数据可视化这件事，Python 开发者往往卡在一个尴尬的位置：matplotlib 能画图但交互几乎为零，想做出联动筛选、tooltip 跟随的图表就得写 JavaScript——D3.js 或 ECharts 的学习曲线陡得让人放弃。Altair 的思路完全不同：你只声明"数据列和视觉属性之间的映射关系"，图表引擎替你完成渲染和交互逻辑，全程不用碰一行 JS。
声明式到底在声明什么
传统绘图库是命令式的：先建画布、再画轴、再逐条加柱子、再调颜色。Altair 基于 Vega-Lite 规范，核心动作只有一个——把数据字段绑定到视觉通道（x、y、color、size、shape 等）。引擎根据绑定自动推断轴范围、图例、标记类型，你不需要手动设置刻度或像素坐标。
这种做法的好处不仅是代码短。更关键的是：绑定关系一旦写好，换数据源、换交互方式都只需改一两行声明，底层渲染逻辑自动适配。
最小可运行示例：从 DataFrame 到交互图
下面这段代码可以直接复制运行（需要 altair 和 vega_datasets，用 pip 安装即可）：
import altair as alt
from vega_datasets import data
source = data.cars()
alt.Chart(source).mark_circle(opacity=0.7).encode(
x="Horsepower:Q",
y="Miles_per_Gallon:Q",
color="Origin:N",
size="Weight:Q",
tooltip=["Name", "Horsepower", "Miles_per_Gallon", "Origin"]
).interactive()
运行后你会得到一个散点图：马力对油耗，颜色区分产地，点的大小映射车重，鼠标悬停显示详情，还可以拖拽缩放——这些交互全部由 .interactive() 一行开启，底层生成的就是 Vega-Lite JSON 规范，浏览器端渲染。
注意几个细节：
- :Q / :N 是 Altair 的类型标注，分别代表 Quantitative（连续量）和 Nominal（离散分类）。写明类型可以避免引擎误判。
- tooltip 接收字段列表，自动生成悬停提示框。
- mark_circle 可以换成 mark_bar、mark_line、mark_area 等，同一套 encode 换个 mark 就变成另一种图。
联动筛选：多图之间数据联动
Altair 最实用的能力之一是 linked selections——在一张图上选中区域，另一张图自动高亮对应数据。这在探索性分析中极其常见。
source = data.cars()
# 定义一个选择器：在散点图上框选
brush = alt.selection_interval()
# 散点图：马力 vs 油耗，框选区域变色
scatter = alt.Chart(source).mark_circle().encode(
x="Horsepower:Q",
y="Miles_per_Gallon:Q",
color=alt.condition(brush, "Origin:N", alt.value("lightgray")),
tooltip=["Name", "Origin"]
).add_params(brush)
# 柱状图：按产地统计数量，联动高亮
bar = alt.Chart(source).mark_bar().encode(
x="count():Q",
y="Origin:N",
color=alt.condition(brush, "Origin:N", alt.value("lightgray"))
)
scatter | bar
| 运算符把两张图水平排列。在散点图上拖拽框选一段区域，柱状图立刻只高亮对应产地的柱子，其余变灰。alt.selection_interval() 还可以换成 selection_point()（点击选中单点）或 selection_multi()（多选），逻辑一致。
分层与复合：一张图叠加多种标记
实际分析经常需要在同一坐标系里叠加不同标记——比如折线图上加均值参考线。Altair 用 + 运算符做图层叠加：
source = data.stocks()
base = alt.Chart(source).encode(
x="date:T",
y="price:Q",
color="symbol:N"
)
line = base.mark_line()
rule = base.mark_rule().encode(
y="average(price):Q"
)
line + rule
折线和均值线共享 x/y/color 编码，只在 mark 层分开。:T 标注时间类型，引擎自动按时间轴排版。这种"先写 encode 再分 mark"的模式让复合图表的代码量压缩到极低。
导出与部署
Altair 默认在 Jupyter 中渲染图表。如果需要脱离 Notebook 部署，有几种路径：
- 保存为 HTML：
chart.save("chart.html")，生成独立 HTML 文件，内嵌 Vega-Lite JSON，浏览器直接打开即可交互。 - 保存为 JSON：
chart.to_json()，拿到原始规范，可以嵌入任何支持 Vega-Lite 的前端框架。 - 静态图片：
chart.save("chart.png")，需要额外安装vl-convert-python或selenium作为渲染引擎。
对于需要批量出图的场景，chart.save() 比 matplotlib 的 savefig 更省心——交互逻辑一并打包进 HTML，不需要额外写前端代码。
什么时候选 Altair，什么时候不选
适合的场景： - 探索性数据分析，需要快速出交互图、联动筛选。 - 团队里没有前端工程师，但交付物要求可交互。 - 图表类型集中在常见统计图（散点、折线、柱状、热力、面积图等）。
边界和局限： - Vega-Lite 规范覆盖的是"标准统计图表"范畴。需要高度定制化、非标准布局（比如桑基图、自定义地图叠加）时，Altair 的表达能力会撞墙，这时候可能需要回到 D3.js 或 PyECharts。 - 大数据量渲染性能依赖浏览器端。超过 5,000 行数据时，建议先做聚合或采样再喂给 Altair，否则交互会变卡。 - Altair 的声明式语法对"精确像素控制"天然不友好。如果你需要逐像素调整布局，这不是正确的工具。
快速上手清单：
1. pip install altair vega_datasets
2. 用 alt.Chart(df).mark_xxx().encode(...) 写第一张图
3. 加 .interactive() 开启缩放拖拽
4. 用 alt.selection_interval() + alt.condition() 做联动筛选
5. chart.save("out.html") 导出交付
Altair 的核心价值不是"画得更漂亮"，而是把数据到视觉的映射关系变成一行声明，交互逻辑由规范自动推导。对于大多数数据分析场景，这已经足够——剩下的时间留给思考数据本身，而不是调图表参数。