Giới thiệu về Matplotlib: Trực quan hóa dữ liệu python

Jan 07 2023

Khoa học sắp xếp dữ liệu để hiểu ý nghĩa của nó là Khoa học dữ liệu. Trực quan hóa dữ liệu chỉ đơn giản là một biểu diễn đồ họa của dữ liệu.

Nói một cách đơn giản hơn, đó là những con số được biến thành những con số mà chúng ta có thể hiểu bằng trực giác và rút ra những hiểu biết sâu sắc từ đó. Và bài viết này sẽ hướng dẫn bạn những điều cơ bản về nó bằng Matplotlib, một thư viện python.

Cài đặt

Việc cài đặt thư viện khá dễ dàng, hãy cài đặt Matplotlib từ thiết bị đầu cuối của bạn:

pip install matplotlib

Cấu trúc cốt truyện

Tất cả chúng ta đều đã học những kiến thức cơ bản về đồ thị ở trường, phải không? Có hai trục: trục x và trục y. Và toàn bộ cửa sổ là nơi chứa Hình, bao gồm chú giải, nhãn và tiêu đề.

Bây giờ chúng ta đã biết cốt truyện của mình trông như thế nào, chúng ta sẽ chuyển sang phần thú vị!

Bắt đầu

Trước tiên, chúng ta cần nhập Matplotlib. Chúng tôi làm điều này bằng cách:

import matplotlib.pyplot as plt

âm mưu

Chúng ta có thể dễ dàng tạo một biểu đồ đường bằng cách sử dụng hai mảng có nhiều mảng.

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()

Chúng tôi có thể làm cho điều này tốt hơn nữa bằng cách thay đổi màu sắc, chiều rộng của nó, v.v.

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

plt.grid(color="lightblue")

Bây giờ, không phải lúc nào chúng ta cũng cần xem xét các biểu đồ đường. Phần tiếp theo giới thiệu với một số người khác.

lô thanh

Hãy thiết lập các mảng của chúng tôi:

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")

Và giống như chúng ta đã làm trong ví dụ trước, chúng ta có thể tùy chỉnh giao diện của nó. Nếu chúng ta muốn mỗi thanh có các thuộc tính duy nhất (màu sắc, chiều rộng) thì cách đơn giản nhất là tạo một mảng màu lưu trữ các giá trị màu của mỗi thanh và tương tự là một mảng chiều rộng. Hãy xem kết quả.

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')

Có một loại biểu đồ thanh khác là `plt.barh()`. Nó chỉ là một cốt truyện thanh ngang. Chúng ta có thể tạo ra nó bằng cách thay đổi một vài thứ trong ví dụ trước của chúng ta, tức là hàm cũng như chiều rộng. Vì các ô thanh ngang chỉ quan tâm đến chiều cao.

plt.barh(y,x, height=wd, color=clr)

Cái này đúng như tên gọi của nó, nó biểu thị dữ liệu ở dạng các điểm phân tán. Nó đặc biệt hữu ích trong việc hiểu các mối quan hệ và các mẫu. Sử dụng phương thức .scatter(), chúng ta có thể tạo một biểu đồ phân tán:

Biểu đồ hình tròn

Đúng như tên gọi, biểu đồ hình tròn sử dụng một hình tròn để biểu thị tổng thể và các lát cắt của hình tròn đó, hay còn gọi là “bánh tròn”, để biểu thị các danh mục cụ thể cấu thành tổng thể.

Hãy làm một cái.

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()

Màu sắc khá dễ hiểu. Sự bùng nổ chỉ là để bù một phần từ phần còn lại của biểu đồ.

Nói một cách đơn giản hơn, hãy coi biểu đồ là một chiếc bánh thực tế. Bạn đã cắt nó thành những lát không đều nhau nhưng vì nó vẫn ở cạnh nhau nên không thể tìm được lát lớn nhất. Bạn sẽ làm gì? Chà, bạn chỉ cần nhặt một vài lát và di chuyển chúng ra xa vị trí của chúng một chút. Bây giờ bạn có thể nhìn thấy chúng một cách riêng biệt và bạn biết cái nào lớn nhất.

Hãy xem với mã:

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)

Phần kết luận

Trực quan hóa dữ liệu là kỹ thuật trực quan nhất để hiểu dữ liệu. Và chúng tôi chỉ hiểu những điều cơ bản của nó.

Nếu bạn đã làm được đến đây, tôi chắc chắn rằng bây giờ bạn đã hiểu những kiến thức cơ bản về tạo trực quan hóa bằng Matplotlib và cách bạn có thể tiếp cận các vấn đề trực quan hóa cơ bản. Cuối cùng, cách tốt nhất để học là thực hành và tôi khuyến khích bạn chơi xung quanh với các ô.