W tej lekcji poznasz podstawy wizualizacji danych w Pythonie, wykorzystując biblioteki Matplotlib i Seaborn. Nauczysz się tworzyć różnego rodzaju wykresy, takie jak histogramy, wykresy rozrzutu i wykresy słupkowe, aby efektywnie eksplorować i analizować dane.
Wizualizacja danych to proces prezentowania danych w formie graficznej, pozwalający na łatwiejsze zrozumienie trendów, wzorców i anomalii. Jest to kluczowy element analizy danych, umożliwiający szybką identyfikację istotnych informacji. Dlaczego wizualizacja jest ważna? Wyobraź sobie ogromną tabelę z danymi – ciężko dostrzec w niej zależności. Wykresy, takie jak histogramy, wykresy rozrzutu czy wykresy słupkowe, natychmiast ujawniają istotne informacje, które w surowych danych byłyby trudne do zauważenia. Wyobraźmy sobie, że analizujemy sprzedaż lodów w upalne lato – wykres słupkowy może natychmiast pokazać, które smaki są najpopularniejsze!
Narzędzia do wizualizacji w Pythonie:
Zaczynamy od Matplotlib. Najpierw musimy zaimportować bibliotekę. Standardowo robi się to tak:
import matplotlib.pyplot as plt
# Tworzymy przykładowe dane
x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 3, 5]
# Tworzymy prosty wykres liniowy
plt.plot(x, y)
plt.title('Prosty Wykres Liniowy')
plt.xlabel('Oś X')
plt.ylabel('Oś Y')
plt.show()
W powyższym kodzie:
plt.plot(x, y) tworzy wykres liniowy, gdzie x i y to nasze dane.plt.title(), plt.xlabel(), plt.ylabel() dodają tytuł i etykiety osi.plt.show() wyświetla wykres. Inne typy wykresów w Matplotlib:
plt.bar(x, y)plt.hist(dane) – używany do wizualizacji rozkładu danych.plt.scatter(x, y) – pokazuje relację między dwiema zmiennymi.Seaborn ułatwia tworzenie atrakcyjnych i informacyjnych wizualizacji, często wykorzystywanych w analizie statystycznej. Importujemy go tak:
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd # potrzebne do załadowania danych
# Przykład z użyciem zestawu danych 'iris' z Seaborn
iris = sns.load_dataset('iris')
# Wykres rozrzutu (scatter plot) dla dwóch cech
sns.scatterplot(x='sepal_length', y='sepal_width', hue='species', data=iris)
plt.title('Wykres Rozrzutu dla Iris')
plt.show()
# Histogramy dla każdej cechy dla każdej kategorii gatunku (wielokrotne histogramy)
sns.histplot(data=iris, x='sepal_length', hue='species', multiple='stack')
plt.title('Histogramy dla Iris')
plt.show()
W tym przykładzie:
sns.load_dataset('iris') ładuje przykładowy zbiór danych 'iris' (kwiaty irysów).sns.scatterplot() tworzy wykres rozrzutu, a hue używa kolorów do reprezentowania gatunków irysów.sns.histplot() generuje histogram.Seaborn automatycznie dodaje ładniejsze style i ułatwia tworzenie bardziej złożonych wizualizacji, takich jak wykresy rozkładu gęstości, mapy ciepła i wykresy korelacji.
Explore advanced insights, examples, and bonus exercises to deepen understanding.
Wspaniale! Już rozumiesz podstawy wizualizacji danych w Pythonie, korzystając z Matplotlib i Seaborn. Teraz zanurzymy się głębiej, odkrywając zaawansowane techniki i zastosowania, które pozwolą Ci efektywnie analizować i prezentować dane.
Pora na personalizację i interaktywność! Zrozumienie, jak dostosować wykresy do konkretnych potrzeb i jak uczynić je bardziej dynamicznymi, to klucz do skutecznej komunikacji danych.
Personalizacja: Pomyśl o wykresie jak o dziele sztuki. Matplotlib i Seaborn oferują bogate możliwości personalizacji, takie jak:
plt.style.use('ggplot') lub sns.set_style('whitegrid'), by szybko zmienić wygląd.plt.xlabel(), plt.ylabel(), plt.title() i plt.legend().plt.annotate()) do wyróżniania istotnych punktów na wykresie. Wyobraź sobie, że chcesz podkreślić rekordową sprzedaż w danym miesiącu.plt.subplots(). To przydatne, gdy chcesz porównać kilka różnych danych jednocześnie.Interaktywność: Choć Matplotlib jest statyczny, możemy wykorzystać biblioteki takie jak Plotly (pip install plotly) lub Bokeh (pip install bokeh) aby stworzyć dynamiczne wykresy, które reagują na interakcje użytkownika (np. najazdy myszką, kliknięcia). Wyobraź sobie wykres, gdzie po najechaniu na słupek pojawia się dodatkowa informacja!
import plotly.express as px
# Przykładowe dane
dane = {'kategoria': ['A', 'B', 'C'], 'wartość': [10, 15, 7]}
# Utworzenie interaktywnego wykresu słupkowego
fig = px.bar(dane, x='kategoria', y='wartość', title='Interaktywny Wykres Słupkowy')
fig.show()
Ćwiczenie 1: Personalizacja Wykresu
Masz dane dotyczące sprzedaży lodów w różnych smakach w ciągu roku. Stwórz wykres słupkowy (wykorzystaj Matplotlib lub Seaborn) prezentujący te dane. Dostosuj kolory, dodaj tytuł, etykiety osi i legendę. Dodaj adnotację do najwyższego słupka, wskazując na najlepszy smak.
# Podpowiedź: Wykorzystaj plt.annotate()
Ćwiczenie 2: Wykres Rozrzutu i Kolorowanie
Wykorzystaj zestaw danych "iris" (dostępny w bibliotece Seaborn - sns.load_dataset('iris')). Stwórz wykres rozrzutu, pokazujący zależności między "sepal_length" a "sepal_width". Pokoloruj punkty w zależności od gatunku (kolumna "species"). Użyj różnych stylów punktów dla ułatwienia interpretacji.
# Podpowiedź: Wykorzystaj sns.scatterplot() i argument 'hue'
Wizualizacja danych to narzędzie wszechobecne w świecie zawodowym. Oto kilka przykładów:
Zaawansowane Zadanie: Stwórz interaktywny dashboard (np. w Plotly Dash lub Streamlit) z kilkoma wykresami, pozwalający na analizę danych dotyczących Twojego ulubionego tematu (np. sportu, gier wideo, polityki). Użyj różnych rodzajów wykresów i umożliw interakcję (filtrowanie, zmiana parametrów). Pomyśl o stworzeniu własnej aplikacji analitycznej!
Utwórz wykres liniowy przedstawiający zmiany temperatury w ciągu dnia (w godzinach: 8, 10, 12, 14, 16, 18) i temperaturach: 15, 18, 22, 24, 20, 17 stopni Celsjusza. Dodaj tytuł, etykiety osi i wyświetl wykres.
Stwórz wykres słupkowy przedstawiający wyniki sprzedaży lodów w różnych smakach (np. waniliowy, czekoladowy, truskawkowy) w ciągu tygodnia. Dane dotyczące sprzedaży to: 15, 20, 10 sztuk odpowiednio dla każdego smaku. Użyj `plt.bar()`.
Użyj zestawu danych 'iris' z Seaborn. Stwórz wykres rozrzutu (`sns.scatterplot()`), który pokaże relację pomiędzy 'sepal_length' i 'petal_length', używając 'species' do kolorowania punktów. Dodaj tytuł do wykresu.
Użyj zestawu danych 'iris' z Seaborn. Utwórz histogram (`sns.histplot()`), który porówna rozkład 'sepal_width' dla różnych 'species'. Użyj parametru `hue` i `multiple='stack'`, aby nakładać histogramy.
Wyobraź sobie, że jesteś analitykiem danych w małej kawiarni. Chcesz przeanalizować dane dotyczące sprzedaży kaw w ciągu tygodnia. Zbierz dane dotyczące sprzedaży różnych rodzajów kaw (np. latte, espresso, cappuccino) oraz ich ilości sprzedanych każdego dnia. Stwórz wykresy słupkowe i liniowe, które pomogą właścicielowi kawiarni zrozumieć, które kawy są najpopularniejsze i które dni tygodnia przynoszą największe zyski. Możesz również wykorzystać wykresy rozrzutu do analizy zależności między cenami kaw a ilością sprzedanych porcji.
Przed następną lekcją przeanalizuj więcej przykładów wizualizacji danych, spróbuj poeksperymentować z różnymi typami wykresów i danymi. Przygotuj się na lekcję poświęconą zaawansowanym technikom wizualizacji i eksploracyjnej analizie danych (EDA).
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.