La scienza della discussione dei dati per dar loro un senso è la scienza dei dati. La visualizzazione dei dati è semplicemente una rappresentazione grafica dei dati.

In termini più semplici, sono i numeri trasformati in cifre che possiamo comprendere intuitivamente e da cui trarre spunti. E questo articolo ti guida attraverso le basi usando Matplotlib, una libreria Python.

Installazione

L'installazione della libreria è abbastanza semplice, installa Matplotlib dal tuo terminale:

pip install matplotlib

Struttura della trama

Abbiamo tutti imparato le basi del grafico a scuola, giusto? Ci sono due assi: l'asse x e l'asse y. E l'intera finestra è il contenitore Figura, che include la legenda, le etichette e il titolo.

Ora che sappiamo come appare la nostra trama, passeremo alla parte divertente!

Iniziare

Innanzitutto, dobbiamo importare Matplotlib. Lo facciamo tramite:

import matplotlib.pyplot as plt

Trama

Possiamo facilmente creare un grafico a linee usando due array numpy.

d = np.array(["25/12", "26/12", "27/12"])
t = np.array([8.5, 10.5, 6.8])

plt.plot(d,t)

plt.xlabel("Dates")
plt.ylabel("Temperatures")
plt.title("Temperatures recorded over 3 days")
plt.show()

Potremmo renderlo ancora migliore cambiando colore, larghezza, ecc.

plt.plot(d,t, linewidth=5.5, color='sandybrown')

plt.grid(color="lightblue")


      
                

                    
                    
                
            

Ora, non sono sempre i grafici a linee che dobbiamo considerare. La prossima sezione introduce ad alcuni altri.

Trame a barre

Impostiamo i nostri array:

x = np.array([1,2,3,4])
y = np.array(['A','B','C','D'])

plt.bar(y,x)
plt.show()

plt.title("A simple bar chart")
plt.xlabel("categories")
plt.ylabel("intensity")

E come abbiamo fatto nell'esempio precedente, possiamo personalizzarne l'aspetto. Se vogliamo che ogni barra abbia attributi univoci (colore, larghezza), allora il modo più semplice per creare un array di colori che memorizzi i valori di colore di ogni barra e allo stesso modo un array di larghezza. Vediamo il risultato.

wd = [1.3,0.6,0.8,0.5]
clr = ['gold', 'pink', 'lime', 'lightblue']

plt.bar(y,x, width=wd, color=clr)
plt.grid(color ='lavender')

C'è un altro tipo di grafico a barre che `plt.barh()`. È solo un grafico a barre orizzontali. Possiamo farlo semplicemente cambiando un paio di cose nel nostro esempio precedente, cioè la funzione stessa e la larghezza. Poiché i grafici a barre orizzontali si preoccupano solo dell'altezza.

plt.barh(y,x, height=wd, color=clr)


      
                

                    
                    
                
            

Questo come suggerisce il nome, rappresenta i dati sotto forma di punti sparsi. È particolarmente utile per comprendere relazioni e schemi. Usando il metodo .scatter(), possiamo creare un grafico a dispersione:

Grafici a torta

Fedele al nome, un grafico a torta utilizza un cerchio per rappresentare il tutto e fette di quel cerchio, o "torta", per rappresentare le categorie specifiche che compongono il tutto.

Facciamone uno.

p = ['Java', 'Python', 'PHP', 'Javascript', '#C', 'C++']
l = [22.2, 17.6, 8.8, 8, 7.7, 6.7]

plt.pie(l,labels =p)
plt.title("Popularity of Programming Languages")
plt.show()


      
                

                    
                    
                
            

I colori è abbastanza facile da capire. L'esplosione è solo per compensare una fetta dal resto del grafico.

In termini più semplici, tratta il grafico come una vera torta. L'hai tagliato a fette non uniformi ma poiché è ancora insieme non riesci a trovare la fetta più grande. Cosa farai? Bene, prendi solo alcune fette e spostale un po 'lontano dalla loro posizione. Ora puoi vederli separatamente e sapere qual è il più grande.

Vediamo con il codice:

e = [0, 0.1, 0, 0.2, 0.3 , 0]
cl = ['lightblue', 'gold', 'coral', 'mediumslateblue', 'cornflowerblue', 'paleturquoise']


plt.pie(l,explode = e, labels =p, colors = cl)


      
                

                    
                    
                
            

Conclusione

La visualizzazione dei dati è la tecnica più intuitiva per comprendere i dati. E ne abbiamo appena capito le basi.

Se sei arrivato così lontano, sono sicuro che ora comprendi le basi per creare visualizzazioni utilizzando Matplotlib e come affrontare i problemi di visualizzazione di base. In definitiva, il modo migliore per imparare è fare e ti incoraggio a giocare con le trame.

Per ulteriori risorse di apprendimento, fare riferimento a realpython e alla documentazione di Matplotlib.

Se hai commenti, domande o dubbi, usa gentilmente la casella dei commenti e mostra un po' di affetto.