项目理念#

Python 中有许多优秀的绘图库，包括

每个库都在特定方面表现出色。

用户面临的挑战#

然而，如此繁多的选项给用户带来了巨大的困扰，他们必须浏览所有这些 API，才能找到最适合当前任务的库。这些库都没有针对高级统计可视化进行优化，因此用户必须使用各种 API 拼凑出自己的可视化。对于刚开始学习处理数据的人来说，这迫使他们专注于学习 API，而不是探索他们的数据。

另一个挑战是当前的绘图 API 要求用户编写代码，即使是可视化的一些无关紧要的细节。这导致了一种不幸且不必要的认知负担，因为可视化类型（直方图、散点图等）通常可以使用基本信息（例如感兴趣的列及其数据类型）来推断。

例如，如果您对两个数值列的可视化感兴趣，散点图几乎肯定是一个很好的起点。如果您添加一个分类列，您可能希望使用颜色或分面来编码该列。如果有时难以推断可视化，简单的用户界面可以在不编写任何代码的情况下构建可视化。Tableau 以及 Interactive Data Lab 的 Polestar 和 Voyager 就是这类 UI 的绝佳示例。

设计方法和解决方案#

我们认为，无需创建另一个具有编程 API 和内建渲染功能的可视化库，就可以解决这些挑战。Vega-Altair 构建可视化使用一种分层设计，它充分利用了现有可视化库的功能

  1. 创建一个受约束的、简单的 Python API (Vega-Altair)，它是纯粹声明性的

  2. 使用该 API (Vega-Altair) 生成符合 Vega-Lite 规范的 JSON 输出

  3. 使用现有可视化库渲染该规范

这种方法使用户可以最初使用更简单的 API 进行探索性可视化，为他们的使用场景选择合适的渲染器，然后利用该渲染器的全部功能进行更高级的图表定制。

我们认识到，与 Matplotlib、Bokeh 等的完整编程 API 相比，声明性 API 必然会受到限制。这是我们认为简化探索性可视化用户体验所必需的、经过深思熟虑的设计选择。

您可以在这个 StackOverflow 回答中找到 Plotly 和 Altair 之间更详细的比较。