Najlepsze biblioteki wizualizacji danych w Pythonie, o których powinieneś wiedzieć

Python może robić wiele rzeczy z danymi. Jedną z wielu jego możliwości jest wizualizacja. Ma wiele bibliotek, których możesz użyć do tego celu. W tym artykule przyjrzymy się niektórym z jego znanych bibliotek i różnym wykresom, które można za ich pomocą rysować.

Wizualizacja danych w Pythonie

W tym artykule udostępniliśmy wiele przykładów, wypróbuj je za pomocą zestawu danych. Zacznijmy:

Biblioteki wizualizacji danych w Pythonie

Python ma wiele bibliotek do tworzenia pięknych wykresów. Wszystkie mają różne funkcje, które zwiększają ich wydajność i możliwości. I są dostępne dla wszystkich poziomów umiejętności. Oznacza to, że możesz wykonywać wizualizację danych w Pythonie, niezależnie od tego, czy jesteś początkującym, czy zaawansowanym programistą. Oto kilka znanych bibliotek:

• Zrodzony z morza
• Matplotlib
• Pandy

Istnieje wiele innych bibliotek Pythona do nauki danych , ale na razie skupiliśmy się na tych najbardziej znanych. Omówimy teraz te różne biblioteki i zrozumiemy, jak można rysować wykresy za pomocą ich i Pythona. Zacznijmy.

Matplotlib

Najpopularniejszą biblioteką Pythona do kreślenia wykresów jest Matplotlib. Nie wymaga dużego doświadczenia, a dla początkujących jest idealny. Dzięki tej bibliotece możesz rozpocząć naukę wizualizacji danych i opanować różnorodne wykresy i wizualizacje. Daje ci dużo swobody, ale musiałbyś też napisać dużo kodu.

Ludzie używają Matplotlib do prostych wizualizacji, takich jak wykresy słupkowe i histogramy.

Przeczytaj : Ramki danych w Pythonie

Wykres liniowy

Aby utworzyć wykres liniowy, musisz użyć metody „wykresu”. Zapętlając kolumny, możesz utworzyć wiele kolumn na wykresie. Użyj w tym celu następującego kodu:

# pobierz kolumny do wykreślenia

kolumny = tęczówka.kolumny.drop(['klasa'])

# utwórz x danych

x_data = zakres(0, tęczówka.kształt[0])

# utwórz figurę i oś

fig, topór = plt.podwykres()

# wykreśl każdą kolumnę

dla kolumny w kolumnach:

ax.plot(x_data, iris[kolumna], etykieta=kolumna)

# ustaw tytuł i legendę

ax.set_title('Zbiór danych tęczówki')

topór.legenda()

Wykres punktowy

Wykres punktowy można utworzyć za pomocą metody „scatter”. Powinieneś utworzyć oś i figurę za pomocą „plt.subplots”, aby nadać etykietom działki i tytułowi.

Użyj następującego kodu:

# utwórz figurę i oś

rys, topór = plt.podwykres()

# rozmieść sepal_length w sepal_width

topór.scatter(iris['sepal_length'], iris['sepal_width'])

# ustaw tytuł i etykiety

ax.set_title('Zbiór danych tęczówki')

ax.set_xlabel('sepal_length')

ax.set_ylabel('sepal_width')

Możesz dodać kolor do punktów danych zgodnie z ich klasami. W tym celu będziesz musiał stworzyć słownik, który odwzoruje klasę na kolor. Rozproszyłby każdy punkt również za pomocą pętli for.

# utwórz słownik kolorów

kolory = {'Iris-setosa':'r', 'Iris-versicolor':'g', 'Iris-virginica':'b'}

# utwórz figurę i oś

rys, topór = plt.podwykres()

# wykreśl każdy punkt danych

for i in range(len(iris['sepal_length'])):

ax.scatter(iris['sepal_length'][i], iris['sepal_width'][i],kolor=kolory[iris['class'][i]])

# ustaw tytuł i etykiety

ax.set_title('Zbiór danych tęczówki')

ax.set_xlabel('sepal_length')

ax.set_ylabel('sepal_width')

Histogram

Możesz użyć metody „hist”, aby utworzyć histogram w Matplotlib. Może obliczyć, jak często każda klasa występuje, jeśli podamy jej dane kategoryczne. Oto kod, którego musisz użyć, aby wykreślić histogram w Matplotlib:

# utwórz figurę i oś

rys, topór = plt.podwykres()

# histogram wykresu

ax.hist(wine_reviews['punkty'])

# ustaw tytuł i etykiety

ax.set_title('Wyniki recenzji wina')

ax.set_xlabel('Punkty')

ax.set_ylabel('Częstotliwość')

Wykres słupkowy

Matplotlib ma proste metody wykreślania różnych wykresów. Na przykład w tym przypadku, aby utworzyć wykres słupkowy w Matplotlib, musisz użyć „paska”. Nie może automatycznie obliczyć częstotliwości kategorii, więc aby rozwiązać ten problem, musisz użyć funkcji „value_counts”. Jeśli twoje dane nie mają wielu typów, wykres słupkowy będzie idealny do ich wizualizacji.

# utwórz figurę i oś

rys, topór = plt.podwykres()

# policz wystąpienie każdej klasy

data = wine_reviews['points'].value_counts()

# pobierz dane x i y

punkty = data.index

częstotliwość = dane.wartości

# utwórz wykres słupkowy

ax.bar(punkty, częstotliwość)

# ustaw tytuł i etykiety

ax.set_title('Wyniki recenzji wina')

ax.set_xlabel('Punkty')

ax.set_ylabel('Częstotliwość')

Pandy

Pandas to biblioteka Pythona popularna do analizy i manipulacji danymi. Jest to biblioteka o otwartym kodzie źródłowym, więc możesz jej używać za darmo. Wszedł na rynek w 2008 roku i od tego czasu stał się jedną z najpopularniejszych bibliotek do strukturyzacji danych.

Korzystając z ramki danych pandas, możesz łatwo tworzyć wykresy dla swoich danych. Jego API jest bardziej zaawansowane niż Matplotlib. Oznacza to, że możesz tworzyć wykresy z mniejszą ilością kodu w Pandas niż w Matplotlib.

Wykres słupkowy

W Pandas musisz użyć metody „plot.bar()”, aby wykreślić wykres słupkowy. Najpierw musisz policzyć wystąpienia na wykresie za pomocą „value_count()”, a następnie posortować je za pomocą „sort_index()”. Oto przykładowy kod do tworzenia wykresu słupkowego:

random_reviews['points'].value_counts().sort_index().plot.bar()

Możesz użyć metody „plot.barh()”, aby utworzyć poziomy wykres słupkowy w Pandas:

random_reviews['points'].value_counts().sort_index().plot.barh()

Możesz również wykreślić dane według liczby wystąpień:

random_reviews.groupby(„kraj”).cena.średnia().sort_wartości(rosnąco=fałsz)[:5].plot.bar()

Wykres liniowy

Będziesz musiał użyć „<dataframe>.plot.line()”, aby utworzyć wykres liniowy w Pandas. W Pandas nie musisz przechodzić przez każdą kolumnę, którą chcesz wykreślić, ponieważ może to zrobić automatycznie. Ta funkcja nie jest dostępna w Matplotlib. Oto kod:

random.drop(['class'], axis=1).plot.line(title='Losowy zbiór danych')

Wykres punktowy

Możesz utworzyć wykres punktowy w Pandas, używając „<zestaw danych>.plot.scatter()”. Musiałbyś przekazać mu dwa argumenty, którymi są nazwy kolumn x i y.

Oto jego przykład:

random.plot.scatter(x='sepal_length', y='sepal_width', title=”Losowy zbiór danych')

Histogram

Użyj „plot.hist”, aby utworzyć histogram w Pandas. Poza tym w tej metodzie nie ma zbyt wiele. Masz możliwość utworzenia jednego lub wielu histogramów.

Aby utworzyć jeden histogram, użyj następującego kodu:

random_reviews['points'].plot.hist()

Aby utworzyć wiele histogramów, użyj tego:

random.plot.hist(subplots=True, layout=(2,2), figsize=(10, 10), bins=20)

Zrodzony z morza

Seaborn jest oparty na Matplotlib i jest również dość popularną biblioteką Pythona do wizualizacji danych. Zapewnia zaawansowane interfejsy do kreślenia danych. Posiada wiele funkcji. Jego zaawansowane możliwości pozwalają tworzyć wspaniałe wykresy z dużo mniejszą liczbą wierszy kodu niż w przypadku Matplotlib.

Histogram

Wykres liniowy

Możesz użyć metody 'sns.line plot', aby stworzyć wykres liniowy w Seaborn. Możesz użyć metody 'sns.kdeplot' do zaokrąglenia krawędzi krzywych linii. Utrzymuje twoją fabułę całkiem czystą, jeśli ma wiele odstających elementów.

sns.lineplot(data=losowo.drop(['klasa'], oś=1))

Wykres punktowy

W Seaborn możesz utworzyć wykres punktowy za pomocą metody „.scatterplot”. W tym przypadku musisz dodać nazwy kolumn x i y, tak jak w przypadku Pand. Ale jest różnica. Nie możemy wywołać funkcji na danych, jak to zrobiliśmy w Pandas, więc musimy przekazać ją jako dodatkowy argument.

sns.scatterplot(x='długość_sepal', y='szerokość_sepal', dane=tęczówka)

Używając argumentu „odcień”, możesz również wyróżnić określone punkty. Ta funkcja nie jest taka łatwa w Matplotlib.

sns.scatterplot(x='długość_sepal', y='szerokość_sepal', odcień='klasa', dane=tęczówka)

Wykres słupkowy

Możesz użyć metody „sns.countplot”, aby utworzyć wykres słupkowy w Seaborn:

sns.countplot(losowe_recenzje['punkty'])

Teraz, gdy omówiliśmy krytyczne biblioteki do wizualizacji danych w Pythonie, możemy przyjrzeć się innym formom wykresów. Python i jego biblioteki umożliwiają tworzenie różnego rodzaju figur do kreślenia danych.

Inne rodzaje wizualizacji danych w Pythonie

Wykres kołowy

Wykresy kołowe przedstawiają dane w różnych częściach koła. Musiałeś widzieć w szkole mnóstwo wykresów kołowych. Wykresy kołowe przedstawiają dane w procentach. Łączna suma wszystkich segmentów wykresu kołowego powinna wynosić 100%. Oto przykładowy kod:

plt.pie(df['Wiek'], etykiety = {"A", "B", "C",

„D”, „E”, „F”,

„G”, „H”, „I”, „J”},

autopct ='% 1.1f %%', cień = Prawda)

plt.pokaż()

plt.pie(df['Dochód'], etykiety = {"A", "B", "C",

„D”, „E”, „F”,

„G”, „H”, „I”, „J”},

autopct ='% 1.1f %%', cień = Prawda)

plt.pokaż()

plt.pie(df['Sprzedaż'], etykiety = {"A", "B", "C",

„D”, „E”, „F”,

„G”, „H”, „I”, „J”},

autopct ='% 1.1f %%', cień = Prawda)

plt.pokaż()

Działki pudełkowe

Wykresy pudełkowe są oparte na minimum, pierwszym kwartylu, medianie, trzecim kwartylu i maksimum danych statystycznych. Wykres wygląda jak pudełko (a dokładniej prostokąt). Dlatego nosi nazwę „działka pudełkowa”. Oto przykładowy kod do tworzenia wykresu pudełkowego:

# Dla każdego numerycznego atrybutu ramki danych

df.wykres.pudełko()

# indywidualny wykres pudełkowy atrybutów

plt.boxplot(df['Dochód'])

plt.pokaż()

Przeczytaj także: 10 najlepszych narzędzi Pythona, które powinien znać każdy programista Pythona

Wniosek

Mamy nadzieję, że ten artykuł okazał się przydatny. Istnieje wiele rodzajów wykresów, które można kreślić za pomocą Pythona i jego różnych bibliotek. Jeśli nie wykonywałeś wcześniej wizualizacji danych w Pythonie, powinieneś zacząć od Matplotlib. Po jej opanowaniu możesz przejść do bardziej złożonych i zaawansowanych bibliotek wizualizacji danych, takich jak Pandas i Seaborn.

Jeśli chcesz dowiedzieć się więcej o Pythonie, nauce o danych, sprawdź dyplom PG IIIT-B i upGrad w dziedzinie nauki o danych, który jest stworzony dla pracujących profesjonalistów i oferuje ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami z branży, Indywidualnie z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy z najlepszymi firmami.