12 KiB

Raw Permalink Blame History

Visualisierung von Proportionen


Visualisierung von Proportionen - Sketchnote von @nitya

In dieser Lektion wirst du ein naturbezogenes Datenset verwenden, um Proportionen zu visualisieren, wie z. B. die Anzahl der verschiedenen Pilzarten in einem Datenset über Pilze. Lass uns diese faszinierenden Pilze anhand eines Datensets 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! Du kannst also 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 dem Ring	Stieloberfläche unter dem Ring	Stielfarbe über dem Ring	Stielfarbe unter dem Ring	Schleiertyp	Schleierfarbe	Ringanzahl	Ringtyp	Sporenabdruckfarbe	Population	Lebensraum
Giftig	Konvex	Glatt	Braun	Druckstellen	Stechend	Frei	Eng	Schmal	Schwarz	Vergrößernd	Gleich	Glatt	Glatt	Weiß	Weiß	Teilweise	Weiß	Eins	Hängend	Schwarz	Vereinzelte	Urban
Essbar	Konvex	Glatt	Gelb	Druckstellen	Mandel	Frei	Eng	Breit	Schwarz	Vergrößernd	Keulenförmig	Glatt	Glatt	Weiß	Weiß	Teilweise	Weiß	Eins	Hängend	Braun	Zahlreich	Gräser
Essbar	Glockenförmig	Glatt	Weiß	Druckstellen	Anis	Frei	Eng	Breit	Braun	Vergrößernd	Keulenförmig	Glatt	Glatt	Weiß	Weiß	Teilweise	Weiß	Eins	Hängend	Braun	Zahlreich	Wiesen
Giftig	Konvex	Schuppig	Weiß	Druckstellen	Stechend	Frei	Eng	Schmal	Braun	Vergrößernd	Gleich	Glatt	Glatt	Weiß	Weiß	Teilweise	Weiß	Eins	Hängend	Schwarz	Vereinzelte	Urban

Sofort fällt auf, dass alle Daten textuell sind. Du musst diese Daten konvertieren, um sie in einem Diagramm verwenden zu können. Tatsächlich sind die meisten Daten als Objekt 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')

Konvertiere die Spalte 'Klasse' 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 Kategorien gemäß der giftigen/essbaren Klasse gruppiert wurden:

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

Torte!

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

Voila, ein Tortendiagramm, das die Proportionen dieser Daten gemäß den beiden Pilzklassen zeigt. Es ist sehr wichtig, die Reihenfolge der Labels korrekt zu halten, insbesondere hier, also überprüfe unbedingt die Reihenfolge, in der das Label-Array erstellt wird!

Donuts!

Ein optisch etwas interessanteres Tortendiagramm ist ein Donut-Diagramm, ein Tortendiagramm mit einem Loch in der Mitte. Lass uns unsere Daten mit dieser Methode 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 Kreis in der Mitte und fügt diesen Kreis dann dem Diagramm hinzu. Bearbeite die Breite des Kreises, indem du 0.40 auf einen anderen Wert änderst.

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

Jetzt, da du weißt, wie du deine Daten gruppierst und als Torte oder Donut darstellst, kannst du andere Diagrammtypen erkunden. Probiere ein Waffeldiagramm aus, 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. Dazu 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 deutlich die Proportionen der Hutfarben in diesem Pilz-Datenset sehen. Interessanterweise gibt es viele grünhütige Pilze!

✅ PyWaffle unterstützt Icons innerhalb der Diagramme, die jedes Icon verwenden können, das in Font Awesome verfügbar ist. Experimentiere, um ein noch interessanteres Waffeldiagramm mit Icons 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 Benutzer einen sofortigen Überblick über ein Datenset.

🚀 Herausforderung

Versuche, diese schmackhaften Diagramme in Charticulator nachzubilden.

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 weitere Informationen zu dieser schwierigen 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, weisen wir darauf hin, 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