# Visualisierung von Proportionen | ](../../sketchnotes/11-Visualizing-Proportions.png)| |:---:| |Visualisierung von Proportionen - _Sketchnote von [@nitya](https://twitter.com/nitya)_ | In dieser Lektion wirst du ein naturbezogenes Datenset verwenden, um Proportionen zu visualisieren, wie z. B. die Anzahl der verschiedenen Pilzarten in einem Datenset über Pilze. Lass uns diese faszinierenden Pilze anhand eines Datensets erkunden, das von Audubon stammt und Details zu 23 Arten von Lamellenpilzen aus den Familien Agaricus und Lepiota enthält. Du wirst mit schmackhaften Visualisierungen experimentieren, wie: - Tortendiagramme 🥧 - Donut-Diagramme 🍩 - Waffeldiagramme 🧇 > 💡 Ein sehr interessantes Projekt namens [Charticulator](https://charticulator.com) von Microsoft Research bietet eine kostenlose Drag-and-Drop-Oberfläche für Datenvisualisierungen. In einem ihrer Tutorials verwenden sie ebenfalls dieses Pilz-Datenset! Du kannst also die Daten erkunden und gleichzeitig die Bibliothek kennenlernen: [Charticulator-Tutorial](https://charticulator.com/tutorials/tutorial4.html). ## [Quiz vor der Lektion](https://ff-quizzes.netlify.app/en/ds/quiz/20) ## Lerne deine Pilze kennen 🍄 Pilze sind sehr interessant. Lass uns ein Datenset importieren, um sie zu untersuchen: ```python import pandas as pd import matplotlib.pyplot as plt mushrooms = pd.read_csv('../../data/mushrooms.csv') mushrooms.head() ``` Eine Tabelle wird ausgegeben, die großartige Daten für die Analyse enthält: | Klasse | Hutform | Hutoberfläche | Hutfarbe | Druckstellen | Geruch | Lamellenansatz | Lamellenabstand | Lamellengröße | Lamellenfarbe | Stielform | Stielbasis | Stieloberfläche über dem Ring | Stieloberfläche unter dem Ring | Stielfarbe über dem Ring | Stielfarbe unter dem Ring | Schleiertyp | Schleierfarbe | Ringanzahl | Ringtyp | Sporenabdruckfarbe | Population | Lebensraum | | --------- | --------- | ------------- | --------- | ------------ | -------- | -------------- | --------------- | ------------- | ------------- | ----------- | ---------- | ---------------------------- | ---------------------------- | ------------------------ | ------------------------ | ----------- | ------------ | ---------- | --------- | ------------------ | ---------- | ---------- | | Giftig | Konvex | Glatt | Braun | Druckstellen | Stechend | Frei | Eng | Schmal | Schwarz | Vergrößernd | Gleich | Glatt | Glatt | Weiß | Weiß | Teilweise | Weiß | Eins | Hängend | Schwarz | Vereinzelte | Urban | | Essbar | Konvex | Glatt | Gelb | Druckstellen | Mandel | Frei | Eng | Breit | Schwarz | Vergrößernd | Keulenförmig | Glatt | Glatt | Weiß | Weiß | Teilweise | Weiß | Eins | Hängend | Braun | Zahlreich | Gräser | | Essbar | Glockenförmig | Glatt | Weiß | Druckstellen | Anis | Frei | Eng | Breit | Braun | Vergrößernd | Keulenförmig | Glatt | Glatt | Weiß | Weiß | Teilweise | Weiß | Eins | Hängend | Braun | Zahlreich | Wiesen | | Giftig | Konvex | Schuppig | Weiß | Druckstellen | Stechend | Frei | Eng | Schmal | Braun | Vergrößernd | Gleich | Glatt | Glatt | Weiß | Weiß | Teilweise | Weiß | Eins | Hängend | Schwarz | Vereinzelte | Urban | Sofort fällt auf, dass alle Daten textuell sind. Du musst diese Daten konvertieren, um sie in einem Diagramm verwenden zu können. Tatsächlich sind die meisten Daten als Objekt dargestellt: ```python print(mushrooms.select_dtypes(["object"]).columns) ``` Die Ausgabe ist: ```output Index(['class', 'cap-shape', 'cap-surface', 'cap-color', 'bruises', 'odor', 'gill-attachment', 'gill-spacing', 'gill-size', 'gill-color', 'stalk-shape', 'stalk-root', 'stalk-surface-above-ring', 'stalk-surface-below-ring', 'stalk-color-above-ring', 'stalk-color-below-ring', 'veil-type', 'veil-color', 'ring-number', 'ring-type', 'spore-print-color', 'population', 'habitat'], dtype='object') ``` Konvertiere die Spalte 'Klasse' in eine Kategorie: ```python cols = mushrooms.select_dtypes(["object"]).columns mushrooms[cols] = mushrooms[cols].astype('category') ``` ```python edibleclass=mushrooms.groupby(['class']).count() edibleclass ``` Wenn du nun die Pilzdaten ausgibst, siehst du, dass sie nach Kategorien gemäß der giftigen/essbaren Klasse gruppiert wurden: | | Hutform | Hutoberfläche | Hutfarbe | Druckstellen | Geruch | Lamellenansatz | Lamellenabstand | Lamellengröße | Lamellenfarbe | Stielform | ... | Stieloberfläche unter dem Ring | Stielfarbe über dem Ring | Stielfarbe unter dem Ring | Schleiertyp | Schleierfarbe | Ringanzahl | Ringtyp | Sporenabdruckfarbe | Population | Lebensraum | | --------- | --------- | ------------- | --------- | ------------ | ------ | -------------- | --------------- | ------------- | ------------- | ----------- | --- | ---------------------------- | ------------------------ | ------------------------ | ----------- | ------------ | ---------- | --------- | ------------------ | ---------- | ---------- | | Klasse | | | | | | | | | | | | | | | | | | | | | | | Essbar | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | | Giftig | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | Wenn du die Reihenfolge in dieser Tabelle befolgst, um deine Klassenkategorien zu erstellen, kannst du ein Tortendiagramm erstellen: ## Torte! ```python labels=['Edible','Poisonous'] plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%') plt.title('Edible?') plt.show() ``` Voila, ein Tortendiagramm, das die Proportionen dieser Daten gemäß den beiden Pilzklassen zeigt. Es ist sehr wichtig, die Reihenfolge der Labels korrekt zu halten, insbesondere hier, also überprüfe unbedingt die Reihenfolge, in der das Label-Array erstellt wird!  ## Donuts! Ein optisch etwas interessanteres Tortendiagramm ist ein Donut-Diagramm, ein Tortendiagramm mit einem Loch in der Mitte. Lass uns unsere Daten mit dieser Methode betrachten. Schau dir die verschiedenen Lebensräume an, in denen Pilze wachsen: ```python habitat=mushrooms.groupby(['habitat']).count() habitat ``` Hier gruppierst du deine Daten nach Lebensraum. Es gibt 7 aufgelistete, also verwende diese als Labels für dein Donut-Diagramm: ```python labels=['Grasses','Leaves','Meadows','Paths','Urban','Waste','Wood'] plt.pie(habitat['class'], labels=labels, autopct='%1.1f%%', pctdistance=0.85) center_circle = plt.Circle((0, 0), 0.40, fc='white') fig = plt.gcf() fig.gca().add_artist(center_circle) plt.title('Mushroom Habitats') plt.show() ```  Dieser Code zeichnet ein Diagramm und einen Kreis in der Mitte und fügt diesen Kreis dann dem Diagramm hinzu. Bearbeite die Breite des Kreises, indem du `0.40` auf einen anderen Wert änderst. Donut-Diagramme können auf verschiedene Weise angepasst werden, um die Labels zu ändern. Insbesondere die Labels können für bessere Lesbarkeit hervorgehoben werden. Erfahre mehr in den [Dokumentationen](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut). Jetzt, da du weißt, wie du deine Daten gruppierst und als Torte oder Donut darstellst, kannst du andere Diagrammtypen erkunden. Probiere ein Waffeldiagramm aus, das eine andere Möglichkeit bietet, Mengen zu visualisieren. ## Waffeln! Ein 'Waffel'-Diagramm ist eine andere Möglichkeit, Mengen als 2D-Array von Quadraten zu visualisieren. Versuche, die verschiedenen Mengen an Pilzhutfarben in diesem Datenset zu visualisieren. Dazu musst du eine Hilfsbibliothek namens [PyWaffle](https://pypi.org/project/pywaffle/) installieren und Matplotlib verwenden: ```python pip install pywaffle ``` Wähle einen Abschnitt deiner Daten aus, um ihn zu gruppieren: ```python capcolor=mushrooms.groupby(['cap-color']).count() capcolor ``` Erstelle ein Waffeldiagramm, indem du Labels erstellst und dann deine Daten gruppierst: ```python import pandas as pd import matplotlib.pyplot as plt from pywaffle import Waffle data ={'color': ['brown', 'buff', 'cinnamon', 'green', 'pink', 'purple', 'red', 'white', 'yellow'], 'amount': capcolor['class'] } df = pd.DataFrame(data) fig = plt.figure( FigureClass = Waffle, rows = 100, values = df.amount, labels = list(df.color), figsize = (30,30), colors=["brown", "tan", "maroon", "green", "pink", "purple", "red", "whitesmoke", "yellow"], ) ``` Mit einem Waffeldiagramm kannst du deutlich die Proportionen der Hutfarben in diesem Pilz-Datenset sehen. Interessanterweise gibt es viele grünhütige Pilze!  ✅ PyWaffle unterstützt Icons innerhalb der Diagramme, die jedes Icon verwenden können, das in [Font Awesome](https://fontawesome.com/) verfügbar ist. Experimentiere, um ein noch interessanteres Waffeldiagramm mit Icons anstelle von Quadraten zu erstellen. In dieser Lektion hast du drei Möglichkeiten gelernt, Proportionen zu visualisieren. Zuerst musst du deine Daten in Kategorien gruppieren und dann entscheiden, welche die beste Möglichkeit ist, die Daten darzustellen - Torte, Donut oder Waffel. Alle sind köstlich und bieten dem Benutzer einen sofortigen Überblick über ein Datenset. ## 🚀 Herausforderung Versuche, diese schmackhaften Diagramme in [Charticulator](https://charticulator.com) nachzubilden. ## [Quiz nach der Lektion](https://ff-quizzes.netlify.app/en/ds/quiz/21) ## Rückblick & Selbststudium Manchmal ist es nicht offensichtlich, wann man ein Torten-, Donut- oder Waffeldiagramm verwenden sollte. Hier sind einige Artikel zu diesem Thema: https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 Recherchiere, um weitere Informationen zu dieser schwierigen Entscheidung zu finden. ## Aufgabe [Probiere es in Excel aus](assignment.md) --- **Haftungsausschluss**: Dieses Dokument wurde mit dem KI-Übersetzungsdienst [Co-op Translator](https://github.com/Azure/co-op-translator) übersetzt. Obwohl wir uns um Genauigkeit bemühen, weisen wir darauf hin, dass automatisierte Übersetzungen Fehler oder Ungenauigkeiten enthalten können. Das Originaldokument in seiner ursprünglichen Sprache sollte als maßgebliche Quelle betrachtet werden. Für kritische Informationen wird eine professionelle menschliche Übersetzung empfohlen. Wir übernehmen keine Haftung für Missverständnisse oder Fehlinterpretationen, die sich aus der Nutzung dieser Übersetzung ergeben.