12 KiB

Raw Permalink Blame History

Vizualizuojame proporcijas


Proporcijų vizualizavimas - Sketchnote by @nitya

Šioje pamokoje naudosite kitą, gamta orientuotą duomenų rinkinį, kad vizualizuotumėte proporcijas, pavyzdžiui, kiek skirtingų grybų rūšių yra tam tikrame duomenų rinkinyje apie grybus. Panagrinėkime šiuos įdomius grybus naudodami duomenų rinkinį, gautą iš Audubon, kuriame pateikiama informacija apie 23 rūšis lakštelinių grybų iš Agaricus ir Lepiota šeimų. Eksperimentuosite su tokiomis „skaniomis“ vizualizacijomis kaip:

Pyrago diagramos 🥧
Spurgos diagramos 🍩
Vaflių diagramos 🧇

💡 Labai įdomus projektas, vadinamas Charticulator, sukurtas „Microsoft Research“, siūlo nemokamą „drag and drop“ sąsają duomenų vizualizacijoms. Viename iš jų mokymų taip pat naudojamas šis grybų duomenų rinkinys! Taigi galite tyrinėti duomenis ir tuo pačiu metu mokytis naudotis biblioteka: Charticulator tutorial.

Prieš paskaitą - testas

Susipažinkite su savo grybais 🍄

Grybai yra labai įdomūs. Importuokime duomenų rinkinį, kad juos išnagrinėtume:

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

Atspausdinama lentelė su puikiais duomenimis analizei:

klasė	kepurėlės forma	kepurėlės paviršius	kepurėlės spalva	mėlynės	kvapas	lakštelių prisitvirtinimas	lakštelių tarpai	lakštelių dydis	lakštelių spalva	kotelio forma	kotelio šaknis	paviršius virš žiedo	paviršius po žiedu	spalva virš žiedo	spalva po žiedu	šydo tipas	šydo spalva	žiedų skaičius	žiedo tipas	sporų spalva	populiacija	buveinė
Nuodingas	Išgaubta	Lygi	Ruda	Mėlynės	Aštrus	Laisvas	Tankūs	Siauri	Juoda	Platėjantis	Lygus	Lygus	Lygus	Balta	Balta	Dalinis	Balta	Vienas	Kabantis	Juoda	Išsibarstę	Miestas
Valgomas	Išgaubta	Lygi	Geltona	Mėlynės	Migdolų	Laisvas	Tankūs	Platus	Juoda	Platėjantis	Klubas	Lygus	Lygus	Balta	Balta	Dalinis	Balta	Vienas	Kabantis	Ruda	Gausus	Žolynai
Valgomas	Varpelio	Lygi	Balta	Mėlynės	Anyžinis	Laisvas	Tankūs	Platus	Ruda	Platėjantis	Klubas	Lygus	Lygus	Balta	Balta	Dalinis	Balta	Vienas	Kabantis	Ruda	Gausus	Pievos
Nuodingas	Išgaubta	Žvynuota	Balta	Mėlynės	Aštrus	Laisvas	Tankūs	Siauri	Ruda	Platėjantis	Lygus	Lygus	Lygus	Balta	Balta	Dalinis	Balta	Vienas	Kabantis	Juoda	Išsibarstę	Miestas

Iškart pastebite, kad visi duomenys yra tekstiniai. Turėsite konvertuoti šiuos duomenis, kad galėtumėte juos naudoti diagramoje. Dauguma duomenų iš tiesų pateikiami kaip objektai:

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

Rezultatas yra:

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')

Paimkite šiuos duomenis ir konvertuokite „klasės“ stulpelį į kategoriją:

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

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

Dabar, jei atspausdinsite grybų duomenis, pamatysite, kad jie buvo suskirstyti į kategorijas pagal nuodingų/valgomų klases:

	kepurėlės forma	kepurėlės paviršius	kepurėlės spalva	mėlynės	kvapas	lakštelių prisitvirtinimas	lakštelių tarpai	lakštelių dydis	lakštelių spalva	kotelio forma	...	paviršius po žiedu	spalva virš žiedo	spalva po žiedu	šydo tipas	šydo spalva	žiedų skaičius	žiedo tipas	sporų spalva	populiacija	buveinė
klasė
Valgomas	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208	...	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208
Nuodingas	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916	...	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916

Jei laikysitės šioje lentelėje pateiktos tvarkos kurdami savo klasių kategorijų etiketes, galite sukurti pyrago diagramą:

Pyragas!

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

Štai ir pyrago diagrama, rodanti šių duomenų proporcijas pagal šias dvi grybų klases. Labai svarbu teisingai nustatyti etikečių tvarką, ypač čia, todėl būtinai patikrinkite, ar etikečių masyvas sudarytas teisingai!

Spurgos!

Šiek tiek vizualiai įdomesnė pyrago diagrama yra spurgos diagrama, kuri yra pyrago diagrama su skyle viduryje. Pažvelkime į mūsų duomenis naudodami šį metodą.

Pažvelkite į įvairias buveines, kuriose auga grybai:

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

Čia grupuojate savo duomenis pagal buveinę. Yra 7 išvardytos buveinės, todėl naudokite jas kaip etiketes savo spurgos diagramai:

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()

Šis kodas nupiešia diagramą ir centrinį apskritimą, tada prideda tą centrinį apskritimą į diagramą. Redaguokite centrinio apskritimo plotį, pakeisdami „0.40“ į kitą reikšmę.

Spurgų diagramas galima įvairiai koreguoti, kad būtų pakeistos etiketės. Ypač etiketės gali būti paryškintos, kad būtų lengviau jas skaityti. Sužinokite daugiau dokumentacijoje.

Dabar, kai žinote, kaip grupuoti savo duomenis ir juos pateikti kaip pyragą ar spurgą, galite tyrinėti kitų tipų diagramas. Pabandykite vaflių diagramą, kuri yra tiesiog kitoks būdas tyrinėti kiekius.

Vafliai!

„Vaflių“ tipo diagrama yra kitoks būdas vizualizuoti kiekius kaip 2D kvadratų masyvą. Pabandykite vizualizuoti skirtingus grybų kepurėlių spalvų kiekius šiame duomenų rinkinyje. Norėdami tai padaryti, turite įdiegti pagalbinę biblioteką, vadinamą PyWaffle, ir naudoti Matplotlib:

pip install pywaffle

Pasirinkite savo duomenų segmentą grupavimui:

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

Sukurkite vaflių diagramą, sukurdami etiketes ir tada grupuodami savo duomenis:

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"],
)

Naudodami vaflių diagramą, galite aiškiai matyti grybų kepurėlių spalvų proporcijas šiame duomenų rinkinyje. Įdomu tai, kad yra daug žalių kepurėlių grybų!

✅ PyWaffle palaiko piktogramas diagramose, kurios naudoja bet kokią piktogramą, esančią Font Awesome. Eksperimentuokite, kad sukurtumėte dar įdomesnę vaflių diagramą, naudodami piktogramas vietoj kvadratų.

Šioje pamokoje išmokote tris būdus vizualizuoti proporcijas. Pirmiausia turite suskirstyti savo duomenis į kategorijas, o tada nuspręsti, kuris būdas geriausiai atspindi duomenis - pyragas, spurga ar vaflis. Visi jie yra „skanūs“ ir suteikia vartotojui greitą duomenų rinkinio vaizdą.

🚀 Iššūkis

Pabandykite atkurti šias „skanias“ diagramas naudodami Charticulator.

Po paskaitos - testas

Apžvalga ir savarankiškas mokymasis

Kartais nėra akivaizdu, kada naudoti pyrago, spurgos ar vaflių diagramą. Štai keletas straipsnių šia tema:

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

Atlikite tyrimus, kad rastumėte daugiau informacijos apie šį sudėtingą pasirinkimą.

Užduotis

Pabandykite tai atlikti Excel

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant dirbtinio intelekto vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, atkreipiame dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Dėl svarbios informacijos rekomenduojama naudotis profesionalių vertėjų paslaugomis. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus aiškinimus, kylančius dėl šio vertimo naudojimo.

12 KiB Raw Permalink Blame History