# Визуализиране на връзки: Всичко за меда 🍯 | ](../../sketchnotes/12-Visualizing-Relationships.png)| |:---:| |Визуализиране на връзки - _Скетч от [@nitya](https://twitter.com/nitya)_ | Продължавайки с природната насоченост на нашето изследване, нека открием интересни визуализации, които показват връзките между различните видове мед, според набор от данни, извлечен от [Министерството на земеделието на САЩ](https://www.nass.usda.gov/About_NASS/index.php). Този набор от данни, съдържащ около 600 елемента, показва производството на мед в много щати на САЩ. Например, можете да разгледате броя на колониите, добива на колония, общото производство, запасите, цената на килограм и стойността на произведения мед в даден щат за периода от 1998 до 2012 г., като всеки ред представлява една година за всеки щат. Ще бъде интересно да визуализираме връзката между производството на мед в даден щат за година и, например, цената на меда в този щат. Алтернативно, можете да визуализирате връзката между добива на мед на колония в различни щати. Този времеви период обхваща опустошителното явление 'CCD' или 'Синдром на колапс на колониите', което за първи път се наблюдава през 2006 г. (http://npic.orst.edu/envir/ccd.html), така че това е значим набор от данни за изследване. 🐝 ## [Тест преди лекцията](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/22) В този урок можете да използвате Seaborn, който вече сте използвали, като добра библиотека за визуализиране на връзки между променливи. Особено интересна е функцията `relplot` на Seaborn, която позволява създаването на разпръснати графики и линейни графики за бързо визуализиране на '[статистически връзки](https://seaborn.pydata.org/tutorial/relational.html?highlight=relationships)', което помага на специалистите по данни да разберат по-добре как променливите се свързват помежду си. ## Разпръснати графики Използвайте разпръсната графика, за да покажете как цената на меда се е развивала през годините в различните щати. Seaborn, чрез `relplot`, удобно групира данните за щатите и показва точки както за категорийни, така и за числови данни. Нека започнем с импортиране на данните и Seaborn: ```python import pandas as pd import matplotlib.pyplot as plt import seaborn as sns honey = pd.read_csv('../../data/honey.csv') honey.head() ``` Ще забележите, че данните за меда съдържат няколко интересни колони, включително година и цена на килограм. Нека изследваме тези данни, групирани по щати на САЩ: | щат | колонии | добив/колония | общо производство | запаси | цена/кг | стойност на продукцията | година | | ----- | ------- | ------------- | ----------------- | -------- | ------- | ----------------------- | ------ | | AL | 16000 | 71 | 1136000 | 159000 | 0.72 | 818000 | 1998 | | AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | | AR | 53000 | 65 | 3445000 | 1688000 | 0.59 | 2033000 | 1998 | | CA | 450000 | 83 | 37350000 | 12326000 | 0.62 | 23157000 | 1998 | | CO | 27000 | 72 | 1944000 | 1594000 | 0.7 | 1361000 | 1998 | Създайте основна разпръсната графика, за да покажете връзката между цената на килограм мед и щата, от който произхожда. Направете `y` оста достатъчно висока, за да покажете всички щати: ```python sns.relplot(x="priceperlb", y="state", data=honey, height=15, aspect=.5); ```  Сега покажете същите данни с цветова схема, вдъхновена от меда, за да покажете как цената се променя през годините. Можете да направите това, като добавите параметър 'hue', който показва промяната година след година: > ✅ Научете повече за [цветовите палитри, които можете да използвате в Seaborn](https://seaborn.pydata.org/tutorial/color_palettes.html) - опитайте красива дъгова цветова схема! ```python sns.relplot(x="priceperlb", y="state", hue="year", palette="YlOrBr", data=honey, height=15, aspect=.5); ```  С тази промяна в цветовата схема можете да видите, че има очевидна силна прогресия през годините по отношение на цената на меда на килограм. Всъщност, ако разгледате примерен набор от данни, за да проверите (например щата Аризона), можете да видите модел на увеличение на цените година след година, с малко изключения: | щат | колонии | добив/колония | общо производство | запаси | цена/кг | стойност на продукцията | година | | ----- | ------- | ------------- | ----------------- | ------- | ------- | ----------------------- | ------ | | AZ | 55000 | 60 | 3300000 | 1485000 | 0.64 | 2112000 | 1998 | | AZ | 52000 | 62 | 3224000 | 1548000 | 0.62 | 1999000 | 1999 | | AZ | 40000 | 59 | 2360000 | 1322000 | 0.73 | 1723000 | 2000 | | AZ | 43000 | 59 | 2537000 | 1142000 | 0.72 | 1827000 | 2001 | | AZ | 38000 | 63 | 2394000 | 1197000 | 1.08 | 2586000 | 2002 | | AZ | 35000 | 72 | 2520000 | 983000 | 1.34 | 3377000 | 2003 | | AZ | 32000 | 55 | 1760000 | 774000 | 1.11 | 1954000 | 2004 | | AZ | 36000 | 50 | 1800000 | 720000 | 1.04 | 1872000 | 2005 | | AZ | 30000 | 65 | 1950000 | 839000 | 0.91 | 1775000 | 2006 | | AZ | 30000 | 64 | 1920000 | 902000 | 1.26 | 2419000 | 2007 | | AZ | 25000 | 64 | 1600000 | 336000 | 1.26 | 2016000 | 2008 | | AZ | 20000 | 52 | 1040000 | 562000 | 1.45 | 1508000 | 2009 | | AZ | 24000 | 77 | 1848000 | 665000 | 1.52 | 2809000 | 2010 | | AZ | 23000 | 53 | 1219000 | 427000 | 1.55 | 1889000 | 2011 | | AZ | 22000 | 46 | 1012000 | 253000 | 1.79 | 1811000 | 2012 | Друг начин за визуализиране на тази прогресия е чрез използване на размер, вместо цвят. За потребители с цветна слепота това може да бъде по-добър вариант. Редактирайте визуализацията си, за да покажете увеличение на цената чрез увеличение на обиколката на точките: ```python sns.relplot(x="priceperlb", y="state", size="year", data=honey, height=15, aspect=.5); ``` Можете да видите как размерът на точките постепенно се увеличава.  Дали това е просто случай на търсене и предлагане? Поради фактори като климатични промени и колапс на колониите, има ли по-малко мед, наличен за покупка година след година, и затова цената се увеличава? За да открием корелация между някои от променливите в този набор от данни, нека изследваме някои линейни графики. ## Линейни графики Въпрос: Има ли ясно увеличение на цената на меда на килограм година след година? Най-лесно можете да откриете това, като създадете единична линейна графика: ```python sns.relplot(x="year", y="priceperlb", kind="line", data=honey); ``` Отговор: Да, с някои изключения около 2003 година:  ✅ Тъй като Seaborn агрегира данни около една линия, той показва "многократните измервания за всяка стойност на x, като изобразява средната стойност и 95% доверителен интервал около средната стойност". [Източник](https://seaborn.pydata.org/tutorial/relational.html). Това времеемко поведение може да бъде деактивирано, като добавите `ci=None`. Въпрос: Е, през 2003 година можем ли също да видим скок в предлагането на мед? Какво ще стане, ако разгледате общото производство година след година? ```python sns.relplot(x="year", y="totalprod", kind="line", data=honey); ```  Отговор: Не съвсем. Ако разгледате общото производство, всъщност изглежда, че то се е увеличило през тази конкретна година, въпреки че като цяло количеството произведен мед намалява през тези години. Въпрос: В такъв случай, какво би могло да е причинило този скок в цената на меда около 2003 година? За да откриете това, можете да изследвате мрежа от фасети. ## Мрежи от фасети Мрежите от фасети вземат един аспект от вашия набор от данни (в нашия случай можете да изберете 'година', за да избегнете създаването на твърде много фасети). Seaborn може да създаде графика за всеки от тези аспекти на избраните x и y координати за по-лесно визуално сравнение. Изпъква ли 2003 година в този тип сравнение? Създайте мрежа от фасети, като продължите да използвате `relplot`, както е препоръчано от [документацията на Seaborn](https://seaborn.pydata.org/generated/seaborn.FacetGrid.html?highlight=facetgrid#seaborn.FacetGrid). ```python sns.relplot( data=honey, x="yieldpercol", y="numcol", col="year", col_wrap=3, kind="line" ``` В тази визуализация можете да сравните добива на колония и броя на колониите година след година, една до друга, с настройка на wrap на 3 за колоните:  За този набор от данни нищо особено не изпъква по отношение на броя на колониите и техния добив, година след година и щат след щат. Има ли различен начин да се открие корелация между тези две променливи? ## Двойни линейни графики Опитайте многолинейна графика, като наложите две линейни графики една върху друга, използвайки `despine` на Seaborn, за да премахнете горните и десните оси, и използвайки `ax.twinx` [произведено от Matplotlib](https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.twinx.html). Twinx позволява графиката да споделя x оста и да показва две y оси. Така че, изобразете добива на колония и броя на колониите, наложени една върху друга: ```python fig, ax = plt.subplots(figsize=(12,6)) lineplot = sns.lineplot(x=honey['year'], y=honey['numcol'], data=honey, label = 'Number of bee colonies', legend=False) sns.despine() plt.ylabel('# colonies') plt.title('Honey Production Year over Year'); ax2 = ax.twinx() lineplot2 = sns.lineplot(x=honey['year'], y=honey['yieldpercol'], ax=ax2, color="r", label ='Yield per colony', legend=False) sns.despine(right=False) plt.ylabel('colony yield') ax.figure.legend(); ```  Докато нищо не изпъква около 2003 година, това ни позволява да завършим урока с малко по-щастлива нотка: въпреки че броят на колониите като цяло намалява, той се стабилизира, дори ако техният добив на колония намалява. Напред, пчели, напред! 🐝❤️ ## 🚀 Предизвикателство В този урок научихте малко повече за други приложения на разпръснати графики и линейни мрежи, включително мрежи от фасети. Предизвикайте себе си да създадете мрежа от фасети, използвайки различен набор от данни, може би такъв, който сте използвали преди тези уроци. Обърнете внимание колко време отнема създаването им и как трябва да бъдете внимателни относно броя на мрежите, които трябва да нарисувате, използвайки тези техники. ## [Тест след лекцията](https://ff-quizzes.netlify.app/en/ds/) ## Преглед и самостоятелно обучение Линейните графики могат да бъдат прости или доста сложни. Прочетете малко повече в [документацията на Seaborn](https://seaborn.pydata.org/generated/seaborn.lineplot.html) за различните начини, по които можете да ги изградите. Опитайте да подобрите линейните графики, които създадохте в този урок, с други методи, изброени в документацията. ## Задание [Потопете се в кошера](assignment.md) --- **Отказ от отговорност**: Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да било недоразумения или погрешни интерпретации, произтичащи от използването на този превод.