Python中2種常用資料視覺化庫：Bokeh和Altair

华为云开发者联盟發表於2024-04-17
Python視覺化AI

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。
建立示例銷售資料：

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。

Python中2種常用資料視覺化庫：Bokeh和Altair

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~

相關文章