Python za analizu podataka: Matplotlib i vizualizacija podataka

Autor Yasin TANIŞ

Prvobitno objavljeno na Mediumu

Ilustracija grafikona i Python koda za vizualizaciju podataka

Uvod

Vizualizacija podataka znači korištenje grafikona i dijagrama kako bi složeni skupovi podataka postali razumljiviji. Python nudi više biblioteka za analizu i vizualizaciju podataka, a Matplotlib je jedna od najpopularnijih. U ovom članku upoznajemo osnove vizualizacije podataka pomoću Matplotliba.

Šta je Matplotlib

Matplotlib je moćna i fleksibilna biblioteka za izradu 2D grafikona u Pythonu. Njime se mogu crtati linijski i stupčasti grafikoni, dijagrami raspršenosti i mnoge druge vrste grafikona.

Instalacija Matplotliba

Prije upotrebe Matplotlib je potrebno instalirati. Ako ga još nemate na sistemu, instalirajte ga ovom komandom:

pip install matplotlib

Osnovna upotreba

Počnimo s jednostavnim linijskim grafikonom.

import matplotlib.pyplot as plt
# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

# Creating a line plot
plt.plot(x, y)
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Simple Line Plot')
plt.show()
Jednostavan linijski grafikon s tačkama podataka povezanim linijom
Slika 1: Jednostavan linijski grafikon s tačkama podataka povezanim linijom.

Ovaj jednostavan primjer pokazuje kako se Matplotlibom crta linijski grafikon. Pogledajmo sada još vrsta grafikona i mogućnosti prilagođavanja.

Vrste grafikona

Stupčasti grafikoni

Stupčasti grafikoni služe za prikaz kategorijskih podataka.

import matplotlib.pyplot as plt

# Example data
categories = ['A', 'B', 'C', 'D', 'E']
values = [4, 7, 1, 8, 5]
# Creating a bar chart
plt.bar(categories, values)
plt.xlabel('Categories')
plt.ylabel('Values')
plt.title('Simple Bar Chart')
plt.show()
Stupčasti grafikon s vrijednostima za različite kategorije
Slika 2: Jednostavan stupčasti grafikon s vrijednostima za različite kategorije.

Dijagrami raspršenosti

Dijagrami raspršenosti prikazuju odnos između dvije varijable.

import matplotlib.pyplot as plt

# Example data
x = [5, 7, 8, 7, 2, 17, 2, 9, 4, 11]
y = [99, 86, 87, 88, 100, 86, 103, 87, 94, 78]
# Creating a scatter plot
plt.scatter(x, y)
plt.xlabel('X Variable')
plt.ylabel('Y Variable')
plt.title('Simple Scatter Plot')
plt.show()
Dijagram raspršenosti s rasporedom tačaka podataka
Slika 3: Jednostavan dijagram raspršenosti koji prikazuje raspored tačaka podataka.

Histogrami

Histogrami pokazuju kako su podaci raspoređeni.

import matplotlib.pyplot as plt

# Example data
data = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5]
# Creating a histogram
plt.hist(data, bins=5)
plt.xlabel('Values')
plt.ylabel('Frequency')
plt.title('Simple Histogram')
plt.show()
Histogram s raspodjelom učestalosti podataka
Slika 4: Jednostavan histogram koji prikazuje raspodjelu učestalosti podataka.

Kružni grafikoni

Kružni grafikoni prikazuju udjele kategorijskih podataka.

import matplotlib.pyplot as plt
# Example data
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
# Creating a pie chart
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
plt.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
plt.title('Simple Pie Chart')
plt.show()
Kružni grafikon s udjelima različitih kategorija
Slika 5: Jednostavan kružni grafikon koji prikazuje udjele različitih kategorija.

Prilagođavanje grafikona

Matplotlib omogućava opsežno prilagođavanje grafikona kako bi bili čitljiviji i vizuelno ugodniji.

Boje i stilovi

Grafikonima možete dodati boje i stilove kako bi bili privlačniji.

import matplotlib.pyplot as plt

# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Customizing the line plot
plt.plot(x, y, color='red', linestyle='--', marker='o')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Customized Line Plot')
plt.show()
Linijski grafikon s crvenom isprekidanom linijom i kružnim oznakama
Slika 6: Prilagođeni linijski grafikon s crvenom isprekidanom linijom i kružnim oznakama.

Veličina i rezolucija grafikona

Veličinu i rezoluciju grafikona možete podesiti prema različitim potrebama.

import matplotlib.pyplot as plt

# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Setting plot size and resolution
plt.figure(figsize=(10, 5), dpi=100)
plt.plot(x, y)
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Large and High-Resolution Plot')
plt.show()
Veliki grafikon visoke rezolucije s detaljno prikazanim tačkama podataka
Slika 7: Veliki grafikon visoke rezolucije s detaljno prikazanim tačkama podataka.

Podgrafikoni

Podgrafikoni omogućavaju da na jednoj slici nacrtate više grafikona.

Dva različita grafikona jedan pored drugog na jednoj slici
Slika 8: Podgrafikoni koji prikazuju dva različita grafikona na jednoj slici.

Logaritamski grafikoni

Logaritamski grafikoni korisni su za podatke koji obuhvataju veoma širok raspon vrijednosti.

import matplotlib.pyplot as plt
import numpy as np

# Example data
x = np.linspace(0.1, 100, 100)
y = np.exp(x)
# Creating a logarithmic plot
plt.plot(x, y)
plt.xscale('log')
plt.yscale('log')
plt.xlabel('Log X Axis')
plt.ylabel('Log Y Axis')
plt.title('Logarithmic Plot')
plt.show()
Grafikon podataka na logaritamskoj skali
Slika 9: Grafikon koji prikazuje podatke na logaritamskoj skali.

Napredno prilagođavanje

Napomene

Napomenama možete istaknuti određene tačke.

import matplotlib.pyplot as plt

# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Creating a plot with annotation
plt.plot(x, y)
plt.annotate('Important Point', xy=(3, 5), xytext=(4, 10),
             arrowprops=dict(facecolor='black', shrink=0.05))
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Annotated Plot')
plt.show()
Grafikon sa strelicom napomene koja pokazuje na važnu tačku
Slika 10: Grafikon s napomenom koja ističe važnu tačku.

3D grafikoni

Matplotlib može crtati i 3D grafikone.

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np

# Example data
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))
# Creating a 3D plot
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(x, y, z, cmap='viridis')
plt.title('3D Plot')
plt.show()


fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.random.standard_normal(100)
y = np.random.standard_normal(100)
z = np.random.standard_normal(100)
ax.scatter(x, y, z)
plt.show()
3D površina s talasastim uzorkom
Slika 11: 3D grafikon površine s talasastim uzorkom.
3D grafikon raspršenih tačaka
Slika 11-1: 3D grafikon s uzorkom raspršenih tačaka.

Primjer sa sintetičkim podacima

Da bismo pokazali Matplotlib u praksi, napravimo sintetički skup podataka i prikažimo ga različitim vrstama grafikona.

import numpy as np
import matplotlib.pyplot as plt

# Generating synthetic data
np.random.seed(0)
x = np.linspace(0, 10, 100)
y = np.sin(x) + np.random.normal(0, 0.1, 100)
# Line plot
plt.figure(figsize=(10, 5))
plt.plot(x, y, label='Synthetic Data')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Synthetic Data Line Plot')
plt.legend()
plt.show()
# Scatter plot
plt.figure(figsize=(10, 5))
plt.scatter(x, y, label='Synthetic Data', color='red')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Synthetic Data Scatter Plot')
plt.legend()
plt.show()
Linijski grafikon sintetičkih podataka
Slika 12: Linijski grafikon sintetičkih podataka.
Dijagram raspršenosti sintetičkih podataka
Slika 13: Dijagram raspršenosti sintetičkih podataka.

Zaključak

Matplotlib je moćan i fleksibilan alat za vizualizaciju podataka u Pythonu. U ovom članku napravili smo linijske i stupčaste grafikone, dijagrame raspršenosti, histograme, kružne grafikone i još mnogo toga. Prilagodili smo grafikone i izradili napredne vizualizacije: grafikone s napomenama, podgrafikone, logaritamske i 3D grafikone. Koristeći širok spektar mogućnosti Matplotliba, možete unaprijediti svoje vještine vizualizacije te jasno i uvjerljivo predstaviti svoje podatke.

Izvori

  1. Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90–95.
  2. Dokumentacija Matplotliba: matplotlib.org
  3. Waskom, M. i dr. (2021). Seaborn: Statistical Data Visualization. Journal of Open Source Software, 6(60), 3021. seaborn.pydata.org