Na dzisiejszej lekcji skupimy się na personalizacji wykresów i poprawie ich estetyki. Nauczymy się dostosowywać kolory, style, etykiety oraz inne elementy, aby wizualizacje danych były bardziej zrozumiałe i atrakcyjne dla odbiorcy.
Zacznijmy od podstaw. W Pythonie, z wykorzystaniem biblioteki matplotlib (najpopularniejsza biblioteka do wizualizacji danych), mamy ogromne możliwości personalizacji.
Kolory: Możemy zmieniać kolory elementów wykresu za pomocą argumentu color (lub c – skrót) lub facecolor dla wypełnień. Możemy używać nazw kolorów (np. 'red', 'blue'), kodów hexadecymalnych (np. '#FF0000' dla czerwonego) lub wartości RGB/RGBA (np. (1, 0, 0) dla czerwonego).
Style: matplotlib oferuje style linii (np. '-', '--', '-.') i markery punktów (np. 'o', 'x', '+'). Możemy również zmieniać szerokość linii (linewidth) i przezroczystość (alpha).
Przykład:
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y, color='red', linestyle='--', linewidth=2, marker='o', markersize=5)
plt.title('Wykres Sinusa z Dostosowanymi Stylami')
plt.xlabel('Oś X')
plt.ylabel('Oś Y')
plt.grid(True) # Dodanie siatki dla lepszej czytelności
plt.show()
Kluczowe elementy każdego wykresu to etykiety osi, tytuł i legenda.
plt.xlabel(), plt.ylabel(), aby opisać osie x i y. plt.title() dodaje tytuł do wykresu. plt.legend() wyświetla legendę, która wyjaśnia znaczenie różnych linii/słupków na wykresie. Aby legenda działała poprawnie, musimy dodać argument label do funkcji plot() lub bar().Przykład:
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, label='Sinus', color='blue')
plt.plot(x, y2, label='Cosinus', color='green')
plt.title('Wykresy Sinusa i Cosinusa')
plt.xlabel('Oś X')
plt.ylabel('Wartość')
plt.legend()
plt.show()
matplotlib posiada wbudowane style (tematy), które pozwalają na szybką zmianę wyglądu wykresów. Możemy wybierać między predefiniowanymi stylami, takimi jak ggplot, seaborn-whitegrid, grayscale itp. Używamy plt.style.use('nazwa_stylu').
Przykład:
import matplotlib.pyplot as plt
import numpy as np
plt.style.use('ggplot') # Zastosowanie stylu ggplot
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title('Wykres Sinusa z Stylem ggplot')
plt.show()
Możemy również tworzyć własne style, modyfikując pliki konfiguracyjne matplotlib lub definiując je bezpośrednio w kodzie.
Wybór odpowiedniego stylu i kolorów zależy od prezentowanych danych i celu wizualizacji.
Explore advanced insights, examples, and bonus exercises to deepen understanding.
Witaj ponownie! Dziś kontynuujemy eksplorację personalizacji wizualizacji danych. Po zapoznaniu się z podstawami dostosowywania kolorów, stylów i etykiet, zanurzymy się głębiej w techniki, które pozwolą Ci tworzyć wykresy nie tylko poprawne, ale i naprawdę efektowne.
Dotychczas skupialiśmy się na aspektach technicznych. Teraz poruszymy temat storytellingu danych – czyli opowiadania historii za pomocą wizualizacji. To znacznie więcej niż tylko poprawne odwzorowanie danych na wykresie. To umiejętność zaprezentowania danych w sposób, który angażuje odbiorcę i prowadzi go przez konkretną narrację.
Perspektywy i Alternatywy:
Wykorzystaj poniższe dane, aby poćwiczyć swoje umiejętności wizualizacji:
Dane: Stwórz symulację budżetu domowego (przychody, wydatki w podziale na kategorie: jedzenie, rozrywka, mieszkanie, transport, etc.).
Zadanie: Zwizualizuj budżet za pomocą wykresu kołowego (pie chart), a następnie dostosuj kolory i style, aby prezentacja była czytelna i estetyczna. Dodaj legendę i procentowy udział każdej kategorii.
Dane: Wykorzystaj fikcyjny zestaw danych sprzedaży produktów w różnych kategoriach (np. elektronika, odzież, książki) w różnych miesiącach.
Zadanie: Stwórz wykres liniowy pokazujący trendy sprzedaży dla poszczególnych kategorii w czasie. Użyj różnych kolorów dla każdej kategorii i dodaj tytuł oraz etykiety osi. Zastanów się, czy wykres liniowy jest rzeczywiście najlepszym rozwiązaniem. Rozważ inne opcje, takie jak wykresy słupkowe.
Z umiejętnością personalizacji wykresów i prezentacji wyników spotkasz się na każdym kroku w pracy data scientist, ale nie tylko:
Zaawansowane Wyzwanie: Wykorzystaj bibliotekę plotly lub bokeh w Pythonie do stworzenia interaktywnego wykresu, który umożliwia filtrowanie danych i wyświetlanie szczegółowych informacji po najechaniu kursorem na element wykresu. Przedstaw dane z dowolnego publicznie dostępnego źródła (np. GUS, Open Data). Spróbuj stworzyć animację na wykresie.
Stwórz prosty wykres liniowy (np. wykres funkcji `y = x^2`). Zmień kolor linii na niebieski, styl linii na przerywaną, a grubość linii na 3. Dodaj tytuł i etykiety osi.
Narysuj na jednym wykresie dwie funkcje (np. `y = x` oraz `y = x^3`). Użyj różnych kolorów i dodaj legendę, która wyjaśnia, która linia reprezentuje którą funkcję. Dodaj etykiety osi i tytuł.
Stwórz wykres słupkowy prezentujący dane o sprzedaży w kilku miastach. Użyj stylu `ggplot` lub innego, który Ci się podoba. Dodaj tytuł i etykiety.
Przejrzyj kilka przykładów wykresów (np. z gazet, raportów). Zastanów się, jakie style, kolory i etykiety zostały użyte. Jak te elementy wpływają na czytelność i zrozumienie danych? Podziel się swoimi spostrzeżeniami.
Wyobraź sobie, że pracujesz nad raportem dla firmy, który zawiera dane o sprzedaży produktów. Twoim zadaniem jest stworzenie atrakcyjnych i czytelnych wykresów, które jasno prezentują trendy sprzedaży, porównują wyniki dla różnych produktów i regionów. Jakie style, kolory i typy wykresów wybierzesz? Pomyśl o doborze palet kolorów i elementach graficznych, które pomogą Twoim odbiorcom w zrozumieniu prezentowanych danych.
Na następnej lekcji omówimy zaawansowane techniki wizualizacji danych, takie jak wykresy 3D, animacje oraz interaktywne wizualizacje. Przygotuj się do instalacji dodatkowych bibliotek, takich jak `plotly`.
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.