Data-Science-For-Beginners/translations/da/3-Data-Visualization/10-visualization-distributions

Visualisering af fordelinger

Visualisering af fordelinger - Sketchnote af @nitya

I den forrige lektion lærte du nogle interessante fakta om et datasæt om fuglene i Minnesota. Du fandt nogle fejlagtige data ved at visualisere outliers og undersøgte forskellene mellem fuglekategorier baseret på deres maksimale længde.

Quiz før lektionen

Udforsk fugledatasættet

En anden måde at dykke ned i data på er ved at se på deres fordeling, eller hvordan dataene er organiseret langs en akse. Måske vil du for eksempel gerne lære om den generelle fordeling i dette datasæt af den maksimale vingefang eller den maksimale kropsmasse for fuglene i Minnesota.

Lad os opdage nogle fakta om datafordelingerne i dette datasæt. I notebook.ipynb-filen i roden af denne lektionsmappe skal du importere Pandas, Matplotlib og dine data:

import pandas as pd
import matplotlib.pyplot as plt
birds = pd.read_csv('../../data/birds.csv')
birds.head()

	Navn	VidenskabeligtNavn	Kategori	Orden	Familie	Slægt	Bevaringsstatus	MinLængde	MaxLængde	MinKropsmasse	MaxKropsmasse	MinVingefang	MaxVingefang
0	Sortbuget fløjlsand	Dendrocygna autumnalis	Ænder/Gæs/Vandfugle	Anseriformes	Anatidae	Dendrocygna	LC	47	56	652	1020	76	94
1	Fløjlsand	Dendrocygna bicolor	Ænder/Gæs/Vandfugle	Anseriformes	Anatidae	Dendrocygna	LC	45	53	712	1050	85	93
2	Snegås	Anser caerulescens	Ænder/Gæs/Vandfugle	Anseriformes	Anatidae	Anser	LC	64	79	2050	4050	135	165
3	Ross' gås	Anser rossii	Ænder/Gæs/Vandfugle	Anseriformes	Anatidae	Anser	LC	57.3	64	1066	1567	113	116
4	Stor hvidkindet gås	Anser albifrons	Ænder/Gæs/Vandfugle	Anseriformes	Anatidae	Anser	LC	64	81	1930	3310	130	165

Generelt kan du hurtigt få et overblik over, hvordan data er fordelt, ved at bruge et scatterplot, som vi gjorde i den forrige lektion:

birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))

plt.title('Max Length per Order')
plt.ylabel('Order')
plt.xlabel('Max Length')

plt.show()

Dette giver et overblik over den generelle fordeling af kropslængde pr. fugleorden, men det er ikke den optimale måde at vise egentlige fordelinger på. Denne opgave håndteres normalt ved at oprette et histogram.

Arbejde med histogrammer

Matplotlib tilbyder meget gode måder at visualisere datafordeling ved hjælp af histogrammer. Denne type diagram minder om et søjlediagram, hvor fordelingen kan ses via stigninger og fald i søjlerne. For at oprette et histogram skal du bruge numeriske data. For at oprette et histogram kan du plotte et diagram og definere typen som 'hist' for histogram. Dette diagram viser fordelingen af MaxBodyMass for hele datasættets numeriske rækkevidde. Ved at opdele datasættet i mindre intervaller kan det vise fordelingen af værdierne:

birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
plt.show()

Som du kan se, falder de fleste af de 400+ fugle i dette datasæt inden for området under 2000 for deres maksimale kropsmasse. Få mere indsigt i dataene ved at ændre bins-parameteren til et højere tal, for eksempel 30:

birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
plt.show()

Dette diagram viser fordelingen på en lidt mere detaljeret måde. Et diagram, der er mindre skævt mod venstre, kunne oprettes ved kun at vælge data inden for et givet område:

Filtrer dine data for kun at få de fugle, hvis kropsmasse er under 60, og vis 40 bins:

filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
plt.show()     

✅ Prøv nogle andre filtre og datapunkter. For at se den fulde fordeling af dataene skal du fjerne ['MaxBodyMass']-filteret for at vise mærkede fordelinger.

Histogrammet tilbyder også nogle flotte farve- og mærkningsmuligheder, som du kan prøve:

Opret et 2D-histogram for at sammenligne forholdet mellem to fordelinger. Lad os sammenligne MaxBodyMass og MaxLength. Matplotlib tilbyder en indbygget måde at vise sammenfald ved hjælp af lysere farver:

x = filteredBirds['MaxBodyMass']
y = filteredBirds['MaxLength']

fig, ax = plt.subplots(tight_layout=True)
hist = ax.hist2d(x, y)

Der ser ud til at være en forventet korrelation mellem disse to elementer langs en forventet akse, med et særligt stærkt sammenfaldspunkt:

Histogrammer fungerer godt som standard for numeriske data. Hvad hvis du har brug for at se fordelinger i forhold til tekstdata?

Udforsk datasættet for fordelinger ved hjælp af tekstdata

Dette datasæt indeholder også god information om fuglekategorien og dens slægt, art og familie samt dens bevaringsstatus. Lad os dykke ned i denne bevaringsinformation. Hvordan er fordelingen af fuglene i forhold til deres bevaringsstatus?

✅ I datasættet bruges flere forkortelser til at beskrive bevaringsstatus. Disse forkortelser stammer fra IUCN Red List Categories, en organisation, der katalogiserer arters status.

• CR: Kritisk truet
• EN: Truet
• EX: Uddød
• LC: Mindst bekymring
• NT: Næsten truet
• VU: Sårbar

Disse er tekstbaserede værdier, så du skal lave en transformation for at oprette et histogram. Brug filteredBirds-dataframen til at vise dens bevaringsstatus sammen med dens minimale vingefang. Hvad ser du?

x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']

kwargs = dict(alpha=0.5, bins=20)

plt.hist(x1, **kwargs, color='red', label='Extinct')
plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
plt.hist(x3, **kwargs, color='yellow', label='Endangered')
plt.hist(x4, **kwargs, color='green', label='Near Threatened')
plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
plt.hist(x6, **kwargs, color='gray', label='Least Concern')

plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
plt.legend();

Der ser ikke ud til at være en god korrelation mellem minimumsvingefang og bevaringsstatus. Test andre elementer i datasættet ved hjælp af denne metode. Du kan også prøve forskellige filtre. Finder du nogen korrelation?

Tæthedsdiagrammer

Du har måske bemærket, at de histogrammer, vi har set på indtil videre, er 'trappede' og ikke flyder jævnt i en bue. For at vise et glattere tæthedsdiagram kan du prøve et tæthedsplot.

For at arbejde med tæthedsdiagrammer skal du sætte dig ind i et nyt plotbibliotek, Seaborn.

Ved at indlæse Seaborn kan du prøve et grundlæggende tæthedsplot:

import seaborn as sns
import matplotlib.pyplot as plt
sns.kdeplot(filteredBirds['MinWingspan'])
plt.show()

Du kan se, hvordan plottet afspejler det tidligere for Minimum Wingspan-data; det er bare lidt glattere. Ifølge Seaborns dokumentation "kan KDE producere et diagram, der er mindre rodet og mere fortolkeligt, især når man tegner flere fordelinger. Men det har potentiale til at introducere forvrængninger, hvis den underliggende fordeling er begrænset eller ikke glat. Ligesom et histogram afhænger kvaliteten af repræsentationen også af valget af gode udjævningsparametre." kilde Med andre ord vil outliers som altid få dine diagrammer til at opføre sig dårligt.

Hvis du ville genbesøge den hakkede MaxBodyMass-linje i det andet diagram, du byggede, kunne du udjævne den meget godt ved at genskabe den ved hjælp af denne metode:

sns.kdeplot(filteredBirds['MaxBodyMass'])
plt.show()

Hvis du ønskede en glat, men ikke alt for glat linje, kan du redigere bw_adjust-parameteren:

sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
plt.show()

✅ Læs om de tilgængelige parametre for denne type plot og eksperimentér!

Denne type diagram tilbyder smukt forklarende visualiseringer. Med få linjer kode kan du for eksempel vise den maksimale kropsmassefordeling pr. fugleorden:

sns.kdeplot(
   data=filteredBirds, x="MaxBodyMass", hue="Order",
   fill=True, common_norm=False, palette="crest",
   alpha=.5, linewidth=0,
)

Du kan også kortlægge tætheden af flere variabler i ét diagram. Test MaxLength og MinLength af en fugl i forhold til deres bevaringsstatus:

sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")

Måske er det værd at undersøge, om klyngen af 'Sårbare' fugle i forhold til deres længder er meningsfuld eller ej.

🚀 Udfordring

Histogrammer er en mere sofistikeret type diagram end grundlæggende scatterplots, søjlediagrammer eller linjediagrammer. Gå på jagt på internettet for at finde gode eksempler på brugen af histogrammer. Hvordan bruges de, hvad viser de, og inden for hvilke felter eller områder anvendes de typisk?

Quiz efter lektionen

Gennemgang & Selvstudie

I denne lektion brugte du Matplotlib og begyndte at arbejde med Seaborn for at vise mere sofistikerede diagrammer. Lav noget research om kdeplot i Seaborn, en "kontinuerlig sandsynlighedstæthedskurve i en eller flere dimensioner". Læs dokumentationen for at forstå, hvordan det fungerer.

Opgave

Anvend dine færdigheder

---

Ansvarsfraskrivelse:
Dette dokument er blevet oversat ved hjælp af AI-oversættelsestjenesten Co-op Translator. Selvom vi bestræber os på nøjagtighed, skal du være opmærksom på, at automatiserede oversættelser kan indeholde fejl eller unøjagtigheder. Det originale dokument på dets oprindelige sprog bør betragtes som den autoritative kilde. For kritisk information anbefales professionel menneskelig oversættelse. Vi påtager os intet ansvar for misforståelser eller fejltolkninger, der måtte opstå som følge af brugen af denne oversættelse.