲數據科學和數據分析領域的重要工具，將在未來繼續發揮重要作用。Bokeh 和 Altair 等可視化庫的不斷髮展和完善，將爲用戶提供更加強大和便捷的數據可視化工具，助力數據分析和決策支持工作的開展。

點擊關注，第一時間瞭解華爲雲新鮮技術~

Python中2種常用數據可視化庫：Bokeh和Altair

Bokeh 簡介

Altair 簡介

Bokeh 與 Altair 的比較

示例代碼和解析

Bokeh 示例：

Altair 示例：

案例與代碼示例

1. Bokeh 案例：

2. Altair 案例：

3. Bokeh 案例（交互式地圖）：

4. Altair 案例（堆疊柱狀圖）：

總結

2024年DataOps趨勢預測：AI不會取代數據工程師

雲原生週刊：K8s 中的服務和網絡｜ 2024.4.29

通過Http鏈接地址爬取有贊微信商城商品信息及下載至EXCEL

多人同時導出 Excel 幹崩服務器！新來的阿里大佬給出的解決方案太優雅了！

[轉帖]cpupower

今天，昨天，近七天，近30天，近90天，js封裝

華爲云云原生FinOps解決方案，釋放雲原生最大價值

消金公司2023財報解析：息差維持高位，信用成本攀升

ai 大模型

2024年DataOps趨勢預測：AI不會取代數據工程師

Apache DolphinScheduler支持Flink嗎？

界面組件DevExpress中文教程 - 如何在Node.js應用中創建報表？

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結