可视化神器 Altair 登场 – 2

图表的扩展

Altair 的另一个美妙之处就是，我们可以从现有的图表中创建新的图表。例如，我们现在要加入新的数据 income，我们唯一需要做的就是告诉 Altair：用 income 作为y轴，代码如下所示：

如果想添加数据提示的功能（tooltip，鼠标悬停在数据上时，会显示该数据的详细信息），只需要增加一行代码：

Altair 的迷人之处

在接触 Altair 之前，我们常常持有一种的怀疑态度：这些可视化工具的包装器真的好用吗？通常来讲，包装是一个坏主意，就拿 ggplot2 来说，它的很多包装器都没有被 Python 社区广泛采用。这些包装器很难创建功能完整的版本，而且它们的更新也常常不及时。然而 Altair 却不一样：

• Altair 的 API 非常全面。
  这就要感谢 Jake Vanderplas（JVP）伟大的设计，凡是 Vega-Lite 能够做的，Python 就可以做。这是因为 Altair 只是一个 Python API，它能够生成有效的 Vega-Lite jsons，而 API 是以编程的方式生成的，因此在 Vega-Lite 的新版本发布后，Altair 能够全面而且快速的更新，这一切都显得如此美妙。
• 直观且具有符合 Python 习惯的接口。
  就像使用其他的 Python 库一样，我们需要一些时间来习惯。但 Altair 的精彩之处在于，它所有的设置都符合人类的推理方式，这样我们就能很快的了解它内部的运作原理，并且因此而变得高效。
• 互动性强。
  Vega-Lite 交互性非常强大，我们不仅能够使用一行代码来添加 tooltips，还能将图的选择区与另一个可视化图关联。
• 高度灵活性。
  Altair的marks可以理解为图表构建中的模块。如下图所示，我们用圆圈标记、线标记和文本标记的组合来构建一个图。最终的代码可读性强，而且易于修改，这对于 matplotlib 来说是很难的。

Altair 的主要缺点

• 没有 3d 绘图。
  如果3d可视化对您的工作很重要，那么 Altair 不太适合您。
• Altair 不是 D3.js。
  就像许多的高级可视化框架一样，Altair 也不是 100% 可定制的，在某些时候，我们会遇到一些无法用Altair制作的图表。（注：D3.js 是一个 JavaScript 库，用于在 Web 浏览器中生成动态的交互式数据可视化。 它利用了广泛实施的 SVG，HTML5 和 CSS 标准，具有高度的可定制性）
• 统计支持较差。
  如果需要对数据进行线性回归的话，还是推荐用 Seaborn 来进行快速可视化。