Data-Science-For-Beginners/translations/fi/3-Data-Visualization/11-visualization-proportions

Visualisoi osuuksia

Osuuksien visualisointi - Sketchnote by @nitya

Tässä oppitunnissa käytät luontoon keskittyvää datasettiä visualisoidaksesi osuuksia, kuten kuinka monta erilaista sienityyppiä esiintyy datasetissä, joka käsittelee sieniä. Tutustutaan näihin kiehtoviin sieniin datasetin avulla, joka on peräisin Audubonilta ja sisältää tietoja 23 kidallisen sienen lajista Agaricus- ja Lepiota-suvuista. Kokeilet herkullisia visualisointeja, kuten:

• Piirakkakaavioita 🥧
• Donitsikaavioita 🍩
• Vohvelikaavioita 🧇

💡 Microsoft Researchin Charticulator on erittäin mielenkiintoinen projekti, joka tarjoaa ilmaisen vedä ja pudota -käyttöliittymän datavisualisointeihin. Yhdessä heidän tutoriaaleistaan käytetään myös tätä sienidatasettiä! Voit siis tutkia dataa ja oppia kirjaston käyttöä samanaikaisesti: Charticulator-tutoriaali.

Esiluennon kysely

Tutustu sieniin 🍄

Sienet ovat erittäin mielenkiintoisia. Tuodaan datasetti niiden tutkimiseksi:

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

Tulostetaan taulukko, joka sisältää loistavaa analysoitavaa dataa:

luokka	lakin muoto	lakin pinta	lakin väri	mustelmat	haju	kidan kiinnitys	kidan väli	kidan koko	kidan väri	jalan muoto	jalan juuri	jalan pinta renkaan yläpuolella	jalan pinta renkaan alapuolella	jalan väri renkaan yläpuolella	jalan väri renkaan alapuolella	verhon tyyppi	verhon väri	renkaiden määrä	renkaan tyyppi	itiöiden väri	populaatio	elinympäristö
Myrkyllinen	Kupera	Sileä	Ruskea	Mustelmat	Pistävä	Vapaa	Tiivis	Kapea	Musta	Laajeneva	Tasainen	Sileä	Sileä	Valkoinen	Valkoinen	Osittainen	Valkoinen	Yksi	Riippuva	Musta	Hajallaan	Kaupunki
Syötävä	Kupera	Sileä	Keltainen	Mustelmat	Manteli	Vapaa	Tiivis	Leveä	Musta	Laajeneva	Nuija	Sileä	Sileä	Valkoinen	Valkoinen	Osittainen	Valkoinen	Yksi	Riippuva	Ruskea	Lukuisia	Ruohikko
Syötävä	Kellomainen	Sileä	Valkoinen	Mustelmat	Anis	Vapaa	Tiivis	Leveä	Ruskea	Laajeneva	Nuija	Sileä	Sileä	Valkoinen	Valkoinen	Osittainen	Valkoinen	Yksi	Riippuva	Ruskea	Lukuisia	Niitty
Myrkyllinen	Kupera	Suomuinen	Valkoinen	Mustelmat	Pistävä	Vapaa	Tiivis	Kapea	Ruskea	Laajeneva	Tasainen	Sileä	Sileä	Valkoinen	Valkoinen	Osittainen	Valkoinen	Yksi	Riippuva	Musta	Hajallaan	Kaupunki

Heti huomaat, että kaikki data on tekstimuotoista. Sinun täytyy muuntaa tämä data, jotta voit käyttää sitä kaaviossa. Suurin osa datasta on itse asiassa esitetty objektina:

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

Tuloste on:

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')

Muunna tämä data ja muuta 'luokka'-sarake kategoriaksi:

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

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

Kun tulostat sienidatan, näet, että se on ryhmitelty kategorioihin myrkyllisen/syötävän luokan mukaan:

	lakin muoto	lakin pinta	lakin väri	mustelmat	haju	kidan kiinnitys	kidan väli	kidan koko	kidan väri	jalan muoto	...	jalan pinta renkaan alapuolella	jalan väri renkaan yläpuolella	jalan väri renkaan alapuolella	verhon tyyppi	verhon väri	renkaiden määrä	renkaan tyyppi	itiöiden väri	populaatio	elinympäristö
luokka
Syötävä	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208	...	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208
Myrkyllinen	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916	...	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916

Jos noudatat tämän taulukon järjestystä luodessasi luokkakategorian tunnisteita, voit rakentaa piirakkakaavion:

Piirakka!

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

Voila, piirakkakaavio, joka näyttää tämän datan osuudet näiden kahden sieniluokan mukaan. On erittäin tärkeää saada tunnisteiden järjestys oikein, erityisesti tässä, joten varmista tunnisteiden järjestys ennen kaavion rakentamista!

Donitsit!

Hieman visuaalisesti kiinnostavampi piirakkakaavio on donitsikaavio, joka on piirakkakaavio, jossa on reikä keskellä. Katsotaan dataa tällä menetelmällä.

Tarkastellaan eri elinympäristöjä, joissa sienet kasvavat:

habitat=mushrooms.groupby(['habitat']).count()
habitat

Tässä ryhmitellään data elinympäristön mukaan. Niitä on listattu 7, joten käytä niitä tunnisteina donitsikaaviolle:

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()

Tämä koodi piirtää kaavion ja keskirenkaan, ja lisää sitten keskirenkaan kaavioon. Muokkaa keskirenkaan leveyttä muuttamalla arvoa 0.40.

Donitsikaavioita voi muokata monin tavoin tunnisteiden muuttamiseksi. Tunnisteet voidaan erityisesti korostaa luettavuuden parantamiseksi. Lue lisää dokumentaatiosta.

Kun tiedät, miten ryhmitellä dataa ja esittää se piirakkana tai donitsina, voit tutkia muita kaaviotyyppejä. Kokeile vohvelikaaviota, joka on vain erilainen tapa tutkia määriä.

Vohvelit!

'Vohveli'-tyyppinen kaavio on erilainen tapa visualisoida määriä 2D-ruudukon avulla. Kokeile visualisoida eri sienilakkien värien määriä tässä datasetissä. Tätä varten sinun täytyy asentaa apukirjasto nimeltä PyWaffle ja käyttää Matplotlibia:

pip install pywaffle

Valitse segmentti datastasi ryhmittelyä varten:

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

Luo vohvelikaavio luomalla tunnisteet ja ryhmittelemällä data:

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"],
)

Vohvelikaavion avulla näet selvästi sienilakkien värien osuudet tässä datasetissä. Mielenkiintoista on, että datasetissä on paljon vihreälakkisia sieniä!

✅ Pywaffle tukee kaavioiden sisällä ikoneita, jotka käyttävät mitä tahansa Font Awesomen saatavilla olevaa ikonia. Kokeile luoda vieläkin mielenkiintoisempi vohvelikaavio käyttämällä ikoneita ruutujen sijaan.

Tässä oppitunnissa opit kolme tapaa visualisoida osuuksia. Ensin sinun täytyy ryhmitellä data kategorioihin ja sitten päättää, mikä on paras tapa esittää data - piirakka, donitsi tai vohveli. Kaikki ovat herkullisia ja tarjoavat käyttäjälle välittömän katsauksen datasettiin.

🚀 Haaste

Kokeile luoda nämä herkulliset kaaviot Charticulatorissa.

Luennon jälkeinen kysely

Kertaus ja itseopiskelu

Joskus ei ole ilmeistä, milloin käyttää piirakka-, donitsi- tai vohvelikaaviota. Tässä muutamia artikkeleita aiheesta:

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

Tee tutkimusta löytääksesi lisää tietoa tästä hankalasta päätöksestä.

Tehtävä

Kokeile Excelissä

---

Vastuuvapauslauseke:
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua Co-op Translator. Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäistä asiakirjaa sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.