# Altair

**air**는 파썬 기반의 선적 데이터 시각 라이브러로, 사용자가 데이터를 직관적이고 효율적으로 시각화할 수 있도록 도와줍니다. Altair는 **Vega** 및 **Vega-Lite** 시각화 시스템 위에 구축되어 있으며, 통계적 데이터를 기반으로 한 시각화를 위한 간결하고 표현력 있는 문법을 제공합니다. 특히, 데이터 과학자와 분석가들이 빠르게 인사이트를 도출할 수 있도록 설계되어 있으며, Jupyter 노트북 환경과의 뛰어난 통합성으로 인해 인기 있는 도구로 자리 잡고 있습니다.

## 개요

Altair는 University of Washington의 **Interactive Data Lab**에서 개발된 오픈소스 라이브러리로, 2016년에 처음 공개되었습니다. 이 라이브러리는 "선언적(declarative)" 접근 방식을 채택하고 있어, 사용자가 "어떻게" 그래프를 그릴 것인지보다 "무엇을" 시각화할 것인지에 집중할 수 있도록 합니다. 즉, 데이터의 변수와 시각적 채널(예: x축, y축, 색상, 크기 등)을 명시하면, Altair이 자동으로 적절한 시각화를 생성합니다.

Altair의 핵심 철학은 **"데이터 드리븐 시각화"** 로, 데이터의 구조와 타입(수치형, 범주형, 시간형 등)을 기반으로 자동으로 최적의 시각화를 추천하고 생성합니다. 이는 사용자가 시각화의 미적 요소보다 데이터 해석에 집중할 수 있게 해줍니다.

## 주요 특징

### 1. 선언적 문법
Altair는 사용자가 시각화를 "설명"하는 방식으로 작성합니다. 예를 들어, "x축에는 연도를, y축에는 매출을, 색상은 지역별로 구분하라"는 식으로 명시하면, 라이브러리가 자동으로 막대 그래프나 선 그래프를 생성합니다.

```python
import altair as alt
import pandas as pd

data = pd.DataFrame({
    'year': [2020, 2021, 2022],
    'sales': [100, 150, 200],
    'region': ['North', 'South', 'East']
})

chart = alt.Chart(data).mark_bar().encode(
    x='year:O',
    y='sales:Q',
    color='region:N'
)
chart.show()
```

여기서 `:O`, `:Q`, `:N`은 데이터 타입을 명시하는 것으로, 각각 **범주형**(Ordinal), **수치형**(Quantitative), **명목형**(Nominal)을 의미합니다.

### 2. Vega-Lite 기반
Altair는 내부적으로 **Vega-Lite** 스펙을 생성하여 브라우저에서 시각화를 렌더링합니다. 이는 JSON 기반의 시각화 설명 언어로, 결과적으로 생성된 차트는 웹 기반에서 완전히 상호작용 가능하며, 확대/축소, 툴팁, 필터링 등의 기능을 기본 제공합니다.

### 3. 상호작용 기능
Altair는 `interactive()` 메서드를 통해 차트에 간단히 상호작용을 추가할 수 있습니다.

```python
chart.interactive()
```

또한, `selection` 기능을 사용하면 사용자 입력에 따라 데이터를 필터링하거나 하이라이트할 수 있습니다.

### 4. Jupyter 통합
Altair는 Jupyter Notebook, JupyterLab, Google Colab 등과 완벽하게 통합되어 있어, 차트를 출력할 때 별도의 설정 없이 바로 렌더링됩니다. 이는 데이터 탐색 및 분석 과정에서 매우 유용합니다.

## 사용 사례

### 탐색적 데이터 분석 (EDA)
데이터를 처음 분석할 때, Altair는 빠르게 산점도, 히스토그램, 박스 플롯 등을 생성하여 데이터의 분포, 이상치, 상관관계 등을 파악하는 데 유용합니다.

### 대시보드 구성
Altair는 여러 차트를 `|` (수평 배치) 또는 `&` (수직 배치) 연산자를 사용해 결합할 수 있어, 간단한 대시보드를 쉽게 만들 수 있습니다.

```python
chart1 | chart2  # 두 차트를 나란히 배치
```

### 교육 및 시각화 교육 자료
선언적 문법은 시각화의 기본 개념을 가르치는 데 적합하여, 대학 및 온라인 강의에서 자주 활용됩니다.

## 설치 및 시작 방법

Altair는 `pip` 또는 `conda`를 통해 설치할 수 있습니다.

```bash
pip install altair
# 또는
conda install -c conda-forge altair
```

Jupyter 환경에서 사용하려면 추가적으로 `vega_datasets`를 설치하면 샘플 데이터셋을 활용할 수 있습니다.

```bash
pip install vega_datasets
```

## 제한사항

- **성능**: 대규모 데이터셋(수백만 건 이상)에서는 렌더링 속도가 느려질 수 있습니다. 이 경우 데이터 샘플링이나 `row_limit` 설정이 필요합니다.
- **맞춤형 디자인 제한**: 고도로 맞춤화된 시각화가 필요한 경우, Matplotlib이나 Plotly에 비해 유연성이 낮을 수 있습니다.
- **외부 환경 의존성**: 웹 기반 렌더링을 사용하므로, 오프라인 환경에서는 별도의 설정이 필요할 수 있습니다.

## 관련 도구 및 라이브러리

| 도구 | 설명 |
|------|------|
| **Vega / Vega-L** | Altair이 기반하는 시각화 사양 언어 |
| **Plotly** | 유사한 상호작용 시각화 라이브러리 |
| **Matplotlib** | 전통적인 명령형 시각화 라이브러리 |
| **Seaborn** | 통계 시각화에 특화된 라이브러리 |

## 참고 자료

- [공식 문서](https://altair-viz.github.io/)
- [GitHub 저장소](https://github.com/altair-viz/altair)
- [Vega-Lite 사양 문서](https://vega.github.io/vega-lite/)
- Jake VanderPlas, *Python Data Science Handbook* (O'Reilly, 2016) – Altair 장 포함

Altair는 데이터 시각화의 접근성을 높이고, 데이터 중심 사고를 촉진하는 강력한 도구입니다. 특히 빠른 프로토타이핑과 교육 목적에 매우 적합하며, 현대적인 데이터 과학 워크플로우에서 중요한 위치를 차지하고 있습니다.