By Roja Achary, Machine Learning-entusiast

"Formålet med visualisering er indsigt, ikke billeder."

- Ben Shneiderman

Kilde – Venn gage

Datavisualisering er den visuelle præsentation af data eller information. Målet med datavisualisering er at kommunikere data eller information klart og effektivt til læserne. Typisk visualiseres data i form af et diagram, infografik, diagram, kort med mere.

Hvordan hjælper det?

• Identificer tendenser og outliers
• Fortæl en historie i dataene
• Styrk et argument eller en mening
• Fremhæv et vigtigt punkt i et datasæt

Lad os dykke ned i hver af dem.

Biblioteker påkrævet

 
Brug pakkehåndteringen pip at installere nedenfor:

pip installer matplotlib pip installer seaborn pip installer plotnine pip installer plotly pip installer bokeh

Matplotlib

Matplotlib er et omfattende bibliotek til at skabe statiske, animerede og interaktive visualiseringer i Python. De fleste af koderne starter deres datavisualiseringsrejse med Matplotlib. 

Funktioner:

• Det er designet som MATLAB, så det er ret nemt at skifte mellem de to.
• Omfatter en masse rendering backends.
• Den kan gengive stort set alle plots (med en smule indsats).
• Har været derude i over et årti, og kan derfor prale af en enorm brugerbase.

Hurtige håndkoder til Matplotlib på 10 minutter

Søfødt

Seaborn udnytter kraften i Matplotlib til at skabe smukke diagrammer i et par linjer kode. Den vigtigste forskel er Seaborns standard stilarter og farvepaletter, som er designet til at være mere æstetisk tiltalende og moderne. Da Seaborn er bygget oven på Matplotlib, bliver du nødt til at kende Matplotlib for at justere Seaborns standardindstillinger.

Funktioner:

• Indbygget temaer til styling af matplotlib-grafik
• Visualisering af univariate og bivariate data
• Indpasning og visualisering af lineære regressionsmodeller
• Plotning af statistiske tidsseriedata
• Seaborn fungerer godt med NumPy og Pandas datastrukturer
• Den leveres med indbyggede temaer til styling af Matplotlib-grafik

Hurtige håndkoder til Seaborn på 10 minutter

Plotnine

Plotnine er en implementering af en grammatik af grafik i Python, den er baseret på ggplot2. Grammatikken giver brugerne mulighed for at komponere plots ved eksplicit at kortlægge data til de visuelle objekter, der udgør plottet.

Funktioner:

• Statistiske transformationer
• Scales
• Koordinerer systemer
• facetter
• Temaer

Hurtige håndkoder til Plotnine på 10 minutter

bokeh

Kilde: Patrik Hlobil

Bokeh er et interaktivt visualiseringsbibliotek til moderne webbrowsere. Det giver en elegant, kortfattet konstruktion af alsidig grafik og giver højtydende interaktivitet over store eller streaming-datasæt. Bokeh kan hjælpe alle, der gerne vil hurtigt og nemt lave interaktive plots, dashboards og dataapplikationer.

Funktioner:

• Fleksibel
• Interactive
• Kraftfuld
• Produktiv
• delbar
• OpenSource

Hurtige håndkoder til Bokeh på 10 minutter

Komplott

plotly er et interaktivt, open source og browserbaseret grafbibliotek til Python. Bygget oven på plotly.js er plotly.py et højt niveau, deklarativt diagrambibliotek. plotly.js leveres med over 30 korttyper, inklusive videnskabelige diagrammer, 3D-grafer, statistiske diagrammer, SVG-kort, finansielle diagrammer og mere.

Funktioner:

• Diagrammer, Dashboards
• Fileksport, App Manager
• Kubernetes, Autentificering
• Jobkø, Snapshot Engine
• Indlejring, Big Data til Python

Hurtige håndkoder til plotly på 10 minutter

 
Referencer og hjælp:

• https://matplotlib.org/stable/tutorials/index.html
• http://seaborn.pydata.org/index.html
• https://plotnine.readthedocs.io/en/stable/
• https://bokeh.org/
• https://plotly.com/python/

 
Bio: Roja Achary (Kaggle, GitHub) er en maskinlæringsentusiast og en passioneret elev. Hun er interesseret i området AI, Data Science med software engineering og altid åben for meningsfulde samarbejder.

Relateret:

• Animerede søjlediagramløb i Python
• Hvordan visualisering transformerer undersøgende dataanalyse
• Få interaktive plots direkte med pandaer