14 KiB

Raw Permalink Blame History

Visualiser les proportions


Visualiser les proportions - Sketchnote par @nitya

Dans cette leçon, vous utiliserez un ensemble de données axé sur la nature pour visualiser les proportions, comme le nombre de types différents de champignons présents dans un ensemble de données sur les champignons. Explorons ces fascinants champignons à l'aide d'un ensemble de données provenant d'Audubon, qui répertorie des informations sur 23 espèces de champignons à lamelles des familles Agaricus et Lepiota. Vous expérimenterez des visualisations savoureuses telles que :

Les diagrammes circulaires 🥧
Les diagrammes en anneau 🍩
Les diagrammes en gaufre 🧇

💡 Un projet très intéressant appelé Charticulator de Microsoft Research propose une interface gratuite de glisser-déposer pour les visualisations de données. Dans l'un de leurs tutoriels, ils utilisent également cet ensemble de données sur les champignons ! Vous pouvez donc explorer les données et apprendre à utiliser la bibliothèque en même temps : Tutoriel Charticulator.

Quiz avant la leçon

Apprenez à connaître vos champignons 🍄

Les champignons sont très intéressants. Importons un ensemble de données pour les étudier :

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

Un tableau est affiché avec des données intéressantes pour l'analyse :

classe	forme du chapeau	surface du chapeau	couleur du chapeau	meurtri	odeur	attachement des lamelles	espacement des lamelles	taille des lamelles	couleur des lamelles	forme de la tige	racine de la tige	surface de la tige au-dessus de l'anneau	surface de la tige en dessous de l'anneau	couleur de la tige au-dessus de l'anneau	couleur de la tige en dessous de l'anneau	type de voile	couleur du voile	nombre d'anneaux	type d'anneau	couleur des spores	population	habitat
Toxique	Convexe	Lisse	Marron	Meurtri	Piquant	Libre	Serré	Étroit	Noir	Élargie	Égale	Lisse	Lisse	Blanc	Blanc	Partiel	Blanc	Un	Pendant	Noir	Dispersé	Urbain
Comestible	Convexe	Lisse	Jaune	Meurtri	Amande	Libre	Serré	Large	Noir	Élargie	Club	Lisse	Lisse	Blanc	Blanc	Partiel	Blanc	Un	Pendant	Marron	Nombreux	Herbes
Comestible	Cloché	Lisse	Blanc	Meurtri	Anis	Libre	Serré	Large	Marron	Élargie	Club	Lisse	Lisse	Blanc	Blanc	Partiel	Blanc	Un	Pendant	Marron	Nombreux	Prairies
Toxique	Convexe	Écailleux	Blanc	Meurtri	Piquant	Libre	Serré	Étroit	Marron	Élargie	Égale	Lisse	Lisse	Blanc	Blanc	Partiel	Blanc	Un	Pendant	Noir	Dispersé	Urbain

Vous remarquez immédiatement que toutes les données sont textuelles. Vous devrez convertir ces données pour pouvoir les utiliser dans un graphique. La plupart des données, en fait, sont représentées comme un objet :

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

Le résultat est :

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')

Prenez ces données et convertissez la colonne 'classe' en catégorie :

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

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

Maintenant, si vous affichez les données des champignons, vous pouvez voir qu'elles ont été regroupées en catégories selon la classe toxique/comestible :

	forme du chapeau	surface du chapeau	couleur du chapeau	meurtri	odeur	attachement des lamelles	espacement des lamelles	taille des lamelles	couleur des lamelles	forme de la tige	...	surface de la tige en dessous de l'anneau	couleur de la tige au-dessus de l'anneau	couleur de la tige en dessous de l'anneau	type de voile	couleur du voile	nombre d'anneaux	type d'anneau	couleur des spores	population	habitat
classe
Comestible	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208	...	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208
Toxique	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916	...	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916

Si vous suivez l'ordre présenté dans ce tableau pour créer vos étiquettes de catégorie de classe, vous pouvez construire un diagramme circulaire :

Diagramme circulaire !

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

Voilà, un diagramme circulaire montrant les proportions de ces données selon ces deux classes de champignons. Il est très important de respecter l'ordre des étiquettes, surtout ici, alors assurez-vous de vérifier l'ordre avec lequel le tableau des étiquettes est construit !

Diagrammes en anneau !

Un diagramme circulaire un peu plus visuellement intéressant est un diagramme en anneau, qui est un diagramme circulaire avec un trou au centre. Regardons nos données en utilisant cette méthode.

Examinez les différents habitats où poussent les champignons :

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

Ici, vous regroupez vos données par habitat. Il y en a 7 répertoriés, alors utilisez-les comme étiquettes pour votre diagramme en anneau :

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()

Ce code dessine un graphique et un cercle central, puis ajoute ce cercle central au graphique. Modifiez la largeur du cercle central en changeant 0.40 pour une autre valeur.

Les diagrammes en anneau peuvent être ajustés de plusieurs façons pour modifier les étiquettes. Les étiquettes en particulier peuvent être mises en évidence pour améliorer la lisibilité. En savoir plus dans les docs.

Maintenant que vous savez comment regrouper vos données et les afficher sous forme de diagramme circulaire ou en anneau, vous pouvez explorer d'autres types de graphiques. Essayez un diagramme en gaufre, qui est simplement une autre façon d'explorer les quantités.

Diagrammes en gaufre !

Un diagramme de type 'gaufre' est une manière différente de visualiser les quantités sous forme de tableau 2D de carrés. Essayez de visualiser les différentes quantités de couleurs de chapeau de champignon dans cet ensemble de données. Pour ce faire, vous devez installer une bibliothèque d'assistance appelée PyWaffle et utiliser Matplotlib :

pip install pywaffle

Sélectionnez un segment de vos données à regrouper :

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

Créez un diagramme en gaufre en créant des étiquettes, puis en regroupant vos données :

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"],
)

Avec un diagramme en gaufre, vous pouvez clairement voir les proportions des couleurs de chapeau dans cet ensemble de données sur les champignons. Fait intéressant, il y a de nombreux champignons à chapeau vert !

✅ Pywaffle prend en charge les icônes dans les graphiques qui utilisent n'importe quelle icône disponible dans Font Awesome. Faites des expériences pour créer un diagramme en gaufre encore plus intéressant en utilisant des icônes au lieu de carrés.

Dans cette leçon, vous avez appris trois façons de visualiser les proportions. Tout d'abord, vous devez regrouper vos données en catégories, puis décider de la meilleure façon de les afficher - circulaire, en anneau ou en gaufre. Tous sont délicieux et offrent à l'utilisateur un aperçu instantané d'un ensemble de données.

🚀 Défi

Essayez de recréer ces graphiques savoureux dans Charticulator.

Quiz après la leçon

Révision et auto-apprentissage

Parfois, il n'est pas évident de savoir quand utiliser un diagramme circulaire, en anneau ou en gaufre. Voici quelques articles à lire sur ce sujet :

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

Faites des recherches pour trouver plus d'informations sur cette décision délicate.

Devoir

Essayez-le dans Excel

Avertissement :
Ce document a été traduit à l'aide du service de traduction automatique Co-op Translator. Bien que nous nous efforcions d'assurer l'exactitude, veuillez noter que les traductions automatisées peuvent contenir des erreurs ou des inexactitudes. Le document original dans sa langue d'origine doit être considéré comme la source faisant autorité. Pour des informations critiques, il est recommandé de recourir à une traduction professionnelle réalisée par un humain. Nous déclinons toute responsabilité en cas de malentendus ou d'interprétations erronées résultant de l'utilisation de cette traduction.

14 KiB Raw Permalink Blame History