You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
205 lines
12 KiB
205 lines
12 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "42119bcc97bee88254e381156d770f3c",
|
|
"translation_date": "2025-09-05T21:48:17+00:00",
|
|
"source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
|
|
"language_code": "sv"
|
|
}
|
|
-->
|
|
# Visualisera Proportioner
|
|
|
|
| ](../../sketchnotes/11-Visualizing-Proportions.png)|
|
|
|:---:|
|
|
|Visualisera Proportioner - _Sketchnote av [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
I den här lektionen kommer du att använda ett dataset med fokus på natur för att visualisera proportioner, till exempel hur många olika typer av svampar som finns i ett dataset om champinjoner. Låt oss utforska dessa fascinerande svampar med hjälp av ett dataset från Audubon som listar detaljer om 23 arter av skivlingar i Agaricus- och Lepiota-familjerna. Du kommer att experimentera med smakfulla visualiseringar som:
|
|
|
|
- Cirkeldiagram 🥧
|
|
- Ringdiagram 🍩
|
|
- Våffeldiagram 🧇
|
|
|
|
> 💡 Ett mycket intressant projekt som heter [Charticulator](https://charticulator.com) från Microsoft Research erbjuder ett gratis dra-och-släpp-gränssnitt för datavisualiseringar. I en av deras handledningar använder de också detta svampdataset! Så du kan utforska datan och lära dig biblioteket samtidigt: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html).
|
|
|
|
## [Quiz före lektionen](https://ff-quizzes.netlify.app/en/ds/quiz/20)
|
|
|
|
## Lär känna dina svampar 🍄
|
|
|
|
Svampar är väldigt intressanta. Låt oss importera ett dataset för att studera dem:
|
|
|
|
```python
|
|
import pandas as pd
|
|
import matplotlib.pyplot as plt
|
|
mushrooms = pd.read_csv('../../data/mushrooms.csv')
|
|
mushrooms.head()
|
|
```
|
|
En tabell skrivs ut med några fantastiska data för analys:
|
|
|
|
|
|
| klass | hattform | hattyta | hattfärg | blåmärken | lukt | skivfäste | skivavstånd | skivstorlek | skivfärg | fotform | fotrot | fotyta ovanför ring | fotyta under ring | fotfärg ovanför ring | fotfärg under ring | slöjtyp | slöjfärg | ringantal | ringtyp | sporavtrycksfärg | population | habitat |
|
|
| ---------- | ---------- | ---------- | ----------| --------- | -------- | --------------- | ------------| ----------- | ----------- | ----------- | ----------- | ----------------------- | ----------------------- | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
|
|
| Giftig | Konvex | Slät | Brun | Blåmärken | Stickande| Fri | Tät | Smal | Svart | Förstorande | Lika | Slät | Slät | Vit | Vit | Partiell | Vit | En | Hängande | Svart | Spridd | Urban |
|
|
| Ätlig | Konvex | Slät | Gul | Blåmärken | Mandel | Fri | Tät | Bred | Svart | Förstorande | Klubba | Slät | Slät | Vit | Vit | Partiell | Vit | En | Hängande | Brun | Talrik | Gräsmark|
|
|
| Ätlig | Klockformad| Slät | Vit | Blåmärken | Anis | Fri | Tät | Bred | Brun | Förstorande | Klubba | Slät | Slät | Vit | Vit | Partiell | Vit | En | Hängande | Brun | Talrik | Ängar |
|
|
| Giftig | Konvex | Fjällig | Vit | Blåmärken | Stickande| Fri | Tät | Smal | Brun | Förstorande | Lika | Slät | Slät | Vit | Vit | Partiell | Vit | En | Hängande | Svart | Spridd | Urban |
|
|
|
|
Direkt märker du att all data är textuell. Du måste konvertera denna data för att kunna använda den i ett diagram. Det mesta av datan är faktiskt representerad som ett objekt:
|
|
|
|
```python
|
|
print(mushrooms.select_dtypes(["object"]).columns)
|
|
```
|
|
|
|
Utdata är:
|
|
|
|
```output
|
|
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')
|
|
```
|
|
Ta denna data och konvertera kolumnen 'klass' till en kategori:
|
|
|
|
```python
|
|
cols = mushrooms.select_dtypes(["object"]).columns
|
|
mushrooms[cols] = mushrooms[cols].astype('category')
|
|
```
|
|
|
|
```python
|
|
edibleclass=mushrooms.groupby(['class']).count()
|
|
edibleclass
|
|
```
|
|
|
|
Nu, om du skriver ut svampdatan, kan du se att den har grupperats i kategorier enligt klassen giftig/ätlig:
|
|
|
|
|
|
| | hattform | hattyta | hattfärg | blåmärken | lukt | skivfäste | skivavstånd | skivstorlek | skivfärg | fotform | ... | fotyta under ring | fotfärg ovanför ring | fotfärg under ring | slöjtyp | slöjfärg | ringantal | ringtyp | sporavtrycksfärg | population | habitat |
|
|
| --------- | ---------- | ---------- | ----------| --------- | ---- | --------------- | ------------| ----------- | ----------- | ----------- | --- | ----------------------- | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
|
|
| klass | | | | | | | | | | | | | | | | | | | | | |
|
|
| Ätlig | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | ... | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 | 4208 |
|
|
| Giftig | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | ... | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 | 3916 |
|
|
|
|
Om du följer ordningen som presenteras i denna tabell för att skapa dina klasskategorietiketter, kan du bygga ett cirkeldiagram:
|
|
|
|
## Cirkeldiagram!
|
|
|
|
```python
|
|
labels=['Edible','Poisonous']
|
|
plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
|
|
plt.title('Edible?')
|
|
plt.show()
|
|
```
|
|
Voilà, ett cirkeldiagram som visar proportionerna av denna data enligt dessa två svampklasser. Det är ganska viktigt att få ordningen på etiketterna rätt, särskilt här, så se till att verifiera ordningen när etikettarrayen byggs!
|
|
|
|
|
|
|
|
## Ringdiagram!
|
|
|
|
Ett något mer visuellt intressant cirkeldiagram är ett ringdiagram, som är ett cirkeldiagram med ett hål i mitten. Låt oss titta på vår data med denna metod.
|
|
|
|
Titta på de olika habitat där svampar växer:
|
|
|
|
```python
|
|
habitat=mushrooms.groupby(['habitat']).count()
|
|
habitat
|
|
```
|
|
Här grupperar du din data efter habitat. Det finns 7 listade, så använd dessa som etiketter för ditt ringdiagram:
|
|
|
|
```python
|
|
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()
|
|
```
|
|
|
|
|
|
|
|
Denna kod ritar ett diagram och en cirkel i mitten, och lägger sedan till den cirkeln i diagrammet. Ändra bredden på den centrala cirkeln genom att ändra `0.40` till ett annat värde.
|
|
|
|
Ringdiagram kan justeras på flera sätt för att ändra etiketterna. Etiketterna kan särskilt framhävas för att förbättra läsbarheten. Läs mer i [dokumentationen](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).
|
|
|
|
Nu när du vet hur du grupperar din data och sedan visar den som ett cirkel- eller ringdiagram, kan du utforska andra typer av diagram. Prova ett våffeldiagram, som är ett annat sätt att utforska kvantiteter.
|
|
|
|
## Våffeldiagram!
|
|
|
|
Ett 'våffel'-diagram är ett annat sätt att visualisera kvantiteter som en 2D-array av kvadrater. Försök att visualisera de olika mängderna av svamphattfärger i detta dataset. För att göra detta behöver du installera ett hjälpbibliotek som heter [PyWaffle](https://pypi.org/project/pywaffle/) och använda Matplotlib:
|
|
|
|
```python
|
|
pip install pywaffle
|
|
```
|
|
|
|
Välj ett segment av din data att gruppera:
|
|
|
|
```python
|
|
capcolor=mushrooms.groupby(['cap-color']).count()
|
|
capcolor
|
|
```
|
|
|
|
Skapa ett våffeldiagram genom att skapa etiketter och sedan gruppera din data:
|
|
|
|
```python
|
|
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"],
|
|
)
|
|
```
|
|
|
|
Med ett våffeldiagram kan du tydligt se proportionerna av hattfärger i detta svampdataset. Intressant nog finns det många svampar med gröna hattar!
|
|
|
|
|
|
|
|
✅ PyWaffle stöder ikoner i diagrammen som använder vilken ikon som helst som finns tillgänglig i [Font Awesome](https://fontawesome.com/). Gör några experiment för att skapa ett ännu mer intressant våffeldiagram med ikoner istället för kvadrater.
|
|
|
|
I den här lektionen lärde du dig tre sätt att visualisera proportioner. Först behöver du gruppera din data i kategorier och sedan bestämma vilket som är det bästa sättet att visa datan - cirkel, ring eller våffla. Alla är läckra och ger användaren en omedelbar överblick av ett dataset.
|
|
|
|
## 🚀 Utmaning
|
|
|
|
Försök att återskapa dessa smakfulla diagram i [Charticulator](https://charticulator.com).
|
|
## [Quiz efter lektionen](https://ff-quizzes.netlify.app/en/ds/quiz/21)
|
|
|
|
## Granskning & Självstudier
|
|
|
|
Ibland är det inte självklart när man ska använda ett cirkel-, ring- eller våffeldiagram. Här är några artiklar att läsa om detta ämne:
|
|
|
|
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
|
|
|
|
Gör lite forskning för att hitta mer information om detta knepiga beslut.
|
|
## Uppgift
|
|
|
|
[Prova det i Excel](assignment.md)
|
|
|
|
---
|
|
|
|
**Ansvarsfriskrivning**:
|
|
Detta dokument har översatts med hjälp av AI-översättningstjänsten [Co-op Translator](https://github.com/Azure/co-op-translator). Även om vi strävar efter noggrannhet, vänligen notera att automatiska översättningar kan innehålla fel eller felaktigheter. Det ursprungliga dokumentet på sitt ursprungliga språk 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. |