Data-Science-For-Beginners/translations/uk/3-Data-Visualization/11-visualization-proportions/README.md

<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "42119bcc97bee88254e381156d770f3c",
  "translation_date": "2025-09-05T19:57:25+00:00",
  "source_file": "3-Data-Visualization/11-visualization-proportions/README.md",
  "language_code": "uk"
}
-->
# Візуалізація пропорцій

|![ Скетчноут від [(@sketchthedocs)](https://sketchthedocs.dev) ](../../sketchnotes/11-Visualizing-Proportions.png)|
|:---:|
|Візуалізація пропорцій - _Скетчноут від [@nitya](https://twitter.com/nitya)_ |

У цьому уроці ви використаєте інший набір даних, пов'язаний із природою, щоб візуалізувати пропорції, наприклад, скільки різних видів грибів представлено в наборі даних про гриби. Давайте дослідимо ці захоплюючі гриби, використовуючи набір даних, отриманий від Audubon, який містить інформацію про 23 види пластинчастих грибів із родин Agaricus і Lepiota. Ви будете експериментувати з такими смачними візуалізаціями, як:

- Кругові діаграми 🥧
- Донат-діаграми 🍩
- Вафельні діаграми 🧇

> 💡 Дуже цікавий проєкт [Charticulator](https://charticulator.com) від Microsoft Research пропонує безкоштовний інтерфейс для створення візуалізацій даних методом перетягування. У одному з їхніх навчальних матеріалів також використовується цей набір даних про гриби! Тож ви можете досліджувати дані та одночасно вивчати бібліотеку: [Навчальний матеріал Charticulator](https://charticulator.com/tutorials/tutorial4.html).

## [Тест перед лекцією](https://ff-quizzes.netlify.app/en/ds/quiz/20)

## Дізнайтеся більше про свої гриби 🍄

Гриби дуже цікаві. Давайте імпортуємо набір даних, щоб їх вивчити:

```python
import pandas as pd
import matplotlib.pyplot as plt
mushrooms = pd.read_csv('../../data/mushrooms.csv')
mushrooms.head()
```
Таблиця виводиться з чудовими даними для аналізу:


| 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 |
| --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- |
| Отруйний  | Опуклий   | Гладкий     | Коричневий| Синці   | Різкий  | Вільний         | Щільний      | Вузький   | Чорний     | Розширений  | Рівний     | Гладкий                  | Гладкий                  | Білий                  | Білий                  | Частковий | Білий      | Один        | Підвішений| Чорний            | Розкиданий | Міський |
| Їстівний  | Опуклий   | Гладкий     | Жовтий    | Синці   | Мигдальний| Вільний        | Щільний      | Широкий   | Чорний     | Розширений  | Клуб       | Гладкий                  | Гладкий                  | Білий                  | Білий                  | Частковий | Білий      | Один        | Підвішений| Коричневий        | Численний  | Трави   |
| Їстівний  | Дзвоник   | Гладкий     | Білий     | Синці   | Анісовий | Вільний         | Щільний      | Широкий   | Коричневий | Розширений  | Клуб       | Гладкий                  | Гладкий                  | Білий                  | Білий                  | Частковий | Білий      | Один        | Підвішений| Коричневий        | Численний  | Луки    |
| Отруйний  | Опуклий   | Лускатий    | Білий     | Синці   | Різкий  | Вільний         | Щільний      | Вузький   | Коричневий | Розширений  | Рівний     | Гладкий                  | Гладкий                  | Білий                  | Білий                  | Частковий | Білий      | Один        | Підвішений| Чорний            | Розкиданий | Міський |

Одразу помітно, що всі дані є текстовими. Вам потрібно буде конвертувати ці дані, щоб використовувати їх у діаграмі. Більшість даних, фактично, представлені як об'єкт:

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

Результат:

```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')
```
Візьміть ці дані та конвертуйте колонку 'class' у категорію:

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

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

Тепер, якщо ви виведете дані про гриби, ви побачите, що вони були згруповані в категорії відповідно до класу отруйний/їстівний:


|           | 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     |           |             |           |         |      |                 |              |           |            |             |     |                          |                        |                        |           |            |             |           |                   |            |         |
| Їстівний  | 4208      | 4208        | 4208      | 4208    | 4208 | 4208            | 4208         | 4208      | 4208       | 4208        | ... | 4208                     | 4208                   | 4208                   | 4208      | 4208       | 4208        | 4208      | 4208              | 4208       | 4208    |
| Отруйний  | 3916      | 3916        | 3916      | 3916    | 3916 | 3916            | 3916         | 3916      | 3916       | 3916        | ... | 3916                     | 3916                   | 3916                   | 3916      | 3916       | 3916        | 3916      | 3916              | 3916       | 3916    |

Якщо ви дотримаєтеся порядку, представленого в цій таблиці, щоб створити мітки категорій класу, ви зможете побудувати кругову діаграму:

## Кругова діаграма!

```python
labels=['Edible','Poisonous']
plt.pie(edibleclass['population'],labels=labels,autopct='%.1f %%')
plt.title('Edible?')
plt.show()
```
Voila, кругова діаграма, яка показує пропорції даних відповідно до цих двох класів грибів. Дуже важливо правильно встановити порядок міток, особливо тут, тому обов'язково перевірте порядок, у якому створюється масив міток!

![кругова діаграма](../../../../3-Data-Visualization/11-visualization-proportions/images/pie1-wb.png)

## Донат-діаграми!

Дещо більш візуально цікава кругова діаграма — це донат-діаграма, яка є круговою діаграмою з отвором посередині. Давайте подивимося на наші дані за допомогою цього методу.

Подивіться на різні середовища, де ростуть гриби:

```python
habitat=mushrooms.groupby(['habitat']).count()
habitat
```
Тут ви групуєте свої дані за середовищем. Їх є 7, тому використовуйте їх як мітки для вашої донат-діаграми:

```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()
```

![донат-діаграма](../../../../3-Data-Visualization/11-visualization-proportions/images/donut-wb.png)

Цей код малює діаграму та центральне коло, а потім додає це центральне коло до діаграми. Змініть ширину центрального кола, змінивши `0.40` на інше значення.

Донат-діаграми можна налаштувати кількома способами, щоб змінити мітки. Зокрема, мітки можна виділити для кращої читабельності. Дізнайтеся більше в [документації](https://matplotlib.org/stable/gallery/pie_and_polar_charts/pie_and_donut_labels.html?highlight=donut).

Тепер, коли ви знаєте, як групувати свої дані та відображати їх у вигляді кругової або донат-діаграми, ви можете досліджувати інші типи діаграм. Спробуйте вафельну діаграму, яка є просто іншим способом дослідження кількості.
## Вафельні діаграми!

Діаграма типу "вафля" — це інший спосіб візуалізації кількостей у вигляді двовимірного масиву квадратів. Спробуйте візуалізувати різні кількості кольорів капелюшків грибів у цьому наборі даних. Для цього вам потрібно встановити допоміжну бібліотеку [PyWaffle](https://pypi.org/project/pywaffle/) і використовувати Matplotlib:

```python
pip install pywaffle
```

Виберіть сегмент ваших даних для групування:

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

Створіть вафельну діаграму, створивши мітки, а потім згрупувавши ваші дані:

```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"],
)
```

Використовуючи вафельну діаграму, ви можете чітко побачити пропорції кольорів капелюшків у цьому наборі даних про гриби. Цікаво, що є багато грибів із зеленими капелюшками!

![вафельна діаграма](../../../../3-Data-Visualization/11-visualization-proportions/images/waffle.png)

✅ Pywaffle підтримує іконки в діаграмах, які використовують будь-які іконки, доступні в [Font Awesome](https://fontawesome.com/). Проведіть експерименти, щоб створити ще цікавішу вафельну діаграму, використовуючи іконки замість квадратів.

У цьому уроці ви дізналися три способи візуалізації пропорцій. Спочатку вам потрібно згрупувати свої дані в категорії, а потім вирішити, який спосіб найкраще підходить для відображення даних — кругова, донат або вафельна діаграма. Усі вони смачні та дають користувачеві миттєвий знімок набору даних.

## 🚀 Виклик

Спробуйте відтворити ці смачні діаграми в [Charticulator](https://charticulator.com).
## [Тест після лекції](https://ff-quizzes.netlify.app/en/ds/quiz/21)

## Огляд і самостійне навчання

Іноді не очевидно, коли використовувати кругову, донат або вафельну діаграму. Ось кілька статей для читання на цю тему:

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

Проведіть дослідження, щоб знайти більше інформації про це складне рішення.
## Завдання

[Спробуйте в Excel](assignment.md)

---

**Відмова від відповідальності**:  
Цей документ був перекладений за допомогою сервісу автоматичного перекладу [Co-op Translator](https://github.com/Azure/co-op-translator). Хоча ми прагнемо до точності, зверніть увагу, що автоматичні переклади можуть містити помилки або неточності. Оригінальний документ на його рідній мові слід вважати авторитетним джерелом. Для критично важливої інформації рекомендується професійний людський переклад. Ми не несемо відповідальності за будь-які непорозуміння або неправильні тлумачення, що виникають внаслідок використання цього перекладу.