Vega-Liteは2016年にワシントン大学Interactive Data LabのKanit Wongsuphasawat、Dominik Moritz、Arvind Satyanarayan、Jeffrey Heerが発表した、Vegaの上位に位置する高レベルな可視化文法です。Vegaが低レベルな部品を組み合わせるのに対し、Vega-Liteはmark（点、棒、線）とencoding（x、y、color、size）を簡潔に記述するだけで標準チャートを生成でき、JSON記述量はVegaの数分の一に縮減されます。AltairというPythonバインディングを通じてJupyter Notebookでのデータ分析可視化のデファクトとなりつつあります。本記事ではVega-Liteの設計と活用を整理します。
この記事の目次
- mark と encoding の二大要素
- Altair によるPythonバインディング
- 誕生と理論的背景
- 向き不向きと選び方
- まとめ
mark と encoding の二大要素
Vega-LiteのJSONは{data: ..., mark: "bar", encoding: {x: {field: "a"}, y: {field: "b"}}}という数行で完結します。markで「点、棒、線、面、円、長方形、テキスト」のいずれかを選び、encodingで「どのフィールドをx軸／y軸／色／サイズ／形状にマッピングするか」を指定するだけで、Vega-Lite側が適切な軸、目盛り、凡例、ツールチップを自動生成します。これはWilkinsonの「Grammar of Graphics」とggplot2の系譜を継ぐ発想です。
コンパイル時にはVega-Lite specがフルのVega specに展開され、Vegaランタイムが描画を担います。ユーザーは高レベルの簡潔さで書きつつ、必要に応じてVega specまで降りて詳細制御することも可能で、「シンプルな入口、深い拡張」という階段構造を持っているのが特長です。Selection（インタラクションの選択範囲）、View Composition（チャート同士の組み合わせ）といった高度な機能もJSONで宣言的に書けます。
Altair によるPythonバインディング
AltairはVega-LiteのPythonバインディングで、Jupyter Notebookでの探索的データ分析（EDA）の標準ツールとして急速に普及しました。Pandas DataFrameをそのままalt.Chart()に渡し、.mark_bar().encode(x="a", y="b")とメソッドチェインで書けば、Vega-Lite specが内部で生成され、Jupyter上に描画されます。matplotlibと比べると宣言的で、Seabornと比べるとカスタマイズの自由度が高い、中間的なポジションです。
Altairの強みは「再現性」です。可視化のソースコードがVega-LiteのJSON specとして取り出せるため、Pythonコードを書かない人にも共有できます。論文の補足資料にspec をそのまま添付すれば、Vega-Editorや別の言語の実装でも同じ図を再現できます。Streamlit、Dash、PanelといったPython製ダッシュボードフレームワークもAltair統合を備えており、研究と実務の橋渡しになっています。
誕生と理論的背景
Vega-Liteは2016年のIEEE InfoVisで「Vega-Lite: A Grammar of Interactive Graphics」として発表され、ベストペーパー賞を獲得しました。ワシントン大学Interactive Data LabのJeffrey Heer教授が指導し、博士課程の学生Kanit Wongsuphasawatらが中心となって設計しました。Wilkinsonの「Grammar of Graphics」、Wickham のggplot2、Vegaの研究知見を統合した発想で、簡潔さとカスタマイズ性を両立しました。
リリース以降、AltairというPythonバインディングを通じてデータサイエンス領域で広く採用され、Jupyter NotebookでのEDAの定番ツールとなりました。GitHubでのスター数も急速に伸び、コミュニティコントリビュータも多数参加するようになりました。v5（2022年）ではTypeScript全面移行とVega 5への対応が進み、現代的なフロントエンドスタックでも扱いやすくなっています。
向き不向きと選び方
Vega-Liteが向くのは、Pythonでデータ分析する研究者やエンジニアです。Pandas DataFrameからAltair経由で可視化を作り、Jupyter NotebookやStreamlitで共有する流れは、特にデータサイエンス領域で定着しています。可視化スペック自体をJSONで共有できる点も、再現性研究や論文補足資料の作成で価値があります。
一方で純粋なWebフロントエンド開発では、Chart.jsやRechartsの方が手軽な場面が多いでしょう。Vega-Liteランタイムは数百KBのバンドルサイズになり、Reactとの統合もreact-vegaラッパーを介する形になります。JavaScript側の生産性を最優先するなら定型チャートライブラリを、Python統合や再現性を重視するならVega-Lite/Altairを選ぶのが、おおよその使い分けの目安です。
まとめ
Vega-LiteはVegaの簡潔版として、可視化文法の入口を大きく広げた研究系ライブラリです。AltairというPythonバインディング経由でデータサイエンス領域に深く浸透し、Jupyter NotebookでのEDAの標準ツールの一つになりました。再現性と簡潔さを両立した文法的アプローチは、論文・研究・分析の現場で今後も主要な選択肢であり続けるでしょう。
※本記事はIT用語辞典の手書きドラフトです。公開前に最新情報・出典を確認のうえ加筆修正してください。
コメント