數據可視化對于通過將數據轉換為視覺效果來揭示數據中隱藏的趨勢和模式非常重要。為了可視化任何形式的數據，我們都可能在某個時間點使用過數據透視表和圖表，如條形圖、直方圖、餅圖、散點圖、折線圖、基于地圖的圖表等。這些很容易理解并幫助我們傳達準確的信息。基于詳細的數據分析，我們可以決定如何最好地利用手頭的數據，幫助我們做出明智的決定。

如果你是數據科學或機器學習初學者，你肯定已經嘗試過 Matplotlib 和 Seaborn 來進行數據可視化。毫無疑問，他們都是用于數據分析的兩個最常用的強大的開源 Python 數據可視化庫。

Seaborn 和 Altair

Seaborn 基于 Matplotlib，并為構建信息統計可視化提供了一個高級接口。但是，有一種替代 Seaborn 的方法。這個庫被稱為Altair，這是一個為統計數據可視化而構建的開源 Python 庫。根據官方文檔(https://altair-viz.github.io/)，它基于 Vega 和 Vega-lite 語言。使用 Altair，我們可以通過類似于 Seaborn 圖的條形圖、直方圖、散點圖和氣泡圖、網格圖和誤差圖等創建交互式數據可視化。

雖然 Matplotlib 庫在語法風格上是命令式的，但 Altair 和 Seaborn 庫在方法上都是聲明式的，即用戶只需要指定要做什么，機器決定它的部分。這使用戶可以自由地專注于解釋數據，而不是忙于編寫正確的語法。這種聲明式方法的唯一缺點可能是用戶對自定義可視化的控制較少，這對于大多數不熟悉編碼部分的用戶來說是可以的。

在本文中，我們將 Seaborn 與 Altair 進行比較。為了進行比較，我們將使用這兩個庫創建相同的可視化集，并得出結論，在易用性、語法、可視化外觀和樣式以及自定義可視化的能力方面，一個庫是否比另一個具有明顯優勢。本文完整數據和代碼，可聯系原文作者云朵君獲取！

安裝 Seaborn 和 Altair

要從 PyPi 安裝這些庫，請使用以下命令

pip?install?altair pip?install?seaborn

報錯與處理

如果你使用的是 Jupyter Notebook，并且首次運行，有如下錯誤

Error?loading?script:?Script?error?for?"vega-embed"?http://requirejs.org/docs/errors.html#scripterror

這就涉及到在 Jupyter Notebook 中顯示的問題

經典的 Jupyter Notebook 將通過實時網絡連接與 Altair 的默認渲染器一起使用：不需要渲染啟用步驟，或者，對于 Jupyter Notebook 中的離線渲染，可以使用 Notebook 渲染器：

alt.renderers.enable('notebook')

如果報錯：

NoSuchEntryPoint:?No?'notebook'?entry?point?found?in?group?'altair.vegalite.v4.renderer'

則需要安裝：

pip?install?vega

或者conda中

conda?install?vega?--channel?conda-forge

在舊版本的筆記本 (<5.3) 中，需要額外啟用擴展：

jupyter?nbextension?install?--sys-prefix?--py?vega

如果以上方法還不管用(如果你也遇到了同樣的問題，并且有了更好的解決方案的，可以聯系云朵君，一起學習)，那就建議你使用??Jupyter Lab，并設置：

import?altair?as?alt alt.renderers.enable('mimetype')

正常顯示就沒有問題了。

導入基本庫和數據集

與往常一樣，我們導入 Pandas 和 NumPy 庫來處理數據集、Matplotlib 和 Seaborn，以及用于構建可視化的新安裝庫 Altair。

#導入需要的庫 import?pandas?as?pd import?numpy?as?np import?seaborn?as?sns Import?matplotlib.pyplot?as?plt import?altair?as?alt

我們將使用來自 seaborn 數據集庫的“mpg”或“miles per gallon”數據集來生成這些不同的圖。這個著名的數據集包含各種品牌汽車模型的 398 個樣本和 9 個屬性。

#導入數據集?? df?=?sns.load_dataset('mpg') df.shape>>>(398, 9)#數據集列名 df.keys()

輸出

Index(['mpg',?'cylinders',?‘displacement',?‘horsepower',?‘weight','acceleration',?‘model_year',?‘origin',?'name'],dtype='object')#檢查數據類型 df.dtypes #檢查數據集 df.head()

這個數據集很簡單，很好地融合了分類和數字特征。現在繪制圖表進行比較。

散點圖和氣泡圖

我們將從簡單的散點圖和氣泡圖開始。我們將使用'mpg'和'horsepower'變量。

Seaborn

對于 Seaborn 散點圖，可以使用?relplot?命令并將“散點圖”作為繪圖類型傳遞

sns.relplot(y='mpg',x='horsepower',data=df,kind='scatter',size='displacement',hue='origin',aspect=1.2);

或者可以直接使用?scatterplot?命令。

sns.scatterplot(data=df,?x="horsepower",?y="mpg",?size="displacement",?hue='origin',legend=True)

Altair

而對于 Altair，使用以下語法

alt.Chart(df).mark_point().encode(alt.Y('mpg'),alt.X('horsepower'),alt.Color('origin'),alt.OpacityValue(0.7),size='displacement')

在這兩個庫中，我們將數據源的 DataFrame 和先前選擇的"horsepower"、"mpg"列分別作為 x 和 y 傳遞。可以使用另一個屬性?"origin"?為圖例條目著色，并使用兩個庫的附加變量?"displacement"?控制點的大小。

在 Seaborn 中，我們可以使用?"aspect"?設置來控制繪圖的縱橫比。但是，在?Altair?中，我們還可以通過傳遞 0 到 1 之間的值來控制點的不透明度值（1 表示完全不透明）。

要將 Seaborn 中的散點圖轉換為氣泡圖，只需為"sizes"傳遞一個值，該值表示圖表中氣泡的最小和最大尺寸。對于 Altair，我們只需通過 (filled=True) 來生成氣泡圖。

sns.scatterplot(data=df,?x="horsepower",?y="mpg",?size="displacement",?hue='origin',legend=True,?sizes=(10,?500))alt.Chart(df).mark_point(filled=True).encode(x='horsepower',y='mpg',size='displacement',color='origin' )

通過以上散點圖，我們可以理解"horsepower"和"mpg"變量之間的關系，即"horsepower"較低的車輛似乎具有較高的"mpg"。兩個圖的語法相似，可以自定義以顯示值。

折線圖

現在，我們繪制"horsepower"和"mpg"屬性的折線圖。線圖的語法對兩者都非常簡單。我們將 DataFrame 作為數據傳遞，上述兩個變量為 x 和 y，而?'origin'?作為圖例顏色。

Seaborn

sns.lineplot(data=df,?x='horsepower',?y='acceleration',hue='origin')

Altair

alt.Chart(df).mark_line().encode(alt.X('horsepower'),alt.Y('acceleration'),alt.Color('origin'))

在這里我們可以理解"usa"車輛具有更高的"horsepower"范圍，而其他兩個"japan"和?"europe"?的"horsepower"范圍更窄。同樣，這兩個圖都很好地提供了相同的信息并且看起來同樣出色。

條形圖和計數圖

在下一組可視化中，我們將繪制一個基本的條形圖和計數圖。這一次，我們還將添加一個圖表標題。我們將使用"cylinders"和"mpg"屬性作為繪圖的 x 和 y。

對于 Seaborn 圖，我們將上述兩個特征與 Dataframe 一起傳遞。為了自定義顏色，我們從 Seaborn 的預定義調色板中選擇了一個Palette='magma_r'。

sns.catplot(x='cylinders',?y='mpg',?hue="origin",?kind="bar",?data=df,?palette='magma_r')

在 Altair 條形圖中，我們傳遞 df、x 和 y，并根據"origin"特征指定顏色。在這里，我們可以通過在"mark_bar"命令中傳遞一個值來自定義條形的大小，如下所示。

plot=alt.Chart(df).mark_bar(size=40).encode(alt.X('cylinders'),alt.Y('mpg'),alt.Color('origin') ) plot.properties(title='cylinders?vs?mpg')

從上面的條形圖中，我們可以看到帶有 4 個汽缸的車輛對于"mpg"值似乎是最有效的。

這是計數圖的語法

Seaborn

我們使用 FacetGrid 命令根據變量"origin"在網格上顯示多個圖。

g?=?sns.FacetGrid(df,?col="cylinders",?height=4,aspect=.5,hue='origin',palette='magma_r') g.map(sns.countplot,?"origin",?order?=?df['origin'].value_counts().index)

Altair

我們再次使用"mark_bar"命令，但將圓柱列的"count()"作為 y 傳遞以生成計數圖。

alt.Chart(df).mark_bar().encode(x='origin',y='count()',column='cylinders:Q',color=alt.Color('origin') ).properties(width=100,height=100?? )

從這兩個計數圖中，我們可以很容易地理解"japan"有 (3,4,6) 缸車輛，"europe"有 (4,5,6) 缸車輛，"usa"有 (4,6,8) 缸車輛汽缸車。從語法的角度來看，這些庫需要數據源的輸入 x、y 來繪制。兩個庫的輸出看起來還挺不錯的。

接下來嘗試更多的圖并進行比較。

直方圖

在這組可視化中，我們將繪制基本的直方圖。在 Seaborn 中，我們使用?distplot?命令并傳遞數據框的名稱，要繪制的列的名稱。我們還可以使用"aspect"設置"寬高比"來調整繪圖的高度和寬度。

Seaborn

sns.distplot(df,?x='model_year',?aspect=1.2)

Altair

alt.Chart(df).mark_bar().encode(alt.X("model_year:Q",?bin=True),y='count()', ).configure_mark(opacity=0.7,color='cyan' )

在這組可視化中，兩個庫的選定默認?bin?不同，因此繪圖看起來略有不同。我們可以通過調整?bin?大小在 Seaborn 中獲得相同的圖。

sns.displot(df,?x='model_year',bins=[70,72,74,76,78,80,82],aspect=1.2)

現在情節看起來很相似。然而，在這兩個圖中，我們可以看到最大的車輛數量是在 76 年之后，并且在 82 年尤為突出。此外，我們使用了一個配置命令來修改條的顏色和不透明度，這在 Altair 情節的情況下就像一個主題。

帶狀圖

對于 Seaborn，我們將使用?stripplot?命令并將整個 DataFrame 和變量"cylinders"、"horsepower"分別傳遞給 x 和 y。

ax?=?sns.stripplot(data=df,?y=?‘horsepower’,?x=?‘cylinders’)

對于 Altair 圖，我們使用 mark_tick 命令生成具有相同變量的帶狀圖。

alt.Chart(df).mark_tick(filled=True).encode(x='horsepower:Q',y='cylinders:O',color='origin' )

從上面的圖中，我們可以清楚地看到不同"origin"的分類變量"cylinders"的散布情況。這兩個圖表在傳達氣缸數之間的關系方面似乎同樣有效。對于 Altair 圖，我們會發現 x 和 y 列在語法中已互換，以避免出現更高和更窄的圖。

交互圖

我們現在來到這個比較中的最后一組可視化——交互式繪圖。

與 Bokeh、Plotly 和 Dash 庫相比，Altair 在交互式繪圖方面語法更簡單。另一方面，Seaborn 不提供與任何圖表的交互性。如果你想過濾掉繪圖本身內部的數據并專注于繪圖中感興趣的區域/區域，就不建議使用Seaborn。

為了在 Altair 中設置交互式圖表，我們定義了一個具有"interval"類型選擇的選擇，即在圖表上的兩個值之間。然后我們使用之前定義的選擇定義列的活動點。接下來，我們指定要為選擇顯示的圖表類型（繪制在主圖表下方）并傳遞"select"作為顯示值的過濾器。

select?=?alt.selection(type='interval') values?=?alt.Chart(df).mark_point().encode(x='horsepower:Q',y='mpg:Q',color=alt.condition(select,?'origin:N',?alt.value('lightgray')) ).add_selection(select ) bars?=?alt.Chart(df).mark_bar().encode(y='origin:N',color='origin:N',x='count(origin):Q' ).transform_filter(select ) values?&?bars

對于交互式繪圖，我們可以輕松地可視化所選區域的樣本數。當圖表的一個區域中有太多樣本/點并且我們想要可視化它們的細節以更好地理解基礎數據時，這很有用。

Altair 其他要點

餅圖和甜甜圈圖

可惜的是，Altair 不支持餅圖。這是 Seaborn 獲勝的一個點，我們可以利用 matplotlib 功能通過 Seaborn 庫生成餅圖。

繪制網格、主題和自定義繪圖大小

這兩個庫還允許在生成多個繪圖、操縱縱橫比或圖形大小方面自定義繪圖，并支持為顏色和背景設置不同的主題以修改圖表的外觀。

高級繪圖

此外，還有其他高級繪圖，如棒棒糖或破折號和點圖、熱圖、樹狀圖，可以使用這兩個庫進行繪制（Seaborn 可能為此需要一些額外的包），但在此比較中這些已被排除在外以保持它簡單的。

寫在最后

我們繪制了不少 Seaborn 和 Altair 的各種類型的圖。數據可視化庫——Seaborn 和 Altair 看起來同樣強大。

與 Altair 相比，Seaborn 的語法更易于編寫和理解；而與 Seaborn 圖相比，Altair 中的數據可視化似乎更加美觀及引人注目。生成交互式可視化的能力是 Altair 提供的另一個優勢。因此，選擇其中之一取決于個人喜好和可視化要求。

理想情況下，這兩個庫都可以自給自足地處理大部分數據可視化需求。如果你需要快速繪制簡單的圖作為數據分析的一部分，那么請選擇 Seaborn。此外，如果你的項目需要餅圖，那么 matplotlib 或 Seaborn 是你的首選。如果要獲得交互式且外觀略微精致的可視化效果，可以選擇 Altair。

推薦閱讀

牛逼！Python常用數據類型的基本操作（長文系列第①篇）

牛逼！Python的判斷、循環和各種表達式（長文系列第②篇）

牛逼！Python函數和文件操作（長文系列第③篇）

牛逼！Python錯誤、異常和模塊（長文系列第④篇）

總結

以上是生活随笔為你收集整理的​再见 Seaborn！Altair 数据可视化已超神的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。