Hướng dẫn chart in python
Python Data Visualization – Trực quan hoá dữ liệu với Python. Show
Nội dung chính
Trực quan hóa dữ liệu là quy tắc cố gắng hiểu dữ liệu bằng cách đặt dữ liệu vào ngữ cảnh trực quan để các mẫu, xu hướng và tương quan có thể dễ thể hiện. Python cung cấp nhiều thư viện đồ họa tuyệt vời đi kèm với rất nhiều tính năng khác nhau. Dù bạn muốn tạo ra các tương tác, trực tiếp hoặc tùy biến cao, python đều có một thư viện tuyệt vời cho bạn. Để có một cái nhìn tổng quan, dưới đây là một vài thư viện phổ biến:
Trong bài viết này, chúng ta sẽ tìm hiểu cách tạo các ô cơ bản bằng cách sử dụng Matplotlib và Pandas cũng như cách sử dụng một số tính năng cụ thể của từng thư viện. Bài viết này sẽ tập trung vào cú pháp chứ không tập trung vào diễn giải các biểu đồ. Nhập dữ liệuTrong bài viết này, chúng tôi sẽ sử dụng hai bộ dữ liệu có sẵn miễn phí. Bộ dữ liệu Iris và Wine Reviews , cả hai chúng ta đều có thể tải bằng phương pháp read_csv pandas. Hình 2: Đầu dữ liệu Iris Hình 3: Đầu dữ liệu Wine Review Matplotlib – Python Data VisualizationMatplotlib là thư viện python phổ biến nhất. Đây là một thư viện cấp thấp với giao diện giống Matlab, cung cấp rất nhiều sự tự do dù phải viết thêm code. Để cài đặt Matplotlib, pip và conda có thể được sử dụng. Pip install matplotlib Matplotlib đặc biệt tốt để tạo các biểu đồ cơ bản như line charts, bar charts, histograms và nhiều hơn nữa. Nó có thể được nhập bằng cách gõ: import matplotlib.pyplot as plt Scatter Plot – Python Data VisualizationĐể tạo một scatter plot trong Matplotlib, chúng ta có thể sử dụng phương thức scatter. Chúng ta cũng sẽ tạo một hình và một trục bằng cách sử dụng plt.subplots để chúng ta có thể cung cấp cho biểu đồ của mình một tiêu đề và nhãn. Hình 4: Scatter plot Matplotlib Chúng ta có thể cung cấp cho biểu đồ nhiều ý nghĩa hơn bằng cách tô màu trong mỗi điểm dữ liệu theo lớp của nó. Điều này có thể được thực hiện bằng cách tạo một từ điển ánh xạ từ lớp sang màu và sau đó tự phân tán từng điểm bằng cách sử dụng vòng lặp for và chuyển màu tương ứng. Hình 5: Scatter Plot được tô màu theo lớp Line Chart – Python Data VisualizationTrong Matplotlib, chúng ta có thể tạo một line chart cách gọi phương thức plot. Chúng ta cũng có thể vẽ nhiều cột trong một biểu đồ, bằng cách lặp qua các cột mà chúng ta muốn và vẽ từng cột trên cùng một trục. Hình 6: Line Chart Histogram – Python Data VisualizationTrong Matplotlib, chúng ta có thể tạo Histogram bằng phương thức hist. Nếu chúng ta chuyển dữ liệu phân loại như cột điểm từ bộ dữ liệu đánh giá, nó sẽ tự động tính toán tần suất mỗi lớp xảy ra. Hình 7: Histogram Bar Chart – Python Data VisualizationMột bar chart có thể được tạo bằng phương thức bar. Bar chart không tự động tính toán tần suất của danh mục nên chúng ta sẽ sử dụng chức năng value_counts pandas để thực hiện việc này. Bar chart rất hữu ích cho dữ liệu phân loại không có nhiều danh mục khác nhau (dưới 30) vì các biểu đồ khác có thể trở nên khá lộn xộn. Hình 8: Bar-Chart Pandas Visualization – Python Data VisualizationPandas là một thư viện hiệu suất cao, dễ sử dụng, cung cấp các cấu trúc dữ liệu, như các tệp dữ liệu và các công cụ phân tích dữ liệu như các công cụ trực quan mà chúng ta sẽ sử dụng trong bài viết này. Pandas Visualization dễ dàng tạo ra các plot từ một khung dữ liệu và chuỗi pandas. Nó cũng có API cấp cao hơn Matplotlib và do đó chúng ta cần ít code hơn cho cùng kết quả. Pandas có thể được cài đặt bằng cách sử dụng pip hoặc conda. pip install pandas Scatter Plot – Python Data VisualizationĐể tạo một scatter plot trong Pandas, chúng ta có thể gọi Hình 9: Scatter Plot Như bạn có thể thấy trong hình, nó sẽ tự động đặt nhãn x và y thành tên cột. Line Chart – Python Data VisualizationĐể tạo một line chart trong Pandas, chúng ta có thể gọi Hình 10: Line Chart Nếu chúng ta có nhiều hơn một tính năng thì Pandas sẽ tự động tạo một chú thích, như có thể thấy trong hình trên. Histogram – Python Data VisualizationTrong Pandas, chúng ta có thể tạo một Histogram với phương thức plot.hist. Không có bất kỳ đối số bắt buộc nào nhưng chúng ta có thể tùy ý chuyển một số như kích thước. Hình 11: Histogram Nó cũng thực sự dễ dàng để tạo ra nhiều histogram. Hình 12: Nhiều Histogram Đối số subplots chỉ định rằng chúng ta muốn có một plot riêng cho từng tính năng và layout chỉ định số lượng plot trên mỗi hàng và cột. Bar Chart – Python Data VisualizationĐể vẽ bar chart, chúng ta có thể sử dụng phương thức plot.bar(), nhưng trước khi chúng ta có thể gọi nó, chúng ta cần lấy dữ liệu của mình. Đối với điều này, trước tiên chúng ta sẽ đếm các lần xuất hiện bằng phương thức value_count() và sau đó sắp xếp các lần xuất hiện từ nhỏ nhất đến lớn nhất bằng phương thức sort_index(). Hình 13: Bar-Chart dọc Phương pháp này cũng rất đơn giản để tạo một biểu đồ thanh ngang bằng phương thức plot.barh() này. Hình 14: Bar-Chart ngang Chúng ta cũng có thể vẽ các dữ liệu khác vào đây. Hình 15: Các quốc gia có rượu vang đắt nhất (theo trung bình) Trong ví dụ trên, chúng tôi đã nhóm dữ liệu theo quốc gia và sau đó lấy giá trị trung bình của giá rượu, và vẽ 5 quốc gia có giá rượu trung bình cao nhất. Kết luậnĐể bắt kịp xu hướng và đồng thời nâng cấp kho kiến thức của bản thân, thì việc biết, học và hiểu được Data Visualization là một trong những yếu tố mang lại sự khác biệt giữa một Junior Marketing với một Senior Marketing trong việc report công việc và số liệu cho Manager của mình. Để đáp ứng nhu cầu đó, Nordic Coder– Trung tâm đào tạo lập trình hàng đầu đang khai giảng khoá học Data Visualization – Trực quan hoá dữ liệu, để hỗ trợ một cách bài bản về cách làm, đọc dữ liệu, phân tích, dự báo,…. Còn chần chờ gì nữa mà không đăng ký học thử nào mọi người. |