年底所有的事情忙完了，现在坐等放假和发年终奖。最后一周上班，机会难得，有时间学习，并提升下自己的技能了。最近浏览各大论坛，博客，并捡到了一款可视化神器——Altair。这一周，好好研究下，看看能不能总结出一些好用的数据可视化模板。

关于Altair

Altair为数据可视化框架vega在Python环境的封装，vega又为交互可视化神器D3框架封装，即使你不懂JavaScript知识。有了Altair，就可以利用D3框架来实现数据可视化了。

D3框架不好用，更准确说法应该是学习曲线太高了，奈何没有系统学习JavaScript知识，也没有更多精力细细研究D3框架，就只能够站在巨人肩膀上，利用Altair框架来实现数据可视化了。

因为电脑内已经安装了Anaconda数据分析环境，Altair并非anaconda默认工具包，需要手动安装。使用以下命令，完成Altair安装。安装包不大，国内如果安装慢，可以切换到清华源、或者豆瓣等镜像源安装。

pip install altair==4.2.0

pip install vega-datasets

vega-datasets并非必须安装，但Altair官网案例数据集基本来自这个数据集，为了便于学习，建议大家安装这个数据包。安装成功后，就可以利用Altair来实现数据可视化了。

因为Altair利用JavaScript实现数据可视化，之前配置在Excel内jupyter开发环境，这次研究Altair发挥了用武之地。在Excel内启动jupyter编辑器，并新建Altair notebook文件。

Altair案例1：数据排名变化

Altair排位变化图，很类似地铁线路图，简约美观，有着曲线图趋势基因，少了趋势线的凌乱感。数据排位变化情况一目了然。很适合用来绘制团队成员之间KPI指标排位变化情况。

Altair绘制排位变化图，代码很简洁。只需要通过命令和参数即可实现绘制，而且Altair最强的地方在于，能够对数据进行聚合运算。只需要指定初始数据。

import altair as alt
from vega_datasets import data
import pandas as pd

stocks = data.stocks()
source = stocks.groupby([pd.Grouper(key="date", freq="6M"),"symbol"]).mean().reset_index()

alt.Chart(source).mark_line(point = True).encode(
    x = alt.X("date:O", timeUnit="yearmonth", title="date"),
    y="rank:O",
    color=alt.Color("symbol:N")
).transform_window(
    rank="rank()",
    sort=[alt.SortField("price", order="descending")],
    groupby=["date"]
).properties(
    title="Bump Chart for Stock Prices",
    width=600,
    height=150,
)

Altair案例2：旋风图动画

Altair制作旋风图也很简单，而且支持旋风图动画，官方案例之中展示的人口年龄构成随年份变化动画。后期好好研究，怎么让排位图也显示出来动画。

import altair as alt
from vega_datasets import data

source = data.population.url

slider = alt.binding_range(min=1850, max=2000, step=10)
select_year = alt.selection_single(name='year', fields=['year'],
                                   bind=slider, init={'year': 2000})

base = alt.Chart(source).add_selection(
    select_year
).transform_filter(
    select_year
).transform_calculate(
    gender=alt.expr.if_(alt.datum.sex == 1, 'Male', 'Female')
).properties(
    width=250
)

color_scale = alt.Scale(domain=['Male', 'Female'],
                        range=['#1f77b4', '#e377c2'])

left = base.transform_filter(
    alt.datum.gender == 'Female'
).encode(
    y=alt.Y('age:O', axis=None),
    x=alt.X('sum(people):Q',
            title='population',
            sort=alt.SortOrder('descending')),
    color=alt.Color('gender:N', scale=color_scale, legend=None)
).mark_bar().properties(title='Female')

middle = base.encode(
    y=alt.Y('age:O', axis=None),
    text=alt.Text('age:Q'),
).mark_text().properties(width=20)

right = base.transform_filter(
    alt.datum.gender == 'Male'
).encode(
    y=alt.Y('age:O', axis=None),
    x=alt.X('sum(people):Q', title='population'),
    color=alt.Color('gender:N', scale=color_scale, legend=None)
).mark_bar().properties(title='Male')

alt.concat(left, middle, right, spacing=5)

Altair案例3：最惊艳的散点图

Altair官方案例之中，最让我感到惊艳的图就是可交互分析的散点图了。该图很适合前期数据构成初探分析。而且代码构成也非常简单。后期真的有必要研究下，怎么把这个图做到EFunction模板之中。

因为散点图只支持二维数据，平时数据分析过程之中，可以利用PCA等降维技术，先将数据降维，再用Altair散点图对数据构成进行探究分析。

import altair as altfrom vega_datasets import data
source = data.cars()
brush = alt.selection(type='interval')
points = alt.Chart(source).mark_point().encode(    x='Horsepower',    y='Miles_per_Gallon',    color=alt.condition(brush, 'Origin', alt.value('lightgray'))).add_selection(    brush)
bars = alt.Chart(source).mark_bar().encode(    y='Origin',    color='Origin',    x='count(Origin)').transform_filter(    brush)
points & bars

D3真的是网页端数据可视化之首，Altair案例很丰富，只是可惜，国内学习资料比较少，其他后续慢慢研究，计划先将这三个案例整合到EFunction模板之内，后续可视化数据，就不用重复造轮子了！