16 KiB

Raw Permalink Blame History Unescape Escape

Визуализация пропорций


Визуализация пропорций - Скетчноут от @nitya

В этом уроке вы будете использовать другой набор данных, связанный с природой, чтобы визуализировать пропорции, например, сколько различных видов грибов содержится в данном наборе данных о грибах. Давайте исследуем эти удивительные грибы, используя данные, полученные из Audubon, которые содержат информацию о 23 видах пластинчатых грибов из семейств Agaricus и Lepiota. Вы попробуете создать вкусные визуализации, такие как:

Круговые диаграммы 🥧
Кольцевые диаграммы 🍩
Вафельные диаграммы 🧇

💡 Очень интересный проект Charticulator от Microsoft Research предлагает бесплатный интерфейс для визуализации данных с помощью перетаскивания. В одном из их уроков также используется этот набор данных о грибах! Вы можете изучить данные и освоить библиотеку одновременно: Урок Charticulator.

Тест перед лекцией

Узнайте больше о грибах 🍄

Грибы — это очень интересный объект для изучения. Давайте импортируем набор данных, чтобы изучить их:

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

Выводится таблица с отличными данными для анализа:

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
Ядовитый	Выпуклая	Гладкая	Коричневая	Синяки	Резкий	Свободное	Плотное	Узкий	Черный	Утолщённая	Равная	Гладкая	Гладкая	Белая	Белая	Частичная	Белая	Один	Висячий	Черный	Разбросанная	Городская
Съедобный	Выпуклая	Гладкая	Жёлтая	Синяки	Миндаль	Свободное	Плотное	Широкий	Черный	Утолщённая	Клубень	Гладкая	Гладкая	Белая	Белая	Частичная	Белая	Один	Висячий	Коричневый	Многочисленная	Травянистая
Съедобный	Колокольчик	Гладкая	Белая	Синяки	Анис	Свободное	Плотное	Широкий	Коричневый	Утолщённая	Клубень	Гладкая	Гладкая	Белая	Белая	Частичная	Белая	Один	Висячий	Коричневый	Многочисленная	Луга
Ядовитый	Выпуклая	Чешуйчатая	Белая	Синяки	Резкий	Свободное	Плотное	Узкий	Коричневый	Утолщённая	Равная	Гладкая	Гладкая	Белая	Белая	Частичная	Белая	Один	Висячий	Черный	Разбросанная	Городская

Сразу видно, что все данные представлены в текстовом формате. Чтобы использовать их в диаграмме, необходимо преобразовать данные. Большая часть данных представлена в виде объектов:

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

Результат:

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')

Возьмите эти данные и преобразуйте столбец 'class' в категорию:

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

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

Теперь, если вы выведете данные о грибах, вы увидите, что они сгруппированы по категориям в зависимости от класса (ядовитые/съедобные):

	cap-shape	cap-surface	cap-color	bruises	odor	gill-attachment	gill-spacing	gill-size	gill-color	stalk-shape	...	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
class
Съедобный	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208	...	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208
Ядовитый	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916	...	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916

Если вы следуете порядку, представленному в этой таблице, чтобы создать метки категорий класса, вы можете построить круговую диаграмму:

Круг!

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

Вуаля, круговая диаграмма, показывающая пропорции данных в соответствии с этими двумя классами грибов. Очень важно правильно указать порядок меток, особенно здесь, поэтому обязательно проверьте порядок, в котором создается массив меток!

Кольца!

Более интересной версией круговой диаграммы является кольцевая диаграмма, которая представляет собой круговую диаграмму с отверстием в центре. Давайте посмотрим на наши данные с помощью этого метода.

Посмотрите на различные места обитания грибов:

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

Здесь вы группируете данные по месту обитания. Их всего 7, поэтому используйте их в качестве меток для кольцевой диаграммы:

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()

Этот код рисует диаграмму и центральный круг, а затем добавляет этот круг в диаграмму. Измените ширину центрального круга, изменив 0.40 на другое значение.

Кольцевые диаграммы можно настраивать различными способами, чтобы изменить метки. Метки, в частности, можно выделить для улучшения читаемости. Подробнее читайте в документации.

Теперь, когда вы знаете, как группировать данные и отображать их в виде круговой или кольцевой диаграммы, вы можете попробовать другие типы диаграмм. Попробуйте вафельную диаграмму, которая представляет собой другой способ визуализации количества.

Вафли!

Диаграмма типа "вафля" — это другой способ визуализации количеств в виде двумерного массива квадратов. Попробуйте визуализировать различные количества цветов шляпок грибов в этом наборе данных. Для этого вам нужно установить вспомогательную библиотеку PyWaffle и использовать Matplotlib:

pip install pywaffle

Выберите сегмент данных для группировки:

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

Создайте вафельную диаграмму, создав метки и затем сгруппировав данные:

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"],
)

Используя вафельную диаграмму, вы можете наглядно увидеть пропорции цветов шляпок грибов в этом наборе данных. Интересно, что есть много грибов с зелёными шляпками!

✅ Pywaffle поддерживает использование иконок в диаграммах, которые могут быть любыми иконками из Font Awesome. Проведите эксперименты, чтобы создать ещё более интересную вафельную диаграмму, используя иконки вместо квадратов.

В этом уроке вы изучили три способа визуализации пропорций. Сначала нужно сгруппировать данные по категориям, а затем решить, какой способ отображения данных — круг, кольцо или вафля — подходит лучше всего. Все они "вкусные" и дают пользователю мгновенное представление о наборе данных.

🚀 Задание

Попробуйте воссоздать эти "вкусные" диаграммы в Charticulator.

Тест после лекции

Обзор и самостоятельное изучение

Иногда не очевидно, когда использовать круговую, кольцевую или вафельную диаграмму. Вот несколько статей для изучения этой темы:

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

Проведите исследование, чтобы найти больше информации об этом сложном выборе.

Задание

Попробуйте в Excel

Отказ от ответственности:
Этот документ был переведен с помощью сервиса автоматического перевода Co-op Translator. Хотя мы стремимся к точности, пожалуйста, имейте в виду, что автоматические переводы могут содержать ошибки или неточности. Оригинальный документ на его исходном языке следует считать авторитетным источником. Для получения критически важной информации рекомендуется профессиональный перевод человеком. Мы не несем ответственности за любые недоразумения или неправильные толкования, возникшие в результате использования данного перевода.

16 KiB Raw Permalink Blame History Unescape Escape