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

Kuonyesha Usambazaji wa Takwimu

Kuonyesha Usambazaji wa Takwimu - Sketchnote na @nitya

Katika somo lililopita, ulijifunza mambo ya kuvutia kuhusu seti ya data ya ndege wa Minnesota. Ulipata data yenye makosa kwa kuonyesha vipimo vya nje na ukaangalia tofauti kati ya makundi ya ndege kulingana na urefu wao wa juu zaidi.

Jaribio la kabla ya somo

Chunguza seti ya data ya ndege

Njia nyingine ya kuchunguza data ni kwa kuangalia usambazaji wake, yaani jinsi data imepangwa kwenye mhimili. Kwa mfano, labda ungependa kujifunza kuhusu usambazaji wa jumla wa urefu wa mabawa au uzito wa juu wa mwili wa ndege wa Minnesota katika seti hii ya data.

Hebu tugundue baadhi ya ukweli kuhusu usambazaji wa data katika seti hii ya data. Katika faili la notebook.ipynb lililoko kwenye mzizi wa folda ya somo hili, leta Pandas, Matplotlib, na data yako:

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

	Jina	Jina la Kisayansi	Jamii	Oda	Familia	Jinsia	Hali ya Uhifadhi	UrefuMdogo	UrefuMkuu	UzitoMdogo	UzitoMkuu	MabawaMdogo	MabawaMkuu
0	Bata wa Black-bellied	Dendrocygna autumnalis	Mabata/Maji	Anseriformes	Anatidae	Dendrocygna	LC	47	56	652	1020	76	94
1	Bata wa Fulvous	Dendrocygna bicolor	Mabata/Maji	Anseriformes	Anatidae	Dendrocygna	LC	45	53	712	1050	85	93
2	Goose wa Snow	Anser caerulescens	Mabata/Maji	Anseriformes	Anatidae	Anser	LC	64	79	2050	4050	135	165
3	Goose wa Ross	Anser rossii	Mabata/Maji	Anseriformes	Anatidae	Anser	LC	57.3	64	1066	1567	113	116
4	Goose wa Greater white-fronted	Anser albifrons	Mabata/Maji	Anseriformes	Anatidae	Anser	LC	64	81	1930	3310	130	165

Kwa ujumla, unaweza kuangalia haraka jinsi data inavyosambazwa kwa kutumia mchoro wa alama kama tulivyofanya katika somo lililopita:

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()

Hii inatoa muhtasari wa usambazaji wa jumla wa urefu wa mwili kwa kila Oda ya ndege, lakini si njia bora ya kuonyesha usambazaji wa kweli. Kazi hii kwa kawaida hufanywa kwa kuunda Histogramu.

Kufanya kazi na histogramu

Matplotlib inatoa njia nzuri sana za kuonyesha usambazaji wa data kwa kutumia Histogramu. Aina hii ya mchoro ni kama mchoro wa nguzo ambapo usambazaji unaweza kuonekana kupitia kupanda na kushuka kwa nguzo. Ili kujenga histogramu, unahitaji data ya namba. Ili kujenga Histogramu, unaweza kuchora mchoro kwa kufafanua aina kama 'hist' kwa Histogramu. Mchoro huu unaonyesha usambazaji wa MaxBodyMass kwa safu nzima ya data ya namba katika seti hii ya data. Kwa kugawanya safu ya data iliyotolewa katika vikundi vidogo, inaweza kuonyesha usambazaji wa thamani za data:

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

Kama unavyoona, ndege wengi zaidi ya 400 katika seti hii ya data wanaangukia katika safu ya chini ya 2000 kwa Max Body Mass yao. Pata ufahamu zaidi wa data kwa kubadilisha kipengele cha bins kuwa namba kubwa zaidi, kama 30:

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

Mchoro huu unaonyesha usambazaji kwa undani zaidi. Mchoro usioegemea sana upande wa kushoto unaweza kuundwa kwa kuhakikisha kuwa unachagua tu data ndani ya safu fulani:

Chuja data yako ili kupata ndege wale tu ambao uzito wa mwili wao ni chini ya 60, na onyesha bins 40:

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

✅ Jaribu vichujio vingine na vipengele vya data. Ili kuona usambazaji kamili wa data, ondoa kichujio cha ['MaxBodyMass'] ili kuonyesha usambazaji ulio na lebo.

Histogramu inatoa rangi nzuri na maboresho ya kuweka lebo pia:

Unda histogramu ya 2D ili kulinganisha uhusiano kati ya usambazaji mbili. Hebu linganisha MaxBodyMass dhidi ya MaxLength. Matplotlib inatoa njia iliyojengwa ndani ya kuonyesha mwelekeo kwa kutumia rangi angavu zaidi:

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

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

Inaonekana kuna uhusiano wa kawaida kati ya vipengele hivi viwili kando ya mhimili unaotarajiwa, na sehemu moja yenye nguvu ya mwelekeo:

Histogramu hufanya kazi vizuri kwa chaguo-msingi kwa data ya namba. Je, unahitaji kuona usambazaji kulingana na data ya maandishi?

Chunguza seti ya data kwa usambazaji kwa kutumia data ya maandishi

Seti hii ya data pia inajumuisha taarifa nzuri kuhusu jamii ya ndege na jinsia, spishi, na familia yake pamoja na hali yake ya uhifadhi. Hebu tuchunguze taarifa hii ya uhifadhi. Je, usambazaji wa ndege kulingana na hali yao ya uhifadhi ukoje?

✅ Katika seti ya data, vifupisho kadhaa vinatumika kuelezea hali ya uhifadhi. Vifupisho hivi vinatoka kwa IUCN Red List Categories, shirika linaloorodhesha hali ya spishi.

• CR: Hatari Sana
• EN: Hatari
• EX: Imetoweka
• LC: Wasiwasi Mdogo
• NT: Karibu na Hatari
• VU: Hatarini

Hizi ni thamani za maandishi kwa hivyo utahitaji kufanya mabadiliko ili kuunda histogramu. Ukichukua dataframe ya filteredBirds, onyesha hali yake ya uhifadhi pamoja na MabawaMdogo. Unaona nini?

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();

Haionekani kuwa na uhusiano mzuri kati ya mabawa madogo na hali ya uhifadhi. Jaribu vipengele vingine vya seti ya data kwa kutumia njia hii. Unaweza pia kujaribu vichujio tofauti. Je, unapata uhusiano wowote?

Mchoro wa Msongamano

Huenda umeona kuwa histogramu tulizozitazama hadi sasa ni za 'vipande' na hazipiti kwa urahisi katika mduara. Ili kuonyesha mchoro wa msongamano ulio laini zaidi, unaweza kujaribu mchoro wa msongamano.

Ili kufanya kazi na michoro ya msongamano, jifunze kuhusu maktaba mpya ya kuchora, Seaborn.

Ukileta Seaborn, jaribu mchoro wa msingi wa msongamano:

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

Unaweza kuona jinsi mchoro unavyofanana na ule wa awali wa data ya MabawaMdogo; ni laini zaidi tu. Kulingana na nyaraka za Seaborn, "Ikilinganishwa na histogramu, KDE inaweza kutoa mchoro ambao si wa msongamano na unaoeleweka zaidi, hasa unapochora usambazaji mwingi. Lakini ina uwezo wa kuleta upotoshaji ikiwa usambazaji wa msingi umefungwa au si laini. Kama histogramu, ubora wa uwakilishi pia hutegemea uteuzi wa vigezo vya kusawazisha vizuri." chanzo Kwa maneno mengine, vipimo vya nje kama kawaida vitafanya michoro yako iwe na tabia mbaya.

Ikiwa ungependa kurejelea mstari wa MaxBodyMass ulio na vipande katika mchoro wa pili ulioujenga, ungeweza kuusawazisha vizuri kwa kuunda upya kwa kutumia njia hii:

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

Ikiwa ungependa mstari ulio laini, lakini si laini sana, hariri kipengele cha bw_adjust:

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

✅ Soma kuhusu vigezo vinavyopatikana kwa aina hii ya mchoro na ujaribu!

Aina hii ya mchoro inatoa maelezo mazuri ya kuelezea. Kwa mistari michache ya msimbo, kwa mfano, unaweza kuonyesha msongamano wa Max Body Mass kwa kila Oda ya ndege:

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

Unaweza pia kuonyesha msongamano wa vipengele kadhaa katika mchoro mmoja. Linganisha MaxLength na MinLength ya ndege kulingana na hali yao ya uhifadhi:

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

Labda inafaa kufanya utafiti ikiwa mkusanyiko wa ndege 'Hatarini' kulingana na urefu wao una maana au la.

🚀 Changamoto

Histogramu ni aina ya mchoro wa hali ya juu zaidi kuliko michoro ya alama, michoro ya nguzo, au michoro ya mistari ya msingi. Tafuta mifano mizuri ya matumizi ya histogramu kwenye mtandao. Zinatumika vipi, zinaonyesha nini, na zinatumiwa katika nyanja au maeneo gani ya uchunguzi?

Jaribio la baada ya somo

Mapitio na Kujisomea

Katika somo hili, ulitumia Matplotlib na kuanza kufanya kazi na Seaborn kuonyesha michoro ya hali ya juu zaidi. Fanya utafiti kuhusu kdeplot katika Seaborn, "mchoro wa msongamano wa uwezekano unaoendelea katika mwelekeo mmoja au zaidi". Soma nyaraka ili kuelewa jinsi inavyofanya kazi.

Kazi

Tumia ujuzi wako

---

Kanusho:
Hati hii imetafsiriwa kwa kutumia huduma ya kutafsiri ya AI Co-op Translator. Ingawa tunajitahidi kuhakikisha usahihi, tafadhali fahamu kuwa tafsiri za kiotomatiki zinaweza kuwa na makosa au kutokuwa sahihi. Hati ya asili katika lugha yake ya awali inapaswa kuzingatiwa kama chanzo cha mamlaka. Kwa taarifa muhimu, tafsiri ya kitaalamu ya binadamu inapendekezwa. Hatutawajibika kwa kutoelewana au tafsiri zisizo sahihi zinazotokana na matumizi ya tafsiri hii.