Python за анализа на податоци: Matplotlib и визуелизација на податоци

Автор Yasin TANIŞ

Првично објавено на Medium

Илустрација на графикони и Python код за визуелизација на податоци

Вовед

Визуелизацијата на податоци значи користење графикони и дијаграми за сложените збирки податоци да станат поразбирливи. Python нуди повеќе библиотеки за анализа и визуелизација на податоци, а Matplotlib е една од најпопуларните. Во оваа статија ги учиме основите на визуелизацијата на податоци со Matplotlib.

Што е Matplotlib

Matplotlib е моќна и флексибилна библиотека за изработка на 2Д графикони во Python. Може да црта линиски и столбести графикони, дијаграми на расејување и многу други видови графикони.

Инсталирање на Matplotlib

Пред да го користиме, Matplotlib треба да се инсталира. Ако веќе го немате на системот, инсталирајте го со оваа команда:

pip install matplotlib

Основна употреба

Да започнеме со едноставен линиски графикон.

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()
Едноставен линиски графикон со точки поврзани со линија
Слика 1: Едноставен линиски графикон со точки од податоци поврзани со линија.

Овој едноставен пример покажува како се црта линиски графикон со Matplotlib. Сега да ги погледнеме другите видови графикони и прилагодувањата.

Видови графикони

Столбести графикони

Столбестите графикони служат за приказ на категориски податоци.

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()
Столбест графикон со вредности за различни категории
Слика 2: Едноставен столбест графикон со вредности за различни категории.

Дијаграми на расејување

Дијаграмите на расејување ја прикажуваат врската меѓу две променливи.

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()
Дијаграм на расејување со распоредот на точките од податоци
Слика 3: Едноставен дијаграм на расејување што го прикажува распоредот на точките од податоци.

Хистограми

Хистограмите покажуваат како се распределени податоците.

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()
Хистограм со распределба на честота на податоците
Слика 4: Едноставен хистограм што ја прикажува распределбата на честотата на податоците.

Кружни графикони

Кружните графикони ги прикажуваат уделите на категориските податоци.

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()
Кружен графикон со удели на различни категории
Слика 5: Едноставен кружен графикон што ги прикажува уделите на различни категории.

Прилагодување на графиконите

Matplotlib овозможува опсежно прилагодување на графиконите за да бидат почитливи и попријатни за око.

Бои и стилови

На графиконите можете да им додадете бои и стилови за да бидат попривлечни.

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()
Линиски графикон со црвена испрекината линија и кружни ознаки
Слика 6: Прилагоден линиски графикон со црвена испрекината линија и кружни ознаки.

Големина и резолуција на графиконот

Големината и резолуцијата на графиконот можете да ги прилагодите на различни потреби.

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()
Голем графикон со висока резолуција и детални точки
Слика 7: Голем графикон со висока резолуција што прикажува детални точки од податоци.

Подграфикони

Подграфиконите овозможуваат на една слика да нацртате повеќе графикони.

Два различни графикона еден до друг на една слика
Слика 8: Подграфикони што прикажуваат два различни графикона на една слика.

Логаритамски графикони

Логаритамските графикони се корисни за податоци што опфаќаат многу широк опсег на вредности.

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()
Графикон на податоци на логаритамска скала
Слика 9: Графикон што прикажува податоци на логаритамска скала.

Напредно прилагодување

Забелешки

Со забелешки можете да истакнете одредени точки.

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()
Графикон со стрелка на забелешка што покажува важна точка
Слика 10: Графикон со забелешка што истакнува важна точка.

3Д графикони

Matplotlib може да црта и 3Д графикони.

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()
3Д површина со брановидна шема
Слика 11: 3Д графикон на површина со брановидна шема.
3Д графикон на расфрлани точки
Слика 11-1: 3Д графикон со шема налик на дијаграм на расејување.

Пример со синтетички податоци

За да покажеме како се користи Matplotlib, да создадеме синтетичка збирка податоци и да ја прикажеме со различни видови графикони.

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()
Линиски графикон на синтетички податоци
Слика 12: Линиски графикон на синтетички податоци.
Дијаграм на расејување на синтетички податоци
Слика 13: Дијаграм на расејување на синтетички податоци.

Заклучок

Matplotlib е моќна и флексибилна алатка за визуелизација на податоци во Python. Во оваа статија изработивме линиски, столбести и кружни графикони, дијаграми на расејување, хистограми и уште многу. Исто така, ги прилагодивме графиконите и создадовме напредни визуелизации: графикони со забелешки, подграфикони, логаритамски и 3Д графикони. Користејќи ги широките можности на Matplotlib, можете да ги унапредите своите вештини за визуелизација и јасно и убедливо да ги претставите своите податоци.

Извори

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