Altair: สอนวิธีสร้างกราฟ Data Visualisation ใน Python

Data visualisation (data viz) เป็นการแสดงข้อมูลผ่านภาพกราฟิก เพื่อช่วยในการนำเสนอและทำความเข้าใจข้อมูล

Altair เป็น package ใน Python สำหรับสร้างกราฟข้อมูล ซึ่งมีจุดเด่นกว่า packages ยอดนิยมอย่าง Matplotlib และ Seaborn อยู่ 2 ข้อ:

1. Declarative syntax: ใช้งานง่ายด้วยการเขียนที่เน้นสิ่งที่ต้องแสดงผล (what) แทนการกำหนดว่าจะแสดงอย่างไร (how)
2. Interactive plotting: สามารถสร้างกราฟแบบ interactive ได้

ในบทความนี้ ผมจะพาทุกคนไปดูวิธีใช้ Altair เพื่อสร้างกราฟใน Python กัน

บทความนี้จะแบ่งเป็น 3 ส่วน:

1. Dataset: แนะนำตัวอย่างข้อมูลที่จะใช้
2. Basic plotting: การสร้างกราฟพื้นฐานใน Altair
3. Customisation: การปรับแต่งกราฟใน Altair

ถ้าพร้อมแล้ว ไปเริ่มกันเลย

📦 Dataset ตัวอย่าง

ในบทความนี้ เราจะใช้ cars dataset จาก vega_datasets ซึ่งมีข้อมูลรถ เช่น:

• ชื่อรุ่น
• ระดับการกินน้ำมัน
• แรงม้า
• จำนวนลูกสูบ

เราสามารถโหลด dataset ได้แบบนี้:

# Import the package
from vega_datasets import data
# Load the dataset
cars = data.cars()
# Preview the dataset
cars.head()

ผลลัพธ์:

📊 พื้นฐานการสร้างกราฟใน Altair

การสร้างกราฟใน Altair ประกอบด้วย 3 ส่วน:

ทั้ง 3 ส่วนทำงานรวมกันแบบนี้:

# Import the package
import altair as alt
# Create a scatter plot
(
    alt.Chart(cars) # Set dataset
    .mark_point() # Set plot type
    .encode(
        x="Miles_per_Gallon",
        y="Horsepower"
    ) # Map data
)

ผลลัพธ์:

Note: .mark_*() เรากำหนดประเภทกราฟได้ เช่น:

🎨 วิธีปรับแต่งกราฟใน Altair

เรามาดูการปรับแต่ง 3 องค์ประกอบในกราฟกัน:

1. Title and labels: กำหนดชื่อกราฟและแกนข้อมูล
2. Data points: ปรับแต่งการแสดงข้อมูล (เช่น สี รูปทรง)
3. Third variable: การเพิ่มตัวแปรที่ 3

.

🚸 การเพิ่ม Title & Labels

เราสามารถเพิ่มชื่อกราฟและชื่อแกนได้ด้วย 3 คำสั่ง:

ตัวอย่าง:

# Customise the title and axis labels
(
    alt.Chart(cars)
    .mark_point()
    # Add axis labels
    .encode(
        x=alt.X("Miles_per_Gallon", title="MPG"),
        y=alt.Y("Horsepower", title="Horsepower")
    )
    # Add the title
    .properties(
        title="Horsepower vs Fuel Consumption"
    )
)

ผลลัพธ์:

.

🔢 การตกแต่ง Data Points

เราสามารถปรับการนำเสนอข้อมูล โดยกำหนด parametre ใน .mark_*() เช่น:

ตัวอย่าง:

# Customise data points
(
    alt.Chart(cars)
    # Adjust colour, shape, opacity, size
    .mark_point(
        color="red",
        shape="diamond",
        size=50,
        opacity=0.5
    )
    .encode(
        x=alt.X("Miles_per_Gallon", title="MPG"),
        y=alt.Y("Horsepower", title="Horsepower")
    )
    .properties(
        title="Horsepower vs Fuel Consumption"
    )
)

ผลลัพธ์:

.

🥉 การเพิ่ม Third Variable

เราสามารถเพิ่มตัวแปรอื่น ๆ ได้โดยกำหนด parametre ใน .encode() เช่น:

ตัวอย่าง:

# Add a third variable
(
    alt.Chart(cars)
    .mark_point(color="red")
    .encode(
        x=alt.X("Miles_per_Gallon", title="MPG"),
        y=alt.Y("Horsepower", title="Horsepower"),
        # Add as colours
        color="Origin"
    )
    .properties(
        title="Horsepower vs Fuel Consumption"
    )
)

ผลลัพธ์:

💪 บทสรุป

Altair เป็นเครื่องมือสร้างกราฟที่ใช้งานง่ายใน Python โดยมีส่วนประกอบ 3 ส่วนหลัก:

(
    alt.Chart()
    .mark_*()
    .encode()
)

และสามารถปรับแต่งได้โดยการกำหนด parametre ใน:

1. .mark_*(): ประเภทกราฟ
2. .encode(): สำหรับการนำเสนอตัวแปร
3. .properties(): สำหรับชื่อกราฟ

🫵 Your Turn

หลังอ่านบทความนี้กันแล้ว ลองมาใช้ Altair กันนะครับ

• ดูตัวอย่าง code ทั้งหมดในบทความนี้
• ดูตัวอย่างกราฟและการใช้งาน Altair

📃 References

Intro to Altair:

• Vega-Altair: Declarative Visualization in Python
• Vega-Altair
• Declarative vs. Imperative Plotting

Using Altair:

• Introduction to Altair in Python
• Altair in Python Tutorial: Data Visualizations
• Altair: Declarative Charts With Python

Comparing Altair with other packages:

• A Comparison of Seaborn and Altair
• Exploring Data Visualization in Altair: An Interesting Alternative to Seaborn
• Multi-library data visualization: Comparing Matplotlib, Seaborn, Plotly & Altair
• 4 Key Players in Python Data Visualization Ecosystem: Matplotlib, Seaborn, Altair, and Plotly