12 KiB

Raw Permalink Blame History Unescape Escape

Visualisierung von Proportionen


Visualisierung von Proportionen - Sketchnote von @nitya

In dieser Lektion wirst du ein anderes, naturbezogenes Datenset verwenden, um Proportionen zu visualisieren, z. B. wie viele verschiedene Pilzarten in einem Datenset über Pilze vorkommen. Lass uns diese faszinierenden Pilze mit einem Datenset 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 von Microsoft Research bietet eine kostenlose Drag-and-Drop-Oberfläche für Datenvisualisierungen. In einem ihrer Tutorials verwenden sie ebenfalls dieses Pilz-Datenset! So kannst du die Daten erkunden und gleichzeitig die Bibliothek kennenlernen: Charticulator-Tutorial.

Quiz vor der Lektion

Lerne deine Pilze kennen 🍄

Pilze sind sehr interessant. Lass uns ein Datenset importieren, um sie zu untersuchen:

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 Ring	Stieloberfläche unter Ring	Stielfarbe über Ring	Stielfarbe unter Ring	Schleiertyp	Schleierfarbe	Ringanzahl	Ringtyp	Sporenabdruckfarbe	Population	Lebensraum
Giftig	Konvex	Glatt	Braun	Druckstellen	Stechend	Frei	Eng	Schmal	Schwarz	Verdickend	Gleich	Glatt	Glatt	Weiß	Weiß	Partiell	Weiß	Eins	Hängend	Schwarz	Vereinzelte	Urban
Essbar	Konvex	Glatt	Gelb	Druckstellen	Mandel	Frei	Eng	Breit	Schwarz	Verdickend	Keulenförmig	Glatt	Glatt	Weiß	Weiß	Partiell	Weiß	Eins	Hängend	Braun	Zahlreich	Wiesen
Essbar	Glockenförmig	Glatt	Weiß	Druckstellen	Anis	Frei	Eng	Breit	Braun	Verdickend	Keulenförmig	Glatt	Glatt	Weiß	Weiß	Partiell	Weiß	Eins	Hängend	Braun	Zahlreich	Wiesen
Giftig	Konvex	Schuppig	Weiß	Druckstellen	Stechend	Frei	Eng	Schmal	Braun	Verdickend	Gleich	Glatt	Glatt	Weiß	Weiß	Partiell	Weiß	Eins	Hängend	Schwarz	Vereinzelte	Urban

Sofort fällt auf, dass alle Daten textuell sind. Du musst diese Daten umwandeln, um sie in einem Diagramm verwenden zu können. Die meisten Daten sind tatsächlich als Objekte dargestellt:

print(mushrooms.select_dtypes(["object"]).columns)

Die Ausgabe ist:

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')

Nimm diese Daten und konvertiere die Spalte 'class' in eine Kategorie:

cols = mushrooms.select_dtypes(["object"]).columns
mushrooms[cols] = mushrooms[cols].astype('category')

edibleclass=mushrooms.groupby(['class']).count()
edibleclass

Wenn du nun die Pilzdaten ausgibst, siehst du, dass sie nach den Kategorien giftig/essbar gruppiert wurden:

	Hutform	Hutoberfläche	Hutfarbe	Druckstellen	Geruch	Lamellenansatz	Lamellenabstand	Lamellengröße	Lamellenfarbe	Stielform	...	Stieloberfläche unter Ring	Stielfarbe über Ring	Stielfarbe unter 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 Kategorienamen für die Klasse zu erstellen, kannst du ein Tortendiagramm erstellen:

Torte!

labels=['Edible','Poisonous']
plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
plt.title('Edible?')
plt.show()

Voilà, ein Tortendiagramm, das die Proportionen dieser Daten entsprechend den beiden Pilzklassen zeigt. Es ist sehr wichtig, die Reihenfolge der Labels korrekt zu setzen, besonders hier, also überprüfe die Reihenfolge, in der das Label-Array erstellt wird!

Donuts!

Ein etwas visuell interessanteres Tortendiagramm ist ein Donut-Diagramm, das ein Tortendiagramm mit einem Loch in der Mitte ist. Lass uns unsere Daten auf diese Weise betrachten.

Schau dir die verschiedenen Lebensräume an, in denen Pilze wachsen:

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:

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 mittleren Kreis und fügt diesen dann in das Diagramm ein. Passe die Breite des mittleren Kreises an, indem du 0.40 auf einen anderen Wert änderst.

Donut-Diagramme können auf verschiedene Weise angepasst werden, um die Labels zu verändern. Insbesondere die Labels können für bessere Lesbarkeit hervorgehoben werden. Erfahre mehr in den Dokumentationen.

Jetzt, da du weißt, wie du deine Daten gruppierst und sie dann als Torte oder Donut darstellst, kannst du andere Diagrammtypen erkunden. Probiere ein Waffeldiagramm, 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. Dafür musst du eine Hilfsbibliothek namens PyWaffle installieren und Matplotlib verwenden:

pip install pywaffle

Wähle einen Abschnitt deiner Daten aus, um ihn zu gruppieren:

capcolor=mushrooms.groupby(['cap-color']).count()
capcolor

Erstelle ein Waffeldiagramm, indem du Labels erstellst und dann deine Daten gruppierst:

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 die Proportionen der Hutfarben in diesem Pilz-Datenset deutlich erkennen. Interessanterweise gibt es viele grünhütige Pilze!

✅ PyWaffle unterstützt Symbole innerhalb der Diagramme, die jedes Symbol aus Font Awesome verwenden können. Experimentiere, um ein noch interessanteres Waffeldiagramm mit Symbolen 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 Nutzer einen sofortigen Überblick über ein Datenset.

🚀 Herausforderung

Versuche, diese schmackhaften Diagramme in Charticulator nachzubauen.

Quiz nach der Lektion

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 mehr Informationen zu dieser kniffligen Entscheidung zu finden.

Aufgabe

Probiere es in Excel aus

Haftungsausschluss:
Dieses Dokument wurde mit dem KI-Übersetzungsdienst Co-op Translator übersetzt. Obwohl wir uns um Genauigkeit bemühen, beachten Sie bitte, 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.

12 KiB Raw Permalink Blame History Unescape Escape