By Roja Achary, Entuzjasta uczenia maszynowego

„Celem wizualizacji jest wgląd, a nie obrazy”.

Ben Shneiderman

Źródło – miernik Venna

Wizualizacja danych to wizualna prezentacja danych lub informacji. Celem wizualizacji danych jest jasne i skuteczne przekazywanie danych lub informacji czytelnikom. Zazwyczaj dane są wizualizowane w postaci wykresu, infografiki, diagramu, mapy i nie tylko.

Jak to pomaga?

• Zidentyfikuj trendy i wartości odstające
• Opowiedz historię w danych
• Wzmocnij argument lub opinię
• Zaznacz ważny punkt w zestawie danych

Zanurzmy się w każdym z nich.

Wymagane biblioteki

 
Użyj menedżera pakietów pip do zainstalowania poniżej:

pip install matplotlib pip install seaborn pip install plotnine pip install plotly pip install bokeh

Biblioteki Matplotu

Matplotlib to kompleksowa biblioteka do tworzenia statycznych, animowanych i interaktywnych wizualizacji w Pythonie. Większość programistów rozpoczyna swoją przygodę z wizualizacją danych od Matplotlib. 

Cechy:

• Został zaprojektowany jak MATLAB, więc przełączanie między nimi jest dość łatwe.
• Zawiera wiele backendów renderujących.
• Potrafi odtworzyć niemal dowolne działki (przy odrobinie wysiłku).
• Istnieje od ponad dekady, dlatego może pochwalić się ogromną bazą użytkowników.

Szybkie kody ręczne dla Matplotlib w 10 minut

Dno morskie

Seaborn wykorzystuje moc Matplotlib do tworzenia pięknych wykresów w kilku linijkach kodu. Kluczową różnicą są domyślne style i palety kolorów Seaborn, które są zaprojektowane tak, aby były bardziej estetyczne i nowoczesne. Ponieważ Seaborn jest zbudowany na bazie Matplotlib, musisz znać Matplotlib, aby dostosować ustawienia domyślne Seaborn.

Cechy:

• Wbudowane motywy do stylizacji grafiki matplotlib
• Wizualizacja danych jednowymiarowych i dwuwymiarowych
• Dopasowywanie i wizualizacja modeli regresji liniowej
• Wykreślanie statystycznych danych szeregów czasowych
• Seaborn dobrze współpracuje ze strukturami danych NumPy i Pandas
• Zawiera wbudowane motywy do stylizacji grafiki Matplotlib

Szybkie kody ręczne dla Seaborn w 10 minut

Plotnina

Plotnine to implementacja gramatyki grafiki w Pythonie oparta na ggplot2. Gramatyka umożliwia użytkownikom komponowanie wykresów przez wyraźne mapowanie danych do obiektów wizualnych, które tworzą wykres.

Cechy:

• Przekształcenia statystyczne
• Waga
• Układy współrzędnych
• Fasety
• Motywy

Szybkie kody ręczne dla Plotnine w 10 minut

Bokeh

Źródło: Patrik Hlobil

Bokeh to interaktywna biblioteka wizualizacji dla nowoczesnych przeglądarek internetowych. Zapewnia elegancką, zwięzłą konstrukcję wszechstronnej grafiki i zapewnia interaktywność o wysokiej wydajności w dużych lub przesyłanych strumieniowo zestawach danych. Bokeh może pomóc każdemu, kto chciałby szybko i łatwo tworzyć interaktywne wykresy, pulpity nawigacyjne i aplikacje danych.

Cechy:

• Elastyczne
• Interaktywny
• Potężny
• Produktywny
• Udostępniane
• Otwarte źródło

Szybkie kody ręczne do bokeh w 10 minut

Zgrabnie

plotly to interaktywna biblioteka graficzna o otwartym kodzie źródłowym i oparta na przeglądarce dla Pythona. Zbudowana na bazie plotly.js, plotly.py jest deklaratywną biblioteką do tworzenia wykresów wysokiego poziomu. plotly.js zawiera ponad 30 typów wykresów, w tym wykresy naukowe, wykresy 3D, wykresy statystyczne, mapy SVG, wykresy finansowe i inne.

Cechy:

• Wykresy, pulpity nawigacyjne
• Eksport plików, Menedżer aplikacji
• Kubernetes, Uwierzytelnianie
• Kolejka zadań, aparat migawek
• Osadzanie, Big Data dla Pythona

Szybkie kody ręczne do kreślenia w 10 minut

 
Referencje i pomoc:

• 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) jest entuzjastą uczenia maszynowego i zapalonym uczniem. Interesuje się obszarem AI, Data Science z inżynierią oprogramowania i zawsze jest otwarta na konstruktywną współpracę.

Związane z:

• Animowane wyścigi wykresów słupkowych w Pythonie
• Jak wizualizacja przekształca eksploracyjną analizę danych
• Uzyskaj interaktywne wykresy bezpośrednio z pandami