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。 ...
本文分享自華為雲社區《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作為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是一個互動式可視化庫，它能夠創建各種類型的互動式圖表，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的學習曲線較為陡峭，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，可以輕鬆地創建互動式圖表，並且支持自定義交互行為。
- 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，實現更複雜的交互需求。
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軸為花瓣長度，y軸為花瓣寬度。
- 使用Bokeh的
circle方法添加散點數據，並指定圖例標簽、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 # 載入數據集 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 # 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。
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。
將數據轉換為 Pandas DataFrame：
使用 pd.DataFrame() 函數將銷售數據轉換為 DataFrame。
設置輸出文件：
使用 output_file() 函數設置輸出文件名為 “sales_bar_chart.html”。
創建 ColumnDataSource：
使用 ColumnDataSource 類將 DataFrame 轉換為 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 軸標簽等。
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 分別創建互動式條形圖和散點圖，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（互動式地圖）：
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 分別創建互動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。這些示例為使用 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，併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，數據可視化作為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 等可視化庫的不斷發展和完善，將為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。
