Matplotlib'e Giriş: Python Veri Görselleştirme

Jan 07 2023

Verileri anlamlandırmak için boğuşma bilimi Veri Bilimidir. Veri görselleştirme, basitçe verilerin grafiksel bir temsilidir.

Daha basit bir ifadeyle, sezgisel olarak anlayabileceğimiz ve içgörüler alabileceğimiz rakamlara dönüştürülmüş sayılardır. Ve bu makale, bir python kitaplığı olan Matplotlib'i kullanarak bunun temellerini size gösteriyor.

Kurulum

Kütüphanenin kurulumu oldukça kolaydır, Matplotlib'i terminalinizden kurun:

pip install matplotlib

Arsa yapısı

Hepimiz okulda grafiğin temellerini öğrendik, değil mi? İki eksen vardır: x ekseni ve y ekseni. Ve pencerenin tamamı, açıklamayı, etiketleri ve başlığı içeren Şekil kapsayıcısıdır.

Artık planımızın nasıl göründüğünü bildiğimize göre, eğlenceli kısma geçebiliriz!

Başlarken

Öncelikle Matplotlib'i içe aktarmamız gerekiyor. Bunu şu şekilde yaparız:

import matplotlib.pyplot as plt

Çizdirme

İki numpy dizisini kullanarak oldukça kolay bir şekilde bir çizgi grafiği oluşturabiliriz.

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()

Rengini, genişliğini vb. değiştirerek bunu daha da iyi hale getirebiliriz.

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

plt.grid(color="lightblue")

Şimdi, dikkate almamız gereken her zaman çizgi çizimleri değildir. Bir sonraki bölüm diğerlerini tanıtır.

Çubuk araziler

Dizilerimizi oluşturalım:

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")

Önceki örnekte yaptığımız gibi, görünümünü özelleştirebiliriz. Her çubuğun benzersiz niteliklere (renk, genişlik) sahip olmasını istiyorsak, o zaman her çubuğun renk değerlerini ve benzer şekilde bir genişlik dizisini depolayan bir renk dizisi oluşturmanın en basit yolu. Sonucu görelim.

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')

`plt.barh()` adlı başka bir çubuk grafiği türü daha vardır. Bu sadece yatay bir çubuk grafiğidir. Önceki örneğimizdeki birkaç şeyi değiştirerek bunu yapabiliriz, yani işlevin kendisi ve genişlik. Yatay çubuk grafikleri yalnızca yüksekliği önemsediğinden.

plt.barh(y,x, height=wd, color=clr)

Bu, adından da anlaşılacağı gibi, dağınık noktalar biçimindeki verileri temsil eder. Özellikle ilişkileri ve kalıpları anlamada yararlıdır. .scatter() yöntemini kullanarak bir dağılım grafiği oluşturabiliriz:

Pasta grafikler

Adından da anlaşılacağı gibi, bir pasta grafik, bütünü temsil etmek için bir daire ve bütünü oluşturan belirli kategorileri temsil etmek için bu dairenin dilimlerini veya "pastayı" kullanır.

Hadi bir tane yapalım.

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()

Renklerin anlaşılması oldukça kolaydır. Patlama, yalnızca grafiğin geri kalanından bir dilimi kaydırmak içindir.

Daha basit bir ifadeyle, grafiği gerçek bir pasta olarak ele alın. Onu düzensiz dilimlere ayırdınız ama hala bir arada olduğu için en büyük dilimi bulamıyorsunuz. Ne yapacaksın? Pekala, sadece birkaç dilim alıp konumlarından biraz uzaklaştırın. Artık onları ayrı ayrı görebilir ve hangisinin en büyük olduğunu bilirsiniz.

Kod ile görelim:

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)

Çözüm

Veri görselleştirme, verileri anlamanın en sezgisel tekniğidir. Ve biz sadece bunun temellerini anladık.

Buraya kadar geldiyseniz, Matplotlib kullanarak görselleştirme yapmanın temellerini ve temel görselleştirme problemlerine nasıl yaklaşabileceğinizi artık anladığınıza eminim. Nihayetinde öğrenmenin en iyi yolu yapmaktır ve sizi olay örgüsüyle oynamanızı tavsiye ederim.