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

Visualisera proportioner

Visualisera proportioner - Sketchnote av @nitya

I den här lektionen kommer du att använda en dataset med naturfokus för att visualisera proportioner, som hur många olika typer av svampar som finns i en dataset om champinjoner. Låt oss utforska dessa fascinerande svampar med hjälp av en dataset från Audubon som listar detaljer om 23 arter av skivlingar i Agaricus- och Lepiota-familjerna. Du kommer att experimentera med smakfulla visualiseringar som:

• Cirkeldiagram 🥧
• Donutdiagram 🍩
• Våffeldiagram 🧇

💡 Ett mycket intressant projekt som heter Charticulator från Microsoft Research erbjuder ett gratis dra-och-släpp-gränssnitt för datavisualiseringar. I en av deras tutorials använder de också denna svampdataset! Så du kan utforska datan och lära dig biblioteket samtidigt: Charticulator tutorial.

Quiz före föreläsningen

Lär känna dina svampar 🍄

Svampar är väldigt intressanta. Låt oss importera en dataset för att studera dem:

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

En tabell skrivs ut med fantastisk data för analys:

klass	hattform	hattyta	hattfärg	blåmärken	lukt	skivfäste	skivavstånd	skivstorlek	skivfärg	fotform	fotrot	fotyta ovanför ring	fotyta under ring	fotfärg ovanför ring	fotfärg under ring	slöjtyp	slöjfärg	antal ringar	ringtyp	sportrycksfärg	population	habitat
Giftig	Konvex	Slät	Brun	Blåmärken	Stickande	Fri	Tät	Smal	Svart	Förstorande	Jämn	Slät	Slät	Vit	Vit	Partiell	Vit	En	Hängande	Svart	Spridd	Urban
Ätlig	Konvex	Slät	Gul	Blåmärken	Mandel	Fri	Tät	Bred	Svart	Förstorande	Klubba	Slät	Slät	Vit	Vit	Partiell	Vit	En	Hängande	Brun	Talrik	Gräs
Ätlig	Klockformad	Slät	Vit	Blåmärken	Anis	Fri	Tät	Bred	Brun	Förstorande	Klubba	Slät	Slät	Vit	Vit	Partiell	Vit	En	Hängande	Brun	Talrik	Ängar
Giftig	Konvex	Fjällig	Vit	Blåmärken	Stickande	Fri	Tät	Smal	Brun	Förstorande	Jämn	Slät	Slät	Vit	Vit	Partiell	Vit	En	Hängande	Svart	Spridd	Urban

Direkt märker du att all data är textbaserad. Du måste konvertera denna data för att kunna använda den i ett diagram. Faktum är att det mesta av datan representeras som ett objekt:

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

Utdata är:

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')

Ta denna data och konvertera kolumnen 'klass' till en kategori:

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

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

Nu, om du skriver ut svampdatan, kan du se att den har grupperats i kategorier enligt klassen giftig/ätlig:

	hattform	hattyta	hattfärg	blåmärken	lukt	skivfäste	skivavstånd	skivstorlek	skivfärg	fotform	...	fotyta under ring	fotfärg ovanför ring	fotfärg under ring	slöjtyp	slöjfärg	antal ringar	ringtyp	sportrycksfärg	population	habitat
klass
Ätlig	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

Om du följer ordningen som presenteras i denna tabell för att skapa dina klasskategorietiketter, kan du bygga ett cirkeldiagram:

Cirkeldiagram!

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

Voila, ett cirkeldiagram som visar proportionerna av denna data enligt dessa två svampklasser. Det är ganska viktigt att få ordningen på etiketterna korrekt, särskilt här, så se till att verifiera ordningen med vilken etikettarrayen byggs!

Donutdiagram!

Ett något mer visuellt intressant cirkeldiagram är ett donutdiagram, som är ett cirkeldiagram med ett hål i mitten. Låt oss titta på vår data med denna metod.

Titta på de olika habitat där svampar växer:

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

Här grupperar du din data efter habitat. Det finns 7 listade, så använd dessa som etiketter för ditt donutdiagram:

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()

Denna kod ritar ett diagram och en cirkel i mitten, och lägger sedan till den cirkeln i diagrammet. Ändra bredden på cirkeln i mitten genom att ändra 0.40 till ett annat värde.

Donutdiagram kan justeras på flera sätt för att ändra etiketterna. Etiketterna kan särskilt framhävas för läsbarhet. Läs mer i dokumentationen.

Nu när du vet hur du grupperar din data och sedan visar den som ett cirkel- eller donutdiagram, kan du utforska andra typer av diagram. Prova ett våffeldiagram, som är ett annat sätt att utforska kvantitet.

Våffeldiagram!

Ett 'våffel'-typ diagram är ett annat sätt att visualisera kvantiteter som en 2D-array av fyrkanter. Prova att visualisera de olika kvantiteterna av svamphattfärger i denna dataset. För att göra detta behöver du installera ett hjälpbibliotek som heter PyWaffle och använda Matplotlib:

pip install pywaffle

Välj ett segment av din data att gruppera:

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

Skapa ett våffeldiagram genom att skapa etiketter och sedan gruppera din 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"],
)

Med ett våffeldiagram kan du tydligt se proportionerna av hattfärger i denna svampdataset. Intressant nog finns det många svampar med gröna hattar!

✅ PyWaffle stöder ikoner inom diagram som använder alla ikoner som finns tillgängliga i Font Awesome. Gör några experiment för att skapa ett ännu mer intressant våffeldiagram med ikoner istället för fyrkanter.

I denna lektion lärde du dig tre sätt att visualisera proportioner. Först behöver du gruppera din data i kategorier och sedan bestämma vilket som är det bästa sättet att visa datan - cirkel, donut eller våffel. Alla är läckra och ger användaren en omedelbar överblick av en dataset.

🚀 Utmaning

Försök att återskapa dessa smakfulla diagram i Charticulator.

Quiz efter föreläsningen

Granskning & Självstudier

Ibland är det inte uppenbart när man ska använda ett cirkel-, donut- eller våffeldiagram. Här är några artiklar att läsa om detta ämne:

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

Gör lite forskning för att hitta mer information om detta kluriga beslut.

Uppgift

Prova det i Excel

---

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör det noteras att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.