本文分享自華為雲社群《探究資料視覺化:Bokeh vs. Altair》,作者:檸檬味擁抱。
在資料科學和資料分析領域,資料視覺化是一種強大的工具,可以幫助我們更好地理解資料、發現模式和趨勢。Python作為一種流行的資料科學工具,擁有多種資料視覺化庫。本文將重點比較Bokeh和Altair這兩個常用的Python資料視覺化庫,探討它們的優缺點以及在不同場景下的適用性。
Bokeh 簡介
Bokeh是一個互動式視覺化庫,它能夠建立各種型別的互動式圖表,包括散點圖、線圖、條形圖等。Bokeh提供了豐富的工具,使使用者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的宣告式統計視覺化庫。它的設計理念是簡單性和一致性,使用者只需透過簡單的Python語法即可建立複雜的視覺化圖表,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的學習曲線較為陡峭,需要一定的時間來掌握其強大的互動功能和繪圖選項。
- Altair:Altair的語法相對簡單直觀,使用者可以更快速地建立出漂亮的圖表,對於新手來說更易上手。
互動性:
- Bokeh:Bokeh提供了豐富的互動工具,可以輕鬆地建立互動式圖表,並且支援自定義互動行為。
- Altair:雖然Altair的互動功能相對較少,但是它可以無縫地與其他互動庫(如Panel)整合,實現更復雜的互動需求。
視覺化表達能力:
- Bokeh:Bokeh可以建立各種型別的圖表,並且支援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視覺化表達,例如使用facet進行分面繪圖、使用layer進行圖層疊加等。
示例程式碼和解析
Bokeh 示例:
from bokeh.plotting import figure, show from bokeh.sampledata.iris import flowers # 建立一個散點圖 p = figure(title="Iris Dataset", x_axis_label='Petal Length', y_axis_label='Petal Width') # 新增散點資料 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建立一個散點圖,x軸為花瓣長度,y軸為花瓣寬度。
- 使用Bokeh的
circle
方法新增散點資料,並指定圖例標籤、顏色和大小。 - 最後呼叫
show
函式顯示圖表。
Altair 示例:
import altair as alt from vega_datasets import data # 載入資料集 iris = data.iris() # 建立散點圖 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建立一個散點圖,x軸為花瓣長度,y軸為花瓣寬度,顏色根據鳶尾花的種類進行編碼。
- 使用Altair的
mark_circle
方法建立散點圖,並指定x、y、color等屬性。 - 最後透過
.properties
方法設定圖表標題、寬度和高度,並呼叫.interactive()
方法使圖表具有互動功能。
透過以上示例和比較,我們可以看出,Bokeh和Altair都是功能強大的Python視覺化庫,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適用於需要複雜互動的場景,而Altair則更適合於快速建立漂亮的視覺化圖表。
案例與程式碼示例
1. Bokeh 案例:
假設我們有一組銷售資料,包括產品名稱、銷售量和銷售額,我們想要使用 Bokeh 建立一個互動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 # 建立示例銷售資料 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) # 設定輸出檔案 output_file("sales_bar_chart.html") # 建立ColumnDataSource source = ColumnDataSource(df) # 建立繪圖物件 p = figure(x_range=df['Product'], plot_height=350, title="Sales Summary", toolbar_location=None, tools="") # 新增條形圖 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'])) # 新增懸停工具 p.add_tools(HoverTool(tooltips=[("Product", "@Product"), ("Sales Volume", "@{Sales Volume}"), ("Revenue", "@Revenue")])) # 設定圖表屬性 p.xgrid.grid_line_color = None p.y_range.start = 0 p.yaxis.axis_label = "Sales Volume" # 顯示圖表 show(p)
這段程式碼是用於建立一個簡單的條形圖來展示銷售資料,並使用 Bokeh 庫進行視覺化。以下是程式碼的主要步驟解析:
匯入必要的庫:
from bokeh.plotting import figure, output_file, show
: 從 Bokeh 庫中匯入建立繪圖、輸出檔案和顯示圖表的函式。from bokeh.models import ColumnDataSource, HoverTool
: 從 Bokeh 庫中匯入用於處理資料來源和懸停工具的相關類。from bokeh.transform import factor_cmap
: 從 Bokeh 庫中匯入用於顏色對映的轉換函式。import pandas as pd
: 匯入 Pandas 庫,用於處理資料。
使用字典形式建立了示例的銷售資料,包括產品名稱、銷售量和收入。
將資料轉換為 Pandas DataFrame:
使用 pd.DataFrame()
函式將銷售資料轉換為 DataFrame。
設定輸出檔案:
使用 output_file()
函式設定輸出檔名為 “sales_bar_chart.html”。
建立 ColumnDataSource:
使用 ColumnDataSource
類將 DataFrame 轉換為 Bokeh 可用的資料來源。
建立繪圖物件:
使用 figure()
函式建立一個條形圖物件 p
,指定了 x 軸的範圍、繪圖高度、標題等屬性。
新增條形圖:
使用 vbar()
方法向繪圖物件新增條形圖,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。
新增懸停工具:
使用 add_tools()
方法向繪圖物件新增懸停工具,指定了懸停時顯示的資訊,包括產品名稱、銷售量和收入。
設定圖表屬性:
使用一系列屬性設定函式設定圖表的外觀屬性,如去除 x 軸的網格線、設定 y 軸起始值、設定 y 軸標籤等。
顯示圖表:
使用 show()
函式顯示繪圖物件。
透過這些步驟,程式碼建立了一個包含銷售資料的條形圖,並透過懸停工具提供了額外的互動資訊。
2. Altair 案例:
假設我們有一組學生的成績資料,包括學生姓名、數學成績和英語成績,我們想要使用 Altair 建立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 # 建立示例成績資料 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) # 建立散點圖 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
這些示例程式碼展示瞭如何使用 Bokeh 和 Altair 分別建立互動式條形圖和散點圖,以展示銷售資料和成績資料的視覺化。透過這些示例,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(互動式地圖):
假設我們有一組城市的經緯度資料,以及每個城市的人口數量,我們希望使用 Bokeh 建立一個互動式地圖,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 # 示例城市資料 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) # 設定輸出檔案 output_file("population_map.html") # 建立ColumnDataSource source = ColumnDataSource(df) # 建立繪圖物件 p = figure(plot_width=800, plot_height=600, title="Population Map", toolbar_location="below") # 新增圓形標記 p.circle(x='Longitude', y='Latitude', size='Population' / 100000, fill_alpha=0.6, line_color=None, source=source) # 新增懸停工具 hover = HoverTool() hover.tooltips = [("City", "@City"), ("Population", "@Population")] p.add_tools(hover) # 設定圖表屬性 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資料,包括銷售額和利潤,我們希望使用 Altair 建立一個堆疊柱狀圖,展示每個月的銷售額和利潤情況。
import altair as alt import pandas as pd # 示例銷售資料 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) # 建立堆疊柱狀圖 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
這些示例程式碼展示瞭如何使用 Bokeh 和 Altair 分別建立互動式地圖和堆疊柱狀圖,以展示城市人口分佈和銷售資料的視覺化。這些示例為使用 Bokeh 和 Altair 進行資料視覺化提供了更多的靈感和實踐經驗。
總結
本文對Python中兩個常用的資料視覺化庫 Bokeh 和 Altair 進行了比較和探討。透過對它們的特點、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資料視覺化工作。
在比較中,我們發現:
- Bokeh 提供了豐富的互動功能和自定義選項,適用於需要複雜互動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,適用於快速建立漂亮的視覺化圖表,但互動功能相對較少。
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 進行資料視覺化。Bokeh 適用於需要複雜互動和自定義外觀的場景,而 Altair 則更適合快速建立漂亮的視覺化圖表。
透過本文的介紹和示例程式碼,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資料視覺化工作。同時,我們也展望了資料視覺化領域未來的發展趨勢,包括增強互動性、提升效能和效率、整合機器學習和深度學習等方面。
總之,資料視覺化作為資料科學和資料分析領域的重要工具,將在未來繼續發揮重要作用。Bokeh 和 Altair 等視覺化庫的不斷髮展和完善,將為使用者提供更加強大和便捷的資料視覺化工具,助力資料分析和決策支援工作的開展。
點選關注,第一時間瞭解華為雲新鮮技術~