Nauką o przetwarzaniu danych, aby nadać im sens, jest nauka o danych. Wizualizacja danych to po prostu graficzna reprezentacja danych.

Mówiąc prościej, liczby przekształciły się w liczby, które możemy intuicyjnie zrozumieć i wyciągnąć z nich wnioski. Ten artykuł przeprowadzi Cię przez podstawy korzystania z Matplotlib, biblioteki Pythona.

Instalacja

Instalacja biblioteki jest dość łatwa, zainstaluj Matplotlib ze swojego terminala:

pip install matplotlib

Struktura działki

Wszyscy nauczyliśmy się podstaw grafów w szkole, prawda? Istnieją dwie osie: oś x i oś y. A całe okno to kontener Figure, który zawiera legendę, etykiety i tytuł.

Skoro już wiemy, jak wygląda nasza fabuła, przejdźmy do przyjemnej części!

Pierwsze kroki

Najpierw musimy zaimportować Matplotlib. Robimy to poprzez:

import matplotlib.pyplot as plt

Konspiratorstwo

Możemy dość łatwo stworzyć wykres liniowy za pomocą dwóch tablic 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()

Moglibyśmy zrobić to jeszcze lepiej, zmieniając jego kolor, szerokość itp.

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

plt.grid(color="lightblue")


      
                

                    
                    
                
            

Teraz nie zawsze musimy brać pod uwagę wykresy liniowe. Następna sekcja przedstawia kilka innych.

Działki barowe

Ustawmy nasze tablice:

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")

Podobnie jak w poprzednim przykładzie, możemy dostosować jego wygląd. Jeśli chcemy, aby każdy pasek miał unikalne atrybuty (kolor, szerokość), to najprostszym sposobem jest utworzenie tablicy kolorów, która przechowuje wartości kolorów każdego paska i podobnie tablicę szerokości. Zobaczmy wynik.

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')

Istnieje jeszcze inny rodzaj wykresu słupkowego, który nazywa się `plt.barh()`. To tylko poziomy wykres słupkowy. Możemy to zrobić, zmieniając po prostu kilka rzeczy w naszym poprzednim przykładzie, tj. samą funkcję oraz szerokość. Ponieważ poziome wykresy słupkowe dbają tylko o wysokość.

plt.barh(y,x, height=wd, color=clr)


      
                

                    
                    
                
            

Ten, jak sama nazwa wskazuje, przedstawia dane w postaci rozproszonych punktów. Jest to szczególnie przydatne w zrozumieniu relacji i wzorców. Za pomocą metody .scatter() możemy stworzyć wykres punktowy:

Wykresy kołowe

Zgodnie z nazwą wykres kołowy używa koła do przedstawienia całości, a wycinki tego koła lub „koła” do przedstawienia określonych kategorii, które składają się na całość.

Zróbmy jeden.

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()


      
                

                    
                    
                
            

Kolory są dość łatwe do zrozumienia. Eksplozja ma na celu odsunięcie wycinka od reszty wykresu.

Mówiąc prościej, traktuj wykres jak prawdziwy kołowy. Pokroiłeś go na niejednolite plasterki, ale ponieważ wciąż jest razem, nie możesz znaleźć największego kawałka. Co zrobisz? Cóż, po prostu podnieś kilka plasterków i przesuń je trochę z dala od ich pozycji. Teraz widzisz je osobno i wiesz, który jest największy.

Zobaczmy z kodem:

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)


      
                

                    
                    
                
            

Wniosek

Wizualizacja danych to najbardziej intuicyjna technika rozumienia danych. I właśnie zrozumieliśmy podstawy.

Jeśli dotarłeś tak daleko, jestem pewien, że teraz rozumiesz podstawy tworzenia wizualizacji za pomocą Matplotlib i jak możesz podejść do podstawowych problemów z wizualizacją. Ostatecznie najlepszym sposobem na naukę jest robienie i zachęcam do zabawy z fabułami.

Aby uzyskać więcej zasobów edukacyjnych, zapoznaj się z dokumentacją realpython i Matplotlib.

Jeśli masz jakieś uwagi, pytania lub wątpliwości, skorzystaj z pola komentarza i okaż miłość.