妙啊！这款 Python 数据可视化工具强的很！

使用 Altair ，你可以将更多时间专注于数据及其含义，下面我将详细介绍：

示例

这是一个在 JupyterLab 中使用 Altair 快速可视化和显示数据集的示例：

安装方法Altair需要以下依赖项： pandas traitlets IPython如果已克隆存储库，请从存储库的根目录运行以下命令：首先，我们创建一个简单的图来 Altair 语法结构。alt.Chart(orders).mark_circle(size=50).encode(
 x="qty", y="tip", color="order_type"
).properties(
 title = "Tip vs Quantity"
)

Altair 基本语法四步曲：

• 将数据传递到 Chart 对象，数据可以采用Pandas数据框或指向json或csv文件的URL字符串的形式。
• 选择可视化的类型（例如 mark_circle，mark_line 等）。
• encode 编码函数指定在给定数据帧中要绘制的内容。因此，我们在编码函数中编写的任何内容都必须链接到数据帧。
• 使用properties函数指定图的某些属性。

考虑这样一种情况，我们需要创建 pirce 和 tip 值的散点图，它们位于不同的数据帧中。一种选择是合并两个数据帧，并在散点图中使用这两列。

Altair提供了一种更实用的方法，它允许在其他数据框中查找列， 类似 Pandas 的 merge 函数功能相同。

transform_filter 函数用于过滤。FieldGTPredicate处理"大于"的条件。除了过滤和合并外，Altair 还允许在绘图之前对数据点进行分组。例如，我们可以创建一个条形图来显示每种订单类型的商品平均价格。此外，我们可以对价格低于20美元的商品执行此操作。alt.Chart(orders).mark_bar().encode(
 y="order_type", x="avg_price:Q"
).transform_lookup(
 lookup="item",
 from_=alt.LookupData(data=prices, key="item", fields=["price"])
).transform_filter(
 alt.FieldLTPredicate(field='price', lt=20)
).transform_aggregate(
 avg_price = "mean(price)", groupby = ["order_type"]
).properties(
 height=200, width=300
)

让我们详细说明每个步骤：

• transform_lookup：从价格数据框中查找价格。
• transform_filter：过滤价格低于20美元的价格。
• transform_aggregate：按订单类型对价格进行分组并计算均值。

结论

Altair 与其他常见的可视化库的不同之处在于，它可以无缝地将数据分析组件集成到可视化中，是一款非常实用的数据探索工具。

筛选、合并和分组对于探索性数据分析过程至关重要。Altair 允许在创建数据可视化时执行所有这些操作。从这个意义上讲，Altair也可以视为数据分析工具。如果你感兴趣，赶快尝试一下吧。