Altair 数据可视化：如何绘制PCA置信区间椭圆

在数据分析和可视化领域，主成分分析(PCA)是一种常用的降维技术，而置信区间椭圆则是展示数据分布特征的重要工具。本文将介绍如何在Python的Altair可视化库中实现PCA散点图并添加置信区间椭圆。

置信区间椭圆的作用

置信区间椭圆能够直观地展示数据点在二维空间中的分布范围和方向。它基于多元正态分布假设，通常用于：

• 展示不同类别数据的分布特征
• 识别数据中的异常点
• 比较不同组别数据的变异程度和相关性

Altair实现方法

Altair本身不直接提供绘制置信区间椭圆的内置函数，但我们可以结合Scipy等科学计算库来实现这一功能。以下是实现步骤：

1. 计算椭圆参数：使用Scipy的统计函数计算每个类别的椭圆参数
2. 生成椭圆路径：基于计算得到的参数生成椭圆路径点
3. 绘制椭圆：使用Altair的mark_line或mark_area绘制椭圆

完整实现代码

import altair as alt
import pandas as pd
import numpy as np
from scipy import stats

# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({
    'x': np.concatenate([np.random.normal(0, 1, 50), 
                        np.random.normal(5, 1, 50)]),
    'y': np.concatenate([np.random.normal(0, 1, 50), 
                        np.random.normal(3, 1, 50)]),
    'category': ['A']*50 + ['B']*50
})

# 计算置信椭圆函数
def confidence_ellipse(x, y, level=0.95):
    cov = np.cov(x, y)
    pearson = cov[0,1]/np.sqrt(cov[0,0]*cov[1,1])
    ell_radius_x = np.sqrt(1 + pearson)
    ell_radius_y = np.sqrt(1 - pearson)
    theta = np.linspace(0, 2*np.pi, 100)
    ellipse_coords = np.column_stack([ell_radius_x*np.cos(theta), 
                                    ell_radius_y*np.sin(theta)])
    
    scale = stats.chi2.ppf(level, 2)
    ellipse_coords *= np.sqrt(scale)
    
    rotation = np.arctan2(cov[0,1], cov[0,0]-cov[1,1])/2
    rot_matrix = np.array([[np.cos(rotation), -np.sin(rotation)],
                          [np.sin(rotation), np.cos(rotation)]])
    
    ellipse_coords = ellipse_coords.dot(rot_matrix)
    ellipse_coords[:,0] += x.mean()
    ellipse_coords[:,1] += y.mean()
    
    return pd.DataFrame(ellipse_coords, columns=['x', 'y'])

# 为每个类别生成椭圆数据
ellipses = []
for cat in data['category'].unique():
    subset = data[data['category']==cat]
    ellipse = confidence_ellipse(subset['x'], subset['y'])
    ellipse['category'] = cat
    ellipses.append(ellipse)
ellipses = pd.concat(ellipses)

# 创建图表
points = alt.Chart(data).mark_circle(size=60).encode(
    x='x:Q',
    y='y:Q',
    color='category:N'
)

ellipse = alt.Chart(ellipses).mark_line().encode(
    x='x:Q',
    y='y:Q',
    color='category:N',
    detail='category:N'
)

chart = points + ellipse
chart.display()

进阶技巧

1. 填充椭圆：使用mark_area代替mark_line可以实现填充效果
2. 多级置信区间：通过调整level参数可以绘制不同置信水平的椭圆
3. 样式定制：可以调整椭圆的透明度、边框粗细等视觉属性

注意事项

• 确保数据符合多元正态分布假设
• 样本量较小时，置信椭圆可能不够准确
• 不同类别的样本量差异较大时，椭圆大小可能不具有直接可比性

通过上述方法，我们可以在Altair中实现与R语言ggplot2类似的PCA置信区间椭圆效果，为数据可视化增添更多专业元素。