Thư viện trực quan python
Trang web này được hỗ trợ rộng rãi bởi DataCamp. DataCamp cung cấp Hướng dẫn Python tương tác trực tuyến cho Khoa học dữ liệu. Tham gia cùng 575.000 người học khác và bắt đầu học Python cho khoa học dữ liệu ngay hôm nay Show
Chào mừng đến với LearnPython. hướng dẫn Python tương tác org Cho dù bạn có phải là một lập trình viên có kinh nghiệm hay không, trang web này dành cho tất cả những ai muốn học ngôn ngữ lập trình Python Bạn được hoan nghênh tham gia nhóm của chúng tôi trên Facebook để đặt câu hỏi, thảo luận và cập nhật Sau khi bạn hoàn thành các hướng dẫn, bạn có thể được chứng nhận tại LearnX và thêm chứng nhận của bạn vào hồ sơ LinkedIn của bạn Trong khi làm việc với dữ liệu, bạn có thể khó hiểu dữ liệu của mình khi nó chỉ ở dạng bảng. Để hiểu chính xác dữ liệu của chúng tôi, tôi truyền tải và để làm sạch tốt hơn và chọn các mô hình phù hợp cho nó, chúng tôi cần thiết lập dung lượng hoặc đại diện cho nó ở dạng hình ảnh. Điều này giúp hiển thị các mẫu, tương quan và xu hướng không thể thu được khi dữ liệu nằm trong tệp bảng hoặc tệp CSV Nội dung chính Hiển thị Quá trình tìm kiếm xu hướng và mối tương quan trong dữ liệu của chúng tôi bằng cách thể hiện nó được gọi là trực quan hóa dữ liệu. Để thực hiện trực tiếp hóa dữ liệu trong Python, chúng ta có thể sử dụng các mô-đun trực tiếp hóa dữ liệu Python khác nhau như Matplotlib, Seaborn, Plotly, v. v. Trong bài viết này, hướng dẫn đầy đủ về trực quan hóa dữ liệu trong Python, chúng ta sẽ thảo luận & NBSP;
Trực quan hóa dữ liệu là gì?Trực tiếp hóa dữ liệu trong Python Matplotlib và Seaborn Trực tiếp hóa dữ liệu trong PythonMatplotlib và Seaborn Line chart Matplotlib và SeabornLine chart đồ thị thanh Icon chartphân vùng điểmBản đồ nhiệt Trực quan hóa dữ liệu là một lĩnh vực trong phân tích dữ liệu liên quan đến biểu diễn trực quan của dữ liệu. Nó vẽ đồ họa dữ liệu và là một cách hiệu quả để truyền đạt những suy luận từ dữ liệu Sử dụng trực quan hóa dữ liệu, chúng tôi có thể nhận được một bản tóm tắt trực tiếp về dữ liệu của chúng tôi. Với hình ảnh, bản đồ và đồ thị, tâm trí con người có thời gian xử lý và hiểu bất kỳ dữ liệu nào dễ dàng hơn. Trực quan hóa dữ liệu đóng một vai trò quan trọng trong việc có thể hiển thị cả bộ dữ liệu nhỏ và lớn, nhưng nó đặc biệt hữu ích khi chúng tôi có bộ dữ liệu lớn, trong đó không thể tìm thấy tất cả dữ liệu của chúng tôi Python cung cấp một số thư viện âm thanh, cụ thể là Matplotlib, Seaborn và nhiều gói trực quan hóa dữ liệu khác nhau với các tính năng khác nhau để tạo các ô thông tin, tùy chỉnh và hấp dẫn để trình bày dữ liệu theo cách Hình 1. Trực tiếp hóa dữ liệu Matplotlib và Seaborn là thư viện Python được sử dụng để trực quan hóa dữ liệu. Họ có sẵn các mô-đun để vẽ các đồ thị khác nhau. Trong khi matplotlib được sử dụng để nhúng đồ thị vào các ứng dụng, Seaborn chủ yếu được sử dụng cho các biểu đồ thống kê Nhưng khi nào chúng ta nên sử dụng một trong hai? . Bảng dưới đây cung cấp so sánh giữa hai gói trực quan nổi tiếng của Python, Matplotlib và Seaborn Matplotlib bóng biển Line chartđồ thị thanh Icon chart phân vùng điểm Bản đồ nhiệtTrực quan hóa dữ liệu là một lĩnh vực trong phân tích dữ liệu liên quan đến biểu diễn trực quan của dữ liệu. Nó vẽ đồ họa dữ liệu và là một cách hiệu quả để truyền đạt những suy luận từ dữ liệu Sử dụng trực quan hóa dữ liệu, chúng tôi có thể nhận được một bản tóm tắt trực tiếp về dữ liệu của chúng tôi. Với hình ảnh, bản đồ và đồ thị, tâm trí con người có thời gian xử lý và hiểu bất kỳ dữ liệu nào dễ dàng hơn. Trực quan hóa dữ liệu đóng một vai trò quan trọng trong việc có thể hiển thị cả bộ dữ liệu nhỏ và lớn, nhưng nó đặc biệt hữu ích khi chúng tôi có bộ dữ liệu lớn, trong đó không thể tìm thấy tất cả dữ liệu của chúng tôi Python cung cấp một số thư viện âm thanh, cụ thể là Matplotlib, Seaborn và nhiều gói trực quan hóa dữ liệu khác nhau với các tính năng khác nhau để tạo các ô thông tin, tùy chỉnh và hấp dẫn để trình bày dữ liệu theo cách Hình 1. Trực tiếp hóa dữ liệu Matplotlib và Seaborn là thư viện Python được sử dụng để trực quan hóa dữ liệu. Họ có sẵn các mô-đun để vẽ các đồ thị khác nhau. Trong khi matplotlib được sử dụng để nhúng đồ thị vào các ứng dụng, Seaborn chủ yếu được sử dụng cho các biểu đồ thống kê Nhưng khi nào chúng ta nên sử dụng một trong hai? . Bảng dưới đây cung cấp so sánh giữa hai gói trực quan nổi tiếng của Python, Matplotlib và Seaborn Matplotlib bóng biển Nó được sử dụng để vẽ đồ thị cơ bản như biểu đồ dòng, & nbsp; . v Nó chủ yếu được sử dụng để trực quan hóa hệ thống kê và có thể thực hiện trực quan hóa phức hợp với lệnh ít hơnNó chủ yếu hoạt động với bộ dữ liệu và mảng Nó hoạt động với toàn bộ dữ liệu Seaborn có tổ chức và chức năng đáng kể hơn so với matplotlib và coi toàn bộ dữ liệu là một đơn vị độc lập You can't use the PLT function. Hình để thay đổi kích thước của hình Hình 9. Thay đổi kích thước đồ thị Use SeaBornMột cách dễ dàng để làm cho biểu đồ của bạn trông đẹp là sử dụng một số kiểu định nghĩa từ Thư viện Seaborn. Chúng có thể được áp dụng trên toàn bộ yêu cầu bằng cách sử dụng hàm SNS. Set_Style Hình 10. Use Seaborn Chúng ta cũng có thể sử dụng tùy chọn Darkgrid để thay đổi màu nền thành màu tối hơn Hình 11. Sử dụng Darkgrid trong Seaborn đồ thị thanhKhi bạn có dữ liệu phân loại, bạn có thể đại diện cho nó bằng biểu tượng đồ thanh. Một biểu đồ thanh vẽ dữ liệu với sự trợ giúp của các thanh, đại diện cho giá trị trên trục y và danh mục trên trục x. Biểu đồ thanh sử dụng các thanh có tốc độ cao khác nhau để hiển thị dữ liệu thuộc về một danh mục cụ thể Hình 12. Biểu đồ thị thanh âm Chúng ta cũng có thể xếp hạng các thanh trên nhau. Hãy vẽ dữ liệu cho ứng dụng và cam Hình 13. Chart chart thanh xếp chồng lên nhau Please to use the TIPS data data in Seaborn next. Bao gồm dữ liệu bao gồm
Hình 14. IRIS data Chúng ta có thể vẽ một biểu đồ thanh để thiết lập số lượng hóa đơn trung bình thay đổi như thế nào trong các ngày khác nhau trong tuần. Chúng ta có thể thực hiện điều này bằng cách tính toán trung bình ngày và sau đó sử dụng plt. quán ba. Thư viện Seaborn cũng cung cấp chức năng Barplot có thể tự động tính toán trung bình Hình 15. Trung bình âm thanh của mỗi thanh Nếu bạn muốn so sánh các ô cạnh nhau, bạn có thể sử dụng đối số HUE. Việc so sánh sẽ được thực hiện dựa trên tính năng thứ ba được chỉ định trong đối số này Hình 16. Vẽ đồ thị nhiều thanh Bạn có thể làm cho các thanh ngang bằng cách chuyển các bộ phận Hình 17. Vẽ đồ thị thanh ngang Icon chartBiểu đồ là một biểu tượng thanh của dữ liệu & nbsp; . Nó biểu thị chiều cao của dữ liệu thuộc một phạm vi dọc theo trục y và phạm vi dọc theo trục x. Biểu đồ được sử dụng để vẽ dữ liệu trên một loạt các giá trị. Họ sử dụng một biểu tượng thanh để hiển thị dữ liệu thuộc từng phạm vi. Một lần nữa, hãy sử dụng dữ liệu ‘Iris, có chứa thông tin về hoa để vẽ biểu đồ Hình 18. Mắt lưới cơ sở dữ liệu Bây giờ, hãy để âm biểu đạt biểu đồ bằng cách sử dụng hàm hist () Hình 19. Biểu đồ biểu tượng Chúng ta cũng có thể kiểm soát số lượng hoặc kích thước của thùng Hình 20. Change the number of thùng Chúng ta cũng có thể thay đổi số lượng và kích thước của thùng hàng bằng cách sử dụng Numpy Hình 21. Thay đổi số lượng và kích thước của thùng Chúng ta cũng có thể tạo ra các thùng có kích thước không đồng đều Hình 22. Các thùng có kích thước không đồng đều Tương tự như biểu đồ dòng, chúng ta có thể vẽ nhiều biểu đồ trong một biểu đồ duy nhất. Chúng ta có thể giảm độ mờ của từng biểu đồ cho các thanh của một biểu đồ không che giấu các thanh khác nhau'. Please vẽ biểu đồ riêng cho từng loài hoa Hình 23. Nhiều biểu tượng Nhiều biểu đồ có thể được xếp chồng lên nhau bằng cách đặt tham số xếp chồng đúng Hình 24. Xếp chồng biểu đồ phân vùng điểmCác sơ đồ phân tán được sử dụng khi chúng ta phải vẽ hai hoặc nhiều biến có mặt ở các vị trí khác nhau. Dữ liệu được phân tán trên tất cả các biểu đồ và không bị giới hạn trong một phạm vi. Hai hoặc nhiều biến được vẽ trong một biểu đồ phân tán, với mỗi biến được biểu thị bằng một màu khác nhau. Chúng ta hãy sử dụng bộ dữ liệu ‘Iris, để vẽ một biểu đồ phân tán Hình 25. IRIS data Đầu tiên, hãy để chúng tôi thấy có bao nhiêu loài hoa khác nhau mà chúng ta có Hình 26. Các loài hoa độc đáo Hãy cùng thử vẽ sơ đồ dữ liệu với sự trợ giúp của biểu đồ dòng Hình 27. Biểu đồ vẽ đường nét biểu tượng Điều này không phải là nhiều thông tin. Chúng ta không thể tìm ra mối quan hệ giữa các điểm dữ liệu khác nhau Hình 28. Panan map Điều này tốt hơn nhiều. Nhưng chúng tôi vẫn không thể phân biệt các điểm dữ liệu khác nhau thuộc các loại khác nhau. Chúng ta có thể tô màu các dấu chấm bằng cách sử dụng các loại hoa như một màu sắc Hình 29. Palette chart with many color Vì Seaborn sử dụng các hàm âm của Matplotlib trong nội bộ nên chúng tôi có thể sử dụng các chức năng như PLT. Figure và plt. tiêu đề để sửa đổi cấu hình Hình 30. Thay đổi kích thước của biểu đồ phân tán & nbsp; Bản đồ nhiệtCác bản đồ nhiệt được sử dụng để xem những thay đổi trong hành vi hoặc thay đổi tăng dần trong dữ liệu. Nó sử dụng các màu khác nhau để thể hiện các giá trị khác nhau. dựa trên cách các màu này phạm vi trong màu sắc, cường độ, v. v. , cho chúng ta biết các đối tượng khác nhau như thế nào. Chúng ta hãy dùng đồ nhiệt để trực tiếp hóa chân hành khách hàng tháng tại sân bay hơn 12 năm kể từ bộ dữ liệu chuyến bay ở Seaborn Hình 31. Bay chuyến bay dữ liệu   Bộ dữ liệu trên, FLIGHTS_DF cho chúng ta thấy bước chân hàng tháng trong sân bay mỗi năm, từ năm 1949 đến năm 1960. Các đại diện giá trị cho hành khách số lượng (trong hàng ngàn) đi qua sân bay. Vui lòng sử dụng bản đồ nhiệt để trực tiếp hóa dữ liệu trên Hình 32. Vẽ bản đồ nhiệt Màu sắc càng sáng, chân càng cao tại sân bay. Bằng cách nhìn vào biểu đồ, chúng ta có thể suy ra rằng.
Hãy hiển thị các giá trị thực tế trong bản đồ nhiệt của chúng tôi và thay đổi màu sắc thành màu xanh. Hình 33. Vẽ bản đồ nhiệt với các giá trị Học tập sắc nét, học máy và các ngôn ngữ lập trình khác với & NBSP; Kết luậnTrong bài viết này, hướng dẫn đầy đủ về trực quan hóa dữ liệu trong Python, chúng tôi đã đưa ra một cái nhìn tổng quan về .   Nếu bạn cần làm rõ thêm hoặc muốn tìm hiểu thêm về trực quan hóa dữ liệu trong Python và muốn hiểu cách thực hiện trực quan hóa dữ liệu, hãy chia sẻ các truy vấn của bạn với chúng tôi bằng cách đề cập đến chúng trong phần . Chúng tôi sẽ có các chuyên gia của chúng tôi xem xét chúng sớm nhất Python cung cấp nhiều gói trực quan khác nhau có thể được sử dụng để tạo các loại hình ảnh trực quan khác nhau và không chỉ các biểu đồ và sơ đồ. Do đó, điều quan trọng là quan trọng để hiểu những kỹ thuật và lợi thế của các thư viện khác nhau và cách sử dụng chúng cũng như toàn bộ tiềm năng của chúng. Kiểm tra khóa học Trí tuệ nhân tạo của SimplileArn để làm chủ các khái niệm chính bao gồm khoa học dữ liệu với Python, học máy, học sâu, NLP và nhiều thứ khác nữa. Mục tiêu của khóa học này là làm cho bạn có sẵn công việc và đảm bảo thành công trong sự nghiệp của bạn Python could be used to trực quan hóa dữ liệu không?Python cung cấp cho các thư viện khác nhau đi kèm với các tính năng khác nhau để trực quan hóa dữ liệu. Tất cả các thư viện này đều đi kèm với các tính năng khác nhau và có thể hỗ trợ các loại đồ thị khác nhau. . Tất cả các thư viện này đều có các tính năng khác nhau và có thể hỗ trợ nhiều loại biểu đồ khác nhau. Làm thế nào để bạn phân tích và trực tiếp hóa dữ liệu trong Python?Để thực hiện trực tiếp hóa dữ liệu trong Python, chúng ta có thể sử dụng các mô-đun trực tiếp quan hóa dữ liệu Python khác nhau như Matplotlib, Seaborn, Plotly, ETC. sử dụng nhiều mô-đun trực quan hóa dữ liệu python như Matplotlib, Seaborn, Plotly, v.v. . Công cụ trực quan hóa dữ liệu nào là tốt nhất cho Python?10 thư viện trực quan hóa dữ liệu Python. . Matplotlib. Với hơn 461 nghìn người dùng trên GitHub, Matplotlib là gói python phổ biến và được sử dụng rộng rãi nhất được sử dụng bởi các nhà khoa học dữ liệu để tạo ra trực quan hóa dữ liệu nâng cao |