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

Vizualizácia proporcií

Vizualizácia proporcií - Sketchnote od @nitya

V tejto lekcii použijete dataset zameraný na prírodu na vizualizáciu proporcií, napríklad koľko rôznych druhov húb sa nachádza v danom datasete o hubách. Preskúmajme tieto fascinujúce huby pomocou datasetu od Audubon, ktorý obsahuje podrobnosti o 23 druhoch húb s lupeňmi z rodov Agaricus a Lepiota. Budete experimentovať s chutnými vizualizáciami, ako sú:

• Koláčové grafy 🥧
• Donutové grafy 🍩
• Waflové grafy 🧇

💡 Veľmi zaujímavý projekt s názvom Charticulator od Microsoft Research ponúka bezplatné rozhranie na vizualizáciu dát pomocou drag and drop. V jednom z ich tutoriálov používajú aj tento dataset o hubách! Takže môžete preskúmať dáta a zároveň sa naučiť pracovať s knižnicou: Charticulator tutoriál.

Kvíz pred prednáškou

Spoznajte svoje huby 🍄

Huby sú veľmi zaujímavé. Importujme dataset na ich štúdium:

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

Vytlačí sa tabuľka s výbornými dátami na analýzu:

trieda	tvar klobúka	povrch klobúka	farba klobúka	modriny	vôňa	pripojenie lupeňov	rozostup lupeňov	veľkosť lupeňov	farba lupeňov	tvar stonky	koreň stonky	povrch stonky nad prsteňom	povrch stonky pod prsteňom	farba stonky nad prsteňom	farba stonky pod prsteňom	typ závoja	farba závoja	počet prsteňov	typ prsteňa	farba výtrusov	populácia	biotop
Jedovaté	Konvexné	Hladké	Hnedé	Modriny	Štipľavá	Voľné	Tesné	Úzke	Čierne	Rozširujúce	Rovné	Hladké	Hladké	Biele	Biele	Čiastočné	Biele	Jeden	Závesné	Čierne	Roztrúsené	Mestské
Jedlé	Konvexné	Hladké	Žlté	Modriny	Mandľová	Voľné	Tesné	Široké	Čierne	Rozširujúce	Kyjakovité	Hladké	Hladké	Biele	Biele	Čiastočné	Biele	Jeden	Závesné	Hnedé	Početné	Trávnaté
Jedlé	Zvoncovité	Hladké	Biele	Modriny	Anízová	Voľné	Tesné	Široké	Hnedé	Rozširujúce	Kyjakovité	Hladké	Hladké	Biele	Biele	Čiastočné	Biele	Jeden	Závesné	Hnedé	Početné	Lúky
Jedovaté	Konvexné	Šupinaté	Biele	Modriny	Štipľavá	Voľné	Tesné	Úzke	Hnedé	Rozširujúce	Rovné	Hladké	Hladké	Biele	Biele	Čiastočné	Biele	Jeden	Závesné	Čierne	Roztrúsené	Mestské

Hneď si všimnete, že všetky dáta sú textové. Budete musieť tieto dáta konvertovať, aby ste ich mohli použiť v grafe. Väčšina dát je reprezentovaná ako objekt:

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

Výstup je:

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')

Vezmite tieto dáta a konvertujte stĺpec 'trieda' na kategóriu:

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

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

Teraz, keď vytlačíte dáta o hubách, môžete vidieť, že boli rozdelené do kategórií podľa triedy jedovaté/jedlé:

	tvar klobúka	povrch klobúka	farba klobúka	modriny	vôňa	pripojenie lupeňov	rozostup lupeňov	veľkosť lupeňov	farba lupeňov	tvar stonky	...	povrch stonky pod prsteňom	farba stonky nad prsteňom	farba stonky pod prsteňom	typ závoja	farba závoja	počet prsteňov	typ prsteňa	farba výtrusov	populácia	biotop
trieda
Jedlé	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208	...	4208	4208	4208	4208	4208	4208	4208	4208	4208	4208
Jedovaté	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916	...	3916	3916	3916	3916	3916	3916	3916	3916	3916	3916

Ak budete postupovať podľa poradia uvedeného v tejto tabuľke na vytvorenie kategórií triedy, môžete vytvoriť koláčový graf:

Koláč!

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

Voila, koláčový graf zobrazujúci proporcie týchto dát podľa dvoch tried húb. Je veľmi dôležité správne nastaviť poradie štítkov, najmä tu, takže si overte poradie, v akom je pole štítkov vytvorené!

Donuty!

Trochu vizuálne zaujímavejší koláčový graf je donutový graf, čo je koláčový graf s dierou uprostred. Pozrime sa na naše dáta pomocou tejto metódy.

Pozrite sa na rôzne biotopy, kde rastú huby:

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

Tu zoskupujete svoje dáta podľa biotopu. Je ich uvedených 7, takže ich použite ako štítky pre váš donutový graf:

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()

Tento kód nakreslí graf a stredový kruh, potom pridá tento stredový kruh do grafu. Upraviť šírku stredového kruhu môžete zmenou hodnoty 0.40 na inú hodnotu.

Donutové grafy je možné upraviť rôznymi spôsobmi, aby sa zmenili štítky. Štítky môžu byť zvýraznené pre lepšiu čitateľnosť. Viac sa dozviete v dokumentácii.

Teraz, keď viete, ako zoskupiť svoje dáta a potom ich zobraziť ako koláč alebo donut, môžete preskúmať iné typy grafov. Skúste waflový graf, ktorý je len iným spôsobom skúmania množstva.

Wafle!

Waflový graf je iný spôsob vizualizácie množstiev ako 2D pole štvorcov. Skúste vizualizovať rôzne množstvá farieb klobúkov húb v tomto datasete. Na to potrebujete nainštalovať pomocnú knižnicu s názvom PyWaffle a použiť Matplotlib:

pip install pywaffle

Vyberte segment svojich dát na zoskupenie:

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

Vytvorte waflový graf vytvorením štítkov a následným zoskupením svojich dát:

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"],
)

Pomocou waflového grafu môžete jasne vidieť proporcie farieb klobúkov v tomto datasete húb. Zaujímavé je, že existuje veľa húb so zelenými klobúkmi!

✅ PyWaffle podporuje ikony v grafoch, ktoré používajú akúkoľvek ikonu dostupnú v Font Awesome. Urobte experimenty na vytvorenie ešte zaujímavejšieho waflového grafu pomocou ikon namiesto štvorcov.

V tejto lekcii ste sa naučili tri spôsoby vizualizácie proporcií. Najprv musíte zoskupiť svoje dáta do kategórií a potom rozhodnúť, ktorý spôsob zobrazenia dát je najlepší - koláč, donut alebo wafle. Všetky sú chutné a poskytujú používateľovi okamžitý prehľad o datasete.

🚀 Výzva

Skúste znovu vytvoriť tieto chutné grafy v Charticulator.

Kvíz po prednáške

Prehľad a samostatné štúdium

Niekedy nie je zrejmé, kedy použiť koláčový, donutový alebo waflový graf. Tu sú niektoré články na túto tému:

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

Urobte si výskum, aby ste našli viac informácií o tomto náročnom rozhodnutí.

Zadanie

Skúste to v Exceli

---

Upozornenie:
Tento dokument bol preložený pomocou služby AI prekladu Co-op Translator. Aj keď sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.