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

Vizualizuojame proporcijas

Vizualizuojame proporcijas - Sketchnote by @nitya

Šioje pamokoje naudosite kitą gamtos tematikos duomenų rinkinį, kad vizualizuotumėte proporcijas, pavyzdžiui, kiek skirtingų grybų rūšių yra tam tikrame duomenų rinkinyje apie grybus. Panagrinėkime šiuos įdomius grybus naudodami duomenų rinkinį iš Audubon, kuriame pateikiama informacija apie 23 rūšis grybų su lakšteliais iš Agaricus ir Lepiota šeimų. Eksperimentuosite su skaniais vizualizacijų tipais, tokiais kaip:

• Pyrago diagramos 🥧
• Spurgos diagramos 🍩
• Vaflių diagramos 🧇

💡 Labai įdomus projektas, vadinamas Charticulator iš 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 tvirtinimas	lakštelių tarpai	lakštelių dydis	lakštelių spalva	kotelio forma	kotelio šaknis	kotelio paviršius virš žiedo	kotelio paviršius po žiedu	kotelio spalva virš žiedo	kotelio spalva po žiedu	šydo tipas	šydo spalva	žiedų skaičius	žiedo tipas	sporų atspaudo spalva	populiacija	buveinė
Nuodingas	Išgaubta	Lygi	Ruda	Mėlynės	Aitrus	Laisvas	Tankus	Siauras	Juoda	Platėjantis	Lygi	Lygi	Lygi	Balta	Balta	Dalinis	Balta	Vienas	Pakabukas	Juoda	Išsibarstę	Miestas
Valgomas	Išgaubta	Lygi	Geltona	Mėlynės	Migdolų	Laisvas	Tankus	Platus	Juoda	Platėjantis	Klubas	Lygi	Lygi	Balta	Balta	Dalinis	Balta	Vienas	Pakabukas	Ruda	Daugybė	Žolės
Valgomas	Varpelis	Lygi	Balta	Mėlynės	Anyžinis	Laisvas	Tankus	Platus	Ruda	Platėjantis	Klubas	Lygi	Lygi	Balta	Balta	Dalinis	Balta	Vienas	Pakabukas	Ruda	Daugybė	Pievos
Nuodingas	Išgaubta	Žvynuota	Balta	Mėlynės	Aitrus	Laisvas	Tankus	Siauras	Ruda	Platėjantis	Lygi	Lygi	Lygi	Balta	Balta	Dalinis	Balta	Vienas	Pakabukas	Juoda	Išsibarstę	Miestas

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

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

Rezultatas:

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 grybų klasę:

	kepurėlės forma	kepurėlės paviršius	kepurėlės spalva	mėlynės	kvapas	lakštelių tvirtinimas	lakštelių tarpai	lakštelių dydis	lakštelių spalva	kotelio forma	...	kotelio paviršius po žiedu	kotelio spalva virš žiedo	kotelio spalva po žiedu	šydo tipas	šydo spalva	žiedų skaičius	žiedo tipas	sporų atspaudo 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, kad sukurtumėte klasės kategorijos etiketes, galėsite sukurti pyrago diagramą:

Pyragas!

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

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

Spurgos!

Šiek tiek vizualiai įdomesnė pyrago diagrama yra spurgos diagrama, tai yra pyrago diagrama su skylute 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.

Spurgos diagramas galima koreguoti įvairiais būdais, kad pakeistumėte etiketes. Etiketės ypač gali būti paryškintos, kad būtų lengviau jas perskaityti. Sužinokite daugiau dokumentacijoje.

Dabar, kai žinote, kaip grupuoti savo duomenis ir juos rodyti kaip pyrago ar spurgos diagramą, galite tyrinėti kitus diagramų tipus. Išbandykite vaflių diagramą, kuri yra tiesiog kitoks būdas tyrinėti kiekius.

Vafliai!

„Vaflio“ 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 duomenų segmentą grupavimui:

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

Sukurkite vaflio 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 vaflio diagramą, galite aiškiai matyti grybų kepurėlių spalvų proporcijas šiame duomenų rinkinyje. Įdomu tai, kad yra daug grybų su žaliomis kepurėlėmis!

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

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

🚀 Iššūkis

Pabandykite atkurti šias skanias diagramas Charticulator.

Po paskaitos - testas

Apžvalga ir savarankiškas mokymasis

Kartais nėra akivaizdu, kada naudoti pyrago, spurgos ar vaflio 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 sprendimą.

Užduotis

Pabandykite tai Excel

---

Atsakomybės apribojimas:
Šis dokumentas buvo išverstas naudojant AI vertimo paslaugą Co-op Translator. Nors siekiame tikslumo, prašome atkreipti dėmesį, kad automatiniai vertimai gali turėti klaidų ar netikslumų. Originalus dokumentas jo gimtąja kalba turėtų būti laikomas autoritetingu šaltiniu. Kritinei informacijai rekomenduojama naudoti profesionalų žmogaus vertimą. Mes neprisiimame atsakomybės už nesusipratimus ar klaidingus interpretavimus, atsiradusius dėl šio vertimo naudojimo.