Data-Science-For-Beginners/translations/sv/3-Data-Visualization/10-visualization-distributions

Visualisera distributioner

Visualisera distributioner - Sketchnote av @nitya

I den föregående lektionen lärde du dig några intressanta fakta om en dataset om fåglar i Minnesota. Du hittade felaktiga data genom att visualisera avvikare och tittade på skillnaderna mellan fågelkategorier baserat på deras maximala längd.

Quiz före föreläsningen

Utforska datasetet om fåglar

Ett annat sätt att gräva i data är att titta på dess distribution, eller hur data är organiserad längs en axel. Kanske vill du till exempel lära dig om den generella distributionen, för detta dataset, av den maximala vingbredden eller den maximala kroppsmassan för fåglarna i Minnesota.

Låt oss upptäcka några fakta om distributionerna av data i detta dataset. I filen notebook.ipynb i roten av denna lektionsmapp, importera Pandas, Matplotlib och dina data:

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

	Namn	VetenskapligtNamn	Kategori	Ordning	Familj	Släkte	Bevarandestatus	MinLängd	MaxLängd	MinKroppsmassa	MaxKroppsmassa	MinVingbredd	MaxVingbredd
0	Svartbukig visselande anka	Dendrocygna autumnalis	Ankor/Gäss/Vattenfåglar	Anseriformes	Anatidae	Dendrocygna	LC	47	56	652	1020	76	94
1	Färgad visselande anka	Dendrocygna bicolor	Ankor/Gäss/Vattenfåglar	Anseriformes	Anatidae	Dendrocygna	LC	45	53	712	1050	85	93
2	Snögås	Anser caerulescens	Ankor/Gäss/Vattenfåglar	Anseriformes	Anatidae	Anser	LC	64	79	2050	4050	135	165
3	Ross' gås	Anser rossii	Ankor/Gäss/Vattenfåglar	Anseriformes	Anatidae	Anser	LC	57.3	64	1066	1567	113	116
4	Större vitkindad gås	Anser albifrons	Ankor/Gäss/Vattenfåglar	Anseriformes	Anatidae	Anser	LC	64	81	1930	3310	130	165

Generellt kan du snabbt titta på hur data är distribuerad genom att använda ett spridningsdiagram, som vi gjorde i den föregående lektionen:

birds.plot(kind='scatter',x='MaxLength',y='Order',figsize=(12,8))

plt.title('Max Length per Order')
plt.ylabel('Order')
plt.xlabel('Max Length')

plt.show()

Detta ger en översikt över den generella distributionen av kroppslängd per fågelordning, men det är inte det optimala sättet att visa verkliga distributioner. Den uppgiften hanteras vanligtvis genom att skapa ett histogram.

Arbeta med histogram

Matplotlib erbjuder mycket bra sätt att visualisera datadistribution med hjälp av histogram. Denna typ av diagram liknar ett stapeldiagram där distributionen kan ses via en uppgång och nedgång av staplarna. För att bygga ett histogram behöver du numeriska data. För att skapa ett histogram kan du plotta ett diagram och definiera typen som 'hist' för histogram. Detta diagram visar distributionen av MaxKroppsmassa för hela datasetets numeriska data. Genom att dela upp datamängden i mindre fack kan det visa distributionen av datavärden:

birds['MaxBodyMass'].plot(kind = 'hist', bins = 10, figsize = (12,12))
plt.show()

Som du kan se, faller de flesta av de 400+ fåglarna i detta dataset inom intervallet under 2000 för deras Max Kroppsmassa. Få mer insikt i data genom att ändra bins-parametern till ett högre nummer, något som 30:

birds['MaxBodyMass'].plot(kind = 'hist', bins = 30, figsize = (12,12))
plt.show()

Detta diagram visar distributionen på ett lite mer detaljerat sätt. Ett diagram som är mindre snedvridet åt vänster kan skapas genom att säkerställa att du endast väljer data inom ett givet intervall:

Filtrera dina data för att få endast de fåglar vars kroppsmassa är under 60, och visa 40 bins:

filteredBirds = birds[(birds['MaxBodyMass'] > 1) & (birds['MaxBodyMass'] < 60)]      
filteredBirds['MaxBodyMass'].plot(kind = 'hist',bins = 40,figsize = (12,12))
plt.show()     

✅ Prova några andra filter och datapunkter. För att se den fullständiga distributionen av data, ta bort ['MaxBodyMass']-filtret för att visa märkta distributioner.

Histogrammet erbjuder också några trevliga färg- och märkningsförbättringar att prova:

Skapa ett 2D-histogram för att jämföra relationen mellan två distributioner. Låt oss jämföra MaxBodyMass vs. MaxLength. Matplotlib erbjuder ett inbyggt sätt att visa konvergens med hjälp av ljusare färger:

x = filteredBirds['MaxBodyMass']
y = filteredBirds['MaxLength']

fig, ax = plt.subplots(tight_layout=True)
hist = ax.hist2d(x, y)

Det verkar finnas en förväntad korrelation mellan dessa två element längs en förväntad axel, med en särskilt stark konvergenspunkt:

Histogram fungerar bra som standard för numeriska data. Vad händer om du behöver se distributioner enligt textdata?

Utforska datasetet för distributioner med textdata

Detta dataset innehåller också bra information om fågelkategorin och dess släkte, art och familj samt dess bevarandestatus. Låt oss gräva i denna bevarandestatusinformation. Vad är distributionen av fåglar enligt deras bevarandestatus?

✅ I datasetet används flera akronymer för att beskriva bevarandestatus. Dessa akronymer kommer från IUCN Red List Categories, en organisation som katalogiserar arters status.

• CR: Kritiskt hotad
• EN: Hotad
• EX: Utdöd
• LC: Minst bekymrad
• NT: Nära hotad
• VU: Sårbar

Dessa är textbaserade värden, så du måste göra en transformering för att skapa ett histogram. Använd dataframe filteredBirds för att visa dess bevarandestatus tillsammans med dess MinVingbredd. Vad ser du?

x1 = filteredBirds.loc[filteredBirds.ConservationStatus=='EX', 'MinWingspan']
x2 = filteredBirds.loc[filteredBirds.ConservationStatus=='CR', 'MinWingspan']
x3 = filteredBirds.loc[filteredBirds.ConservationStatus=='EN', 'MinWingspan']
x4 = filteredBirds.loc[filteredBirds.ConservationStatus=='NT', 'MinWingspan']
x5 = filteredBirds.loc[filteredBirds.ConservationStatus=='VU', 'MinWingspan']
x6 = filteredBirds.loc[filteredBirds.ConservationStatus=='LC', 'MinWingspan']

kwargs = dict(alpha=0.5, bins=20)

plt.hist(x1, **kwargs, color='red', label='Extinct')
plt.hist(x2, **kwargs, color='orange', label='Critically Endangered')
plt.hist(x3, **kwargs, color='yellow', label='Endangered')
plt.hist(x4, **kwargs, color='green', label='Near Threatened')
plt.hist(x5, **kwargs, color='blue', label='Vulnerable')
plt.hist(x6, **kwargs, color='gray', label='Least Concern')

plt.gca().set(title='Conservation Status', ylabel='Min Wingspan')
plt.legend();

Det verkar inte finnas någon bra korrelation mellan minsta vingbredd och bevarandestatus. Testa andra element i datasetet med denna metod. Du kan också prova olika filter. Hittar du någon korrelation?

Täthetsdiagram

Du kanske har märkt att histogrammen vi har tittat på hittills är "stegade" och inte flödar smidigt i en båge. För att visa ett smidigare täthetsdiagram kan du prova ett täthetsdiagram.

För att arbeta med täthetsdiagram, bekanta dig med ett nytt plotbibliotek, Seaborn.

Ladda Seaborn och prova ett grundläggande täthetsdiagram:

import seaborn as sns
import matplotlib.pyplot as plt
sns.kdeplot(filteredBirds['MinWingspan'])
plt.show()

Du kan se hur diagrammet ekar det tidigare för MinVingbredd-data; det är bara lite smidigare. Enligt Seaborns dokumentation, "Jämfört med ett histogram kan KDE producera ett diagram som är mindre rörigt och mer tolkningsbart, särskilt när man ritar flera distributioner. Men det har potential att introducera förvrängningar om den underliggande distributionen är begränsad eller inte smidig. Liksom ett histogram beror kvaliteten på representationen också på valet av bra utjämningsparametrar." källa Med andra ord, avvikare kommer som alltid att få dina diagram att bete sig dåligt.

Om du ville återbesöka den hackiga MaxBodyMass-linjen i det andra diagrammet du byggde, kunde du jämna ut den mycket väl genom att återskapa den med denna metod:

sns.kdeplot(filteredBirds['MaxBodyMass'])
plt.show()

Om du ville ha en smidig, men inte för smidig linje, redigera bw_adjust-parametern:

sns.kdeplot(filteredBirds['MaxBodyMass'], bw_adjust=.2)
plt.show()

✅ Läs om de parametrar som finns tillgängliga för denna typ av diagram och experimentera!

Denna typ av diagram erbjuder vackert förklarande visualiseringar. Med några få kodrader kan du till exempel visa max kroppsmassa-täthet per fågelordning:

sns.kdeplot(
   data=filteredBirds, x="MaxBodyMass", hue="Order",
   fill=True, common_norm=False, palette="crest",
   alpha=.5, linewidth=0,
)

Du kan också kartlägga tätheten av flera variabler i ett diagram. Testa MaxLängd och MinLängd för en fågel jämfört med deras bevarandestatus:

sns.kdeplot(data=filteredBirds, x="MinLength", y="MaxLength", hue="ConservationStatus")

Kanske är det värt att undersöka om klustret av "Sårbara" fåglar enligt deras längder är meningsfullt eller inte.

🚀 Utmaning

Histogram är en mer sofistikerad typ av diagram än grundläggande spridningsdiagram, stapeldiagram eller linjediagram. Gör en sökning på internet för att hitta bra exempel på användningen av histogram. Hur används de, vad visar de och inom vilka områden eller forskningsfält tenderar de att användas?

Quiz efter föreläsningen

Granskning & Självstudier

I denna lektion använde du Matplotlib och började arbeta med Seaborn för att visa mer sofistikerade diagram. Gör lite forskning om kdeplot i Seaborn, en "kontinuerlig sannolikhetstäthetskurva i en eller flera dimensioner". Läs igenom dokumentationen för att förstå hur det fungerar.

Uppgift

Använd dina färdigheter

---

Ansvarsfriskrivning:
Detta dokument har översatts med hjälp av AI-översättningstjänsten Co-op Translator. Även om vi strävar efter noggrannhet, bör du vara medveten om att automatiserade översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på dess originalspråk bör betraktas som den auktoritativa källan. För kritisk information rekommenderas professionell mänsklig översättning. Vi ansvarar inte för eventuella missförstånd eller feltolkningar som uppstår vid användning av denna översättning.