W dzisiejszej lekcji zanurzymy się w świat wizualizacji danych, kluczowej umiejętności dla każdego data scientist'a. Poznamy dwie potężne biblioteki: Matplotlib i Seaborn, które pozwolą nam w prosty i efektywny sposób przedstawiać dane w postaci wykresów i diagramów.
Wizualizacja danych to proces prezentowania danych w formie graficznej, ułatwiając ich zrozumienie i analizę. Dzięki wizualizacji możemy szybko dostrzec trendy, zależności i anomalie, które w surowych danych mogą być trudne do wykrycia. Pomyśl o tym jak o detektywie, który używa map i schematów, aby rozwiązać sprawę. W data science, my używamy wykresów! Wyobraź sobie, że analizujemy sprzedaż lodów w Polsce. Bez wizualizacji, mielibyśmy tylko tabele z liczbami. Ale z wykresem słupkowym, od razu widać, które smaki były najpopularniejsze w danym miesiącu – jak np. lody Kaktus latem!
Matplotlib to fundamentalna biblioteka do wizualizacji w Pythonie. Daje nam pełną kontrolę nad każdym aspektem wykresu.
Przykład 1: Wykres Liniowy
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
plt.plot(x, y) # Tworzenie wykresu liniowego
plt.title('Wykres Liniowy - Przykładowe dane') # Dodanie tytułu
plt.xlabel('Oś X') # Etykieta osi X
plt.ylabel('Oś Y') # Etykieta osi Y
plt.show() # Wyświetlenie wykresu
Przykład 2: Wykres Słupkowy
import matplotlib.pyplot as plt
gatunki = ['Kot', 'Pies', 'Królik', 'Papuga']
liczba_zwierzat = [15, 22, 8, 5]
plt.bar(gatunki, liczba_zwierzat)
plt.title('Liczba Zwierząt w Schronisku')
plt.xlabel('Gatunek')
plt.ylabel('Liczba')
plt.show()
Przykład 3: Wykres Rozrzutu
import matplotlib.pyplot as plt
import numpy as np
x = np.random.rand(50) # Losowe dane
y = np.random.rand(50)
plt.scatter(x, y)
plt.title('Wykres Rozrzutu - Losowe dane')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()
Matplotlib pozwala na wiele więcej: zmiany kolorów, stylów linii, dodawanie legend, adnotacji, itp. To podstawa, którą warto opanować.
Seaborn to biblioteka zbudowana na Matplotlib, która oferuje wyższą estetykę i upraszcza tworzenie bardziej złożonych wykresów statystycznych. Seaborn automatycznie dba o wygląd wykresów i dostarcza gotowych rozwiązań dla popularnych typów wizualizacji. Wykorzystuje się go często do eksploracyjnej analizy danych (EDA).
Przykład 1: Histogram z Seaborn
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
dane = np.random.randn(100) # Dane rozkładu normalnego
sns.histplot(dane) # Tworzenie histogramu
plt.title('Histogram - Rozkład Normalny')
plt.show()
Przykład 2: Wykres Pudełkowy z Seaborn
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
dane = {'Kategoria': ['A', 'A', 'B', 'B', 'C', 'C'], 'Wartość': [10, 12, 15, 18, 20, 22]}
df = pd.DataFrame(dane)
sns.boxplot(x='Kategoria', y='Wartość', data=df)
plt.title('Wykres Pudełkowy')
plt.show()
Seaborn oferuje również wiele innych typów wykresów, takich jak heatmapy (mapy cieplne), wykresy gęstości, i wiele więcej. Ułatwia to analizę i prezentację danych w atrakcyjny i zrozumiały sposób. Pamiętaj, że często importujemy seaborn jako sns.
Niezależnie od tego, czy używasz Matplotlib, czy Seaborn, ważne jest, aby móc dostosować wykresy do swoich potrzeb. Możemy zmieniać kolory, style linii, dodawać tytuły, etykiety osi, legendy i adnotacje.
Przykład: Zmiana Koloru i Etykiet
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100) # Generowanie danych
y = np.sin(x)
plt.plot(x, y, color='red', linestyle='--', label='Sinus') # Zmiana koloru i stylu linii
plt.title('Wykres Funkcji Sinus')
plt.xlabel('X')
plt.ylabel('Sin(X)')
plt.legend() # Dodanie legendy
plt.show()
Przykład: Zmiana Rozmiaru
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 6)) # Zmiana rozmiaru wykresu (szerokość, wysokość) w calach
plt.scatter([1, 2, 3], [4, 5, 6])
plt.show()
Eksperymentuj z różnymi opcjami, aby zobaczyć, jak wpływają na wygląd wykresu!
Explore advanced insights, examples, and bonus exercises to deepen understanding.
Witaj ponownie! Dzisiaj zagłębimy się jeszcze bardziej w fascynujący świat wizualizacji danych. Po zapoznaniu się z Matplotlib i Seaborn, pora spojrzeć na to, jak efektywnie przekazywać informacje za pomocą wykresów i jak wybrać najlepsze narzędzie do konkretnych danych. Pamiętaj, że wizualizacja danych to nie tylko ozdoba – to klucz do zrozumienia i efektywnej komunikacji wyników analiz.
Wybranie właściwego typu wykresu to kluczowy element skutecznej wizualizacji. Zastanów się, jaki rodzaj danych prezentujesz i co chcesz przekazać. Przykładowo:
Storytelling z danymi: Wizualizacja to opowiadanie historii. Zadbaj o jasny przekaz, używaj tytułów i podpisów, które kontekstualizują dane. Pomyśl, jak Twój wykres pomoże odbiorcy zrozumieć, co jest ważne. Przykład? Zamiast "Sprzedaż w 2023", spróbuj: "Rekordowa Sprzedaż: Sprzedaż Wzrosła o 15% w 2023 roku!".
Ćwiczenie 1: Wykresy a Dane o Polskich Miastach
Użyj danych o ludności największych polskich miast (możesz znaleźć je w Internecie - np. na stronie GUS). Stwórz:
Ćwiczenie 2: Seaborn i Zaawansowana Wizualizacja
Wykorzystaj zbiór danych `iris` (dostępny w Seaborn). Stwórz:
Umiejętność wizualizacji danych jest niezwykle cenna w wielu dziedzinach. W analizie biznesowej pomaga w zrozumieniu trendów rynkowych i podejmowaniu decyzji. W nauce ułatwia prezentację wyników badań i komunikację z innymi naukowcami. W dziennikarstwie pozwala na tworzenie interaktywnych infografik, które angażują czytelnika. Nawet w życiu codziennym, potrafiąc analizować wykresy, łatwiej zrozumiesz informacje z mediów, wybory polityczne czy własne finanse.
Przykład: Wyobraź sobie, że pracujesz w firmie konsultingowej. Twoim zadaniem jest przygotowanie prezentacji dla klienta, która ma pokazywać wyniki analizy danych. Umiejętność tworzenia klarownych i atrakcyjnych wykresów jest kluczowa dla sukcesu tego projektu.
Wykorzystaj dane o cenach nieruchomości w Twojej okolicy (możesz je znaleźć w internecie lub w bazach danych o nieruchomościach). Spróbuj stworzyć wykresy, które:
Aby poszerzyć swoją wiedzę, rozważ:
Pamiętaj, że praktyka czyni mistrza! Regularnie eksperymentuj z różnymi typami wykresów i zbiorami danych, aby doskonalić swoje umiejętności. Powodzenia!
Stwórz wykres liniowy przedstawiający sprzedaż lodów w poszczególnych miesiącach. Użyj Matplotlib. Dane: miesiące = ['Styczeń', 'Luty', 'Marzec', 'Kwiecień', 'Maj', 'Czerwiec', 'Lipiec']; sprzedaz = [100, 120, 150, 200, 250, 300, 350]. Dodaj tytuł, etykiety osi i legendę.
Stwórz wykres słupkowy pokazujący popularność kilku zespołów muzycznych w Polsce (np. na podstawie liczby odtworzeń na Spotify). Użyj Matplotlib. Ustaw odpowiednie etykiety.
Użyj Seaborn, aby stworzyć histogram dla losowych danych generowanych z rozkładu normalnego. Dodaj tytuł. Spróbuj zmienić kolor histogramu.
Pomyśl o sytuacji, w której wizualizacja danych pomogła Ci zrozumieć dane lepiej (np. w raporcie, prezentacji, lub osobistym projekcie). Jakiego typu wykresu użyto i dlaczego był on skuteczny?
Wyobraź sobie, że pracujesz w firmie zajmującej się sprzedażą online. Twoim zadaniem jest przedstawienie zarządowi raportu na temat sprzedaży w ostatnim kwartale. Użyj Matplotlib i Seaborn do wizualizacji danych o sprzedaży, takich jak: sprzedaż po miesiącach (wykres liniowy), najpopularniejsze produkty (wykres słupkowy), rozkład cen produktów (histogram) i zależności między różnymi zmiennymi (np. cena vs. liczba sprzedanych sztuk - wykres rozrzutu).
Przygotuj się do następnej lekcji, gdzie skupimy się na pracy z danymi: wczytywaniu danych, czyszczeniu i wstępnej analizie za pomocą biblioteki Pandas. Przypomnij sobie podstawowe operacje na listach, słownikach i plikach w Pythonie, które będą przydatne.
We're automatically tracking your progress. Sign up for free to keep your learning paths forever and unlock advanced features like detailed analytics and personalized recommendations.