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.
212 lines
25 KiB
212 lines
25 KiB
# അളവുകൾ ദൃശ്യവൽക്കരിക്കൽ
|
|
|
|
| ](../../sketchnotes/09-Visualizing-Quantities.png)|
|
|
|:---:|
|
|
| അളവുകൾ ദൃശ്യവൽക്കരിക്കൽ - _Sketchnote by [@nitya](https://twitter.com/nitya)_ |
|
|
|
|
ഈ പാഠത്തിൽ, അളവിന്റെ ആശയത്തെ ചുറ്റിപ്പറ്റി രസകരമായ ദൃശ്യവൽക്കരണങ്ങൾ സൃഷ്ടിക്കാൻ ലഭ്യമായ പല പൈതൺ ലൈബ്രറികളിൽ ഒന്നിനെ എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും. മിന്നസോട്ടയുടെ പക്ഷികളെക്കുറിച്ചുള്ള ശുദ്ധീകരിച്ച ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച്, പ്രാദേശിക വന്യജീവികളെക്കുറിച്ചുള്ള പല രസകരമായ വസ്തുതകളും നിങ്ങൾക്ക് അറിയാം.
|
|
## [പാഠം മുൻകൂർ ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/16)
|
|
|
|
## Matplotlib ഉപയോഗിച്ച് വിങ്സ്പാൻ നിരീക്ഷിക്കുക
|
|
|
|
വിവിധ തരത്തിലുള്ള ലളിതവും സങ്കീർണ്ണവുമായ പ്ലോട്ടുകളും ചാർട്ടുകളും സൃഷ്ടിക്കാൻ മികച്ച ലൈബ്രറി [Matplotlib](https://matplotlib.org/stable/index.html) ആണ്. പൊതുവായി, ഈ ലൈബ്രറികൾ ഉപയോഗിച്ച് ഡാറ്റ പ്ലോട്ട് ചെയ്യാനുള്ള പ്രക്രിയയിൽ, നിങ്ങളുടെ ഡാറ്റാഫ്രെയിമിന്റെ ലക്ഷ്യമിടേണ്ട ഭാഗങ്ങൾ തിരിച്ചറിയുക, ആവശ്യമായ മാറ്റങ്ങൾ ചെയ്യുക, അതിന്റെ x, y അക്ഷ മൂല്യങ്ങൾ നിശ്ചയിക്കുക, ഏത് തരത്തിലുള്ള പ്ലോട്ട് കാണിക്കണമെന്ന് തീരുമാനിക്കുക, പിന്നെ പ്ലോട്ട് കാണിക്കുക എന്നിവ ഉൾപ്പെടുന്നു. Matplotlib നിരവധി ദൃശ്യവൽക്കരണങ്ങൾ നൽകുന്നു, പക്ഷേ ഈ പാഠത്തിനായി, അളവ് ദൃശ്യവൽക്കരിക്കാൻ ഏറ്റവും അനുയോജ്യമായവയായ ലൈന്ചാർട്ടുകൾ, സ്കാറ്റർപ്ലോട്ടുകൾ, ബാർ പ്ലോട്ടുകൾ എന്നിവയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാം.
|
|
|
|
> ✅ നിങ്ങളുടെ ഡാറ്റയുടെ ഘടനക്കും പറയാനുള്ള കഥക്കും ഏറ്റവും അനുയോജ്യമായ ചാർട്ട് ഉപയോഗിക്കുക.
|
|
> - സമയാനുസൃത പ്രവണതകൾ വിശകലനം ചെയ്യാൻ: ലൈന്ചാർട്ട്
|
|
> - മൂല്യങ്ങൾ താരതമ്യം ചെയ്യാൻ: ബാർ, കോളം, പൈ, സ്കാറ്റർപ്ലോട്ട്
|
|
> - ഭാഗങ്ങൾ മുഴുവൻ എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നു കാണിക്കാൻ: പൈ
|
|
> - ഡാറ്റയുടെ വിതരണങ്ങൾ കാണിക്കാൻ: സ്കാറ്റർപ്ലോട്ട്, ബാർ
|
|
> - പ്രവണതകൾ കാണിക്കാൻ: ലൈന്ചാർട്ട്, കോളം
|
|
> - മൂല്യങ്ങൾ തമ്മിലുള്ള ബന്ധങ്ങൾ കാണിക്കാൻ: ലൈന്ചാർട്ട്, സ്കാറ്റർപ്ലോട്ട്, ബബിൾ
|
|
|
|
നിങ്ങൾക്ക് ഒരു ഡാറ്റാസെറ്റ് ഉണ്ടെങ്കിൽ, ഒരു നൽകിയ വസ്തുവിന്റെ എത്രമാത്രം ഉൾപ്പെടുന്നുവെന്ന് കണ്ടെത്തേണ്ട ആദ്യ ജോലികളിൽ ഒന്നാണ് അതിന്റെ മൂല്യങ്ങൾ പരിശോധിക്കുക.
|
|
|
|
✅ Matplotlib-ന് മികച്ച 'ചീറ്റ് ഷീറ്റുകൾ' [ഇവിടെ](https://matplotlib.org/cheatsheets/cheatsheets.pdf) ലഭ്യമാണ്.
|
|
|
|
## പക്ഷികളുടെ വിങ്സ്പാൻ മൂല്യങ്ങളെക്കുറിച്ച് ലൈന്പ്ലോട്ട് നിർമ്മിക്കുക
|
|
|
|
ഈ പാഠ ഫോൾഡറിന്റെ റൂട്ടിലുള്ള `notebook.ipynb` ഫയൽ തുറന്ന് ഒരു സെൽ ചേർക്കുക.
|
|
|
|
> കുറിപ്പ്: ഡാറ്റ ഈ റീപ്പോയുടെ റൂട്ടിലുള്ള `/data` ഫോൾഡറിലാണ് സൂക്ഷിച്ചിരിക്കുന്നത്.
|
|
|
|
```python
|
|
import pandas as pd
|
|
import matplotlib.pyplot as plt
|
|
birds = pd.read_csv('../../data/birds.csv')
|
|
birds.head()
|
|
```
|
|
ഈ ഡാറ്റ ടെക്സ്റ്റും സംഖ്യകളും ചേർന്നതാണ്:
|
|
|
|
|
|
| | Name | ScientificName | Category | Order | Family | Genus | ConservationStatus | MinLength | MaxLength | MinBodyMass | MaxBodyMass | MinWingspan | MaxWingspan |
|
|
| ---: | :--------------------------- | :--------------------- | :-------------------- | :----------- | :------- | :---------- | :----------------- | --------: | --------: | ----------: | ----------: | ----------: | ----------: |
|
|
| 0 | Black-bellied whistling-duck | Dendrocygna autumnalis | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 47 | 56 | 652 | 1020 | 76 | 94 |
|
|
| 1 | Fulvous whistling-duck | Dendrocygna bicolor | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Dendrocygna | LC | 45 | 53 | 712 | 1050 | 85 | 93 |
|
|
| 2 | Snow goose | Anser caerulescens | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 79 | 2050 | 4050 | 135 | 165 |
|
|
| 3 | Ross's goose | Anser rossii | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 57.3 | 64 | 1066 | 1567 | 113 | 116 |
|
|
| 4 | Greater white-fronted goose | Anser albifrons | Ducks/Geese/Waterfowl | Anseriformes | Anatidae | Anser | LC | 64 | 81 | 1930 | 3310 | 130 | 165 |
|
|
|
|
അടിസ്ഥാന ലൈന്പ്ലോട്ട് ഉപയോഗിച്ച് ചില സംഖ്യാത്മക ഡാറ്റ പ്ലോട്ട് ചെയ്യുന്നതിൽ നിന്ന് തുടങ്ങാം. ഈ രസകരമായ പക്ഷികളുടെ പരമാവധി വിങ്സ്പാനിന്റെ കാഴ്ച നിങ്ങൾക്ക് വേണമെങ്കിൽ.
|
|
|
|
```python
|
|
wingspan = birds['MaxWingspan']
|
|
wingspan.plot()
|
|
```
|
|
|
|
|
|
നിങ്ങൾ ഉടൻ ശ്രദ്ധിക്കുന്നതെന്താണ്? കുറഞ്ഞത് ഒരു ഔട്ട്ലൈയർ ഉണ്ടെന്ന് തോന്നുന്നു - അത്ര വലിയ വിങ്സ്പാൻ! 2300 സെന്റീമീറ്റർ വിങ്സ്പാൻ 23 മീറ്ററിനാണ് തുല്യമായത് - മിന്നസോട്ടയിൽ പ്റ്റെറോഡാക്ടിലുകൾ നടക്കുകയാണോ? പരിശോധിക്കാം.
|
|
|
|
Excel-ൽ ഒരു വേഗത്തിലുള്ള സോർട്ട് ചെയ്ത് ആ ഔട്ട്ലൈയറുകൾ കണ്ടെത്താമെങ്കിലും, അവ ടൈപ്പോസ് ആകാമെന്ന് കരുതുന്നു, പ്ലോട്ടിൽ നിന്നുള്ള ദൃശ്യവൽക്കരണ പ്രക്രിയ തുടരുക.
|
|
|
|
x-അക്ഷത്തിൽ ലേബലുകൾ ചേർത്ത് ഏത് തരത്തിലുള്ള പക്ഷികളാണെന്ന് കാണിക്കുക:
|
|
|
|
```
|
|
plt.title('Max Wingspan in Centimeters')
|
|
plt.ylabel('Wingspan (CM)')
|
|
plt.xlabel('Birds')
|
|
plt.xticks(rotation=45)
|
|
x = birds['Name']
|
|
y = birds['MaxWingspan']
|
|
|
|
plt.plot(x, y)
|
|
|
|
plt.show()
|
|
```
|
|
|
|
|
|
45 ഡിഗ്രി ലേബലുകളുടെ റൊട്ടേഷൻ സജ്ജമാക്കിയിട്ടും വായിക്കാൻ വളരെ അധികം ലേബലുകൾ ഉണ്ട്. വ്യത്യസ്തമായ ഒരു തന്ത്രം പരീക്ഷിക്കാം: ഔട്ട്ലൈയറുകൾ മാത്രം ലേബൽ ചെയ്യുക, ലേബലുകൾ ചാർട്ടിനുള്ളിൽ സജ്ജമാക്കുക. ലേബലിംഗിന് കൂടുതൽ സ്ഥലം നൽകാൻ സ്കാറ്റർ ചാർട്ട് ഉപയോഗിക്കാം:
|
|
|
|
```python
|
|
plt.title('Max Wingspan in Centimeters')
|
|
plt.ylabel('Wingspan (CM)')
|
|
plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
|
|
|
|
for i in range(len(birds)):
|
|
x = birds['Name'][i]
|
|
y = birds['MaxWingspan'][i]
|
|
plt.plot(x, y, 'bo')
|
|
if birds['MaxWingspan'][i] > 500:
|
|
plt.text(x, y * (1 - 0.05), birds['Name'][i], fontsize=12)
|
|
|
|
plt.show()
|
|
```
|
|
ഇവിടെ എന്താണ് സംഭവിക്കുന്നത്? നിങ്ങൾ `tick_params` ഉപയോഗിച്ച് താഴെയുള്ള ലേബലുകൾ മറച്ചുവെച്ചു, പിന്നെ നിങ്ങളുടെ പക്ഷികളുടെ ഡാറ്റാസെറ്റിൽ ലൂപ്പ് സൃഷ്ടിച്ചു. `bo` ഉപയോഗിച്ച് ചെറിയ നീല വൃത്താകൃതിയിലുള്ള ഡോട്ടുകൾ പ്ലോട്ട് ചെയ്ത്, പരമാവധി വിങ്സ്പാൻ 500-ൽ കൂടുതലുള്ള ഏതെങ്കിലും പക്ഷിയെ കണ്ടെത്തി, ആ ഡോട്ടിന് അടുത്ത് ലേബൽ പ്രദർശിപ്പിച്ചു. y അക്ഷത്തിൽ ലേബലുകൾ കുറച്ച് മാറ്റി (`y * (1 - 0.05)`) പക്ഷിയുടെ പേര് ലേബലായി ഉപയോഗിച്ചു.
|
|
|
|
നിങ്ങൾ എന്ത് കണ്ടെത്തി?
|
|
|
|
|
|
## നിങ്ങളുടെ ഡാറ്റ ഫിൽട്ടർ ചെയ്യുക
|
|
|
|
ബാൾഡ് ഈഗിൾക്കും പ്രെയറി ഫാൽക്കണിനും, വളരെ വലിയ പക്ഷികളായിരിക്കാം, പക്ഷേ പരമാവധി വിങ്സ്പാനിൽ ഒരു അധികം `0` ചേർത്തിട്ടുള്ള തെറ്റായ ലേബലിംഗാണ്. 25 മീറ്റർ വിങ്സ്പാൻ ഉള്ള ബാൾഡ് ഈഗിൾ കാണാൻ സാധ്യത കുറവാണ്, പക്ഷേ ഉണ്ടെങ്കിൽ ദയവായി ഞങ്ങളെ അറിയിക്കുക! ആ രണ്ട് ഔട്ട്ലൈയറുകൾ ഇല്ലാതെ പുതിയ ഡാറ്റാഫ്രെയിം സൃഷ്ടിക്കാം:
|
|
|
|
```python
|
|
plt.title('Max Wingspan in Centimeters')
|
|
plt.ylabel('Wingspan (CM)')
|
|
plt.xlabel('Birds')
|
|
plt.tick_params(axis='both',which='both',labelbottom=False,bottom=False)
|
|
for i in range(len(birds)):
|
|
x = birds['Name'][i]
|
|
y = birds['MaxWingspan'][i]
|
|
if birds['Name'][i] not in ['Bald eagle', 'Prairie falcon']:
|
|
plt.plot(x, y, 'bo')
|
|
plt.show()
|
|
```
|
|
|
|
ഔട്ട്ലൈയറുകൾ ഫിൽട്ടർ ചെയ്തതോടെ, നിങ്ങളുടെ ഡാറ്റ കൂടുതൽ ഏകീകൃതവും മനസ്സിലാക്കാൻ എളുപ്പവുമാണ്.
|
|
|
|
|
|
|
|
ഇപ്പോൾ വിങ്സ്പാൻ സംബന്ധിച്ച് കുറഞ്ഞത് ശുദ്ധമായ ഡാറ്റാസെറ്റ് ഉണ്ടാകുമ്പോൾ, ഈ പക്ഷികളെക്കുറിച്ച് കൂടുതൽ കണ്ടെത്താം.
|
|
|
|
ലൈനും സ്കാറ്റർ പ്ലോട്ടുകളും ഡാറ്റ മൂല്യങ്ങളും അവയുടെ വിതരണങ്ങളും പ്രദർശിപ്പിക്കുമ്പോൾ, ഈ ഡാറ്റാസെറ്റിൽ ഉള്ള മൂല്യങ്ങളെക്കുറിച്ച് ചിന്തിക്കണം. അളവിനെക്കുറിച്ചുള്ള ചോദ്യങ്ങൾക്ക് ഉത്തരം കണ്ടെത്താൻ ദൃശ്യവൽക്കരണങ്ങൾ സൃഷ്ടിക്കാം:
|
|
|
|
> പക്ഷികളുടെ എത്ര വിഭാഗങ്ങളുണ്ട്, അവയുടെ എണ്ണം എത്രയാണ്?
|
|
> എത്ര പക്ഷികൾ നശിച്ചുപോയവ, അപകടത്തിൽപെട്ടവ, അപൂർവവ, സാധാരണവ?
|
|
> ലിനിയസിന്റെ പദവിനുസരിച്ച് വിവിധ ജീനസുകളും ഓർഡറുകളും എത്രയുണ്ട്?
|
|
## ബാർ ചാർട്ടുകൾ പരിശോധിക്കുക
|
|
|
|
ഡാറ്റയുടെ ഗ്രൂപ്പിംഗുകൾ കാണിക്കേണ്ടപ്പോൾ ബാർ ചാർട്ടുകൾ പ്രായോഗികമാണ്. ഈ ഡാറ്റാസെറ്റിലുള്ള പക്ഷികളുടെ വിഭാഗങ്ങൾ പരിശോധിച്ച് ഏതാണ് ഏറ്റവും സാധാരണമായത് എന്ന് കാണാം.
|
|
|
|
നോട്ട്ബുക്ക് ഫയലിൽ ഒരു അടിസ്ഥാന ബാർ ചാർട്ട് സൃഷ്ടിക്കുക
|
|
|
|
✅ മുൻപത്തെ വിഭാഗത്തിൽ കണ്ടെത്തിയ രണ്ട് ഔട്ട്ലൈയർ പക്ഷികളെ ഫിൽട്ടർ ചെയ്യാം, അവരുടെ വിങ്സ്പാൻ ടൈപ്പോ തിരുത്താം, അല്ലെങ്കിൽ വിങ്സ്പാൻ മൂല്യങ്ങളിൽ ആശ്രയിക്കാത്ത ഈ അഭ്യാസങ്ങൾക്ക് അവയെ ഉൾപ്പെടുത്താം.
|
|
|
|
ബാർ ചാർട്ട് സൃഷ്ടിക്കാൻ, നിങ്ങൾ ശ്രദ്ധിക്കേണ്ട ഡാറ്റ തിരഞ്ഞെടുക്കാം. ബാർ ചാർട്ടുകൾ കച്ച ഡാറ്റയിൽ നിന്നു സൃഷ്ടിക്കാം:
|
|
|
|
```python
|
|
birds.plot(x='Category',
|
|
kind='bar',
|
|
stacked=True,
|
|
title='Birds of Minnesota')
|
|
|
|
```
|
|
|
|
|
|
എന്നാൽ ഈ ബാർ ചാർട്ട് വായിക്കാൻ കഴിയുന്നില്ല, കാരണം ഗ്രൂപ്പുചെയ്യാത്ത ഡാറ്റ വളരെ കൂടുതലാണ്. നിങ്ങൾ പ്ലോട്ട് ചെയ്യാൻ ആഗ്രഹിക്കുന്ന ഡാറ്റ മാത്രം തിരഞ്ഞെടുക്കണം, അതിനാൽ പക്ഷികളുടെ വിഭാഗം അടിസ്ഥാനമാക്കി നീളം നോക്കാം.
|
|
|
|
നിങ്ങളുടെ ഡാറ്റയിൽ നിന്ന് പക്ഷികളുടെ വിഭാഗം മാത്രം ഉൾപ്പെടുത്താൻ ഫിൽട്ടർ ചെയ്യുക.
|
|
|
|
✅ Pandas ഉപയോഗിച്ച് ഡാറ്റ കൈകാര്യം ചെയ്യുകയും Matplotlib ഉപയോഗിച്ച് ചാർട്ട് സൃഷ്ടിക്കുകയും ചെയ്യുന്നതാണ് ശ്രദ്ധിക്കുക.
|
|
|
|
വിവിധ വിഭാഗങ്ങൾ 많아서, ഈ ചാർട്ട് ലംബമായി പ്രദർശിപ്പിച്ച് ഉയരം ക്രമീകരിക്കാം:
|
|
|
|
```python
|
|
category_count = birds.value_counts(birds['Category'].values, sort=True)
|
|
plt.rcParams['figure.figsize'] = [6, 12]
|
|
category_count.plot.barh()
|
|
```
|
|
|
|
|
|
ഈ ബാർ ചാർട്ട് ഓരോ വിഭാഗത്തിലും പക്ഷികളുടെ എണ്ണം നല്ല കാഴ്ച നൽകുന്നു. ഒരു നിമിഷത്തിൽ, ഈ പ്രദേശത്തെ ഏറ്റവും വലിയ പക്ഷി എണ്ണം Ducks/Geese/Waterfowl വിഭാഗത്തിലാണ് എന്ന് കാണാം. മിന്നസോട്ട '10,000 തടാകങ്ങളുടെ നാട്' ആകുന്നതിനാൽ ഇത് അത്ഭുതമല്ല!
|
|
|
|
✅ ഈ ഡാറ്റാസെറ്റിൽ മറ്റ് എണ്ണങ്ങൾ പരീക്ഷിച്ച് നോക്കൂ. എന്തെങ്കിലും നിങ്ങളെ അത്ഭുതപ്പെടുത്തുന്നുണ്ടോ?
|
|
|
|
## ഡാറ്റ താരതമ്യം ചെയ്യൽ
|
|
|
|
പുതിയ അക്ഷങ്ങൾ സൃഷ്ടിച്ച് ഗ്രൂപ്പുചെയ്ത ഡാറ്റയുടെ വ്യത്യസ്ത താരതമ്യങ്ങൾ പരീക്ഷിക്കാം. പക്ഷിയുടെ MaxLength-നെ അതിന്റെ വിഭാഗം അടിസ്ഥാനമാക്കി താരതമ്യം ചെയ്യുക:
|
|
|
|
```python
|
|
maxlength = birds['MaxLength']
|
|
plt.barh(y=birds['Category'], width=maxlength)
|
|
plt.rcParams['figure.figsize'] = [6, 12]
|
|
plt.show()
|
|
```
|
|
|
|
|
|
ഇവിടെ എന്തും അത്ഭുതപ്പെടുത്തുന്നില്ല: ഹമ്മിംഗ്ബേർഡുകൾക്ക് പെലിക്കാനുകളോ ഗീസുകളോ അപേക്ഷിച്ച് ഏറ്റവും കുറഞ്ഞ MaxLength ഉണ്ട്. ഡാറ്റ ലജിക്കൽ ആകുമ്പോൾ നല്ലതാണ്!
|
|
|
|
ഡാറ്റ സൂപ്പർഇംപോസിംഗ് ചെയ്ത് ബാർ ചാർട്ടുകളുടെ കൂടുതൽ രസകരമായ ദൃശ്യവൽക്കരണങ്ങൾ സൃഷ്ടിക്കാം. ഒരു പക്ഷി വിഭാഗത്തിൽ കുറഞ്ഞതും പരമാവതുമായ നീളം സൂപ്പർഇംപോസ് ചെയ്യാം:
|
|
|
|
```python
|
|
minLength = birds['MinLength']
|
|
maxLength = birds['MaxLength']
|
|
category = birds['Category']
|
|
|
|
plt.barh(category, maxLength)
|
|
plt.barh(category, minLength)
|
|
|
|
plt.show()
|
|
```
|
|
ഈ പ്ലോട്ടിൽ, ഓരോ പക്ഷി വിഭാഗത്തിന്റെയും കുറഞ്ഞ നീളം, പരമാവധി നീളം കാണാം. ഈ ഡാറ്റ പ്രകാരം, പക്ഷി വലുതായാൽ, അതിന്റെ നീളം വ്യത്യാസവും വലുതാണ് എന്ന് പറയാം. അത്ഭുതകരം!
|
|
|
|
|
|
|
|
## 🚀 ചലഞ്ച്
|
|
|
|
ഈ പക്ഷി ഡാറ്റാസെറ്റ് ഒരു പ്രത്യേക പരിസ്ഥിതിയിലെ വിവിധ തരത്തിലുള്ള പക്ഷികളെക്കുറിച്ചുള്ള ധാരാളം വിവരങ്ങൾ നൽകുന്നു. ഇന്റർനെറ്റിൽ തിരയുക, മറ്റ് പക്ഷി-കേന്ദ്രിത ഡാറ്റാസെറ്റുകൾ കണ്ടെത്താൻ ശ്രമിക്കുക. ഈ പക്ഷികളെക്കുറിച്ചുള്ള ചാർട്ടുകളും ഗ്രാഫുകളും നിർമ്മിച്ച് നിങ്ങൾ അറിയാത്ത വസ്തുതകൾ കണ്ടെത്താൻ അഭ്യാസം ചെയ്യുക.
|
|
|
|
## [പാഠം ശേഷം ക്വിസ്](https://ff-quizzes.netlify.app/en/ds/quiz/17)
|
|
|
|
## അവലോകനം & സ്വയം പഠനം
|
|
|
|
ഈ ആദ്യ പാഠം Matplotlib ഉപയോഗിച്ച് അളവുകൾ ദൃശ്യവൽക്കരിക്കുന്നതിനെക്കുറിച്ച് ചില വിവരങ്ങൾ നൽകി. ദൃശ്യവൽക്കരണത്തിനായി ഡാറ്റാസെറ്റുകളുമായി പ്രവർത്തിക്കുന്ന മറ്റ് മാർഗങ്ങൾക്കായി കുറച്ച് ഗവേഷണം ചെയ്യുക. [Plotly](https://github.com/plotly/plotly.py) ഒരു ലൈബ്രറിയാണ്, ഇത് ഈ പാഠങ്ങളിൽ ഉൾപ്പെടുത്തുന്നില്ല, അതിനാൽ അത് എന്ത് നൽകുന്നു എന്ന് നോക്കുക.
|
|
## അസൈൻമെന്റ്
|
|
|
|
[ലൈനുകൾ, സ്കാറ്ററുകൾ, ബാറുകൾ](assignment.md)
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**അസൂയാ**:
|
|
ഈ രേഖ AI വിവർത്തന സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖ അധികാരപരമായ ഉറവിടമായി കണക്കാക്കണം. നിർണായക വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനത്തിന്റെ ഉപയോഗത്തിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |