私をフォローするには、青い「Python Space 」をクリックしてください
「星」を追加して、毎日一緒に楽しく学ぶ
TowardsDataScienceのから選ば 著者：リアナMehrabyan
ほとんど人間のコンパイラ パラメータパンダ：付き
データは私たちが世界を説明し、アイデアを説明し、成果を示すのに役立ちますが、面倒なテキストと数字しかない場合、聴衆の注意を引くことができません。多くの場合、美しいビジュアルチャートは1,000ワード以上です。この記事では、Plotlyに基づく5つの視覚化方法を紹介します。元の視覚化は、ヒストグラムやボックスグラフだけでなく、動的で美しく、インタラクティブなものにも使用できることがわかります。
データサイエンティストにとって、ストーリーテリングは重要なスキルです。私たちの考えを表現し、他の人を説得するには、効果的なコミュニケーションが必要です。美しい視覚化は、このタスクのための優れたツールです。この記事では、データストーリーをより美しく効果的にするための、従来とは異なる5つの視覚化手法を紹介し ます。これはPythonのPlotlyグラフィックライブラリ（Rからも利用可能）を使用するため、アニメーションチャートやインタラクティブチャートを簡単に生成できます。
それで、Plotlyの利点は何ですか？Plotlyは強力な統合機能を備えています。JupyterNotebookで使用でき、Webサイトに埋め込むことができ、ダッシュボードと分析アプリケーションを構築するための優れたツールであるDashを完全に統合します。
スタート
Plotlyをインストールしていない場合は、ターミナルで次のコマンドを実行してインストールを完了します。
pip install plotlyインストールが完了したら、使用を開始してください！
アニメ
このインジケーターまたはそのインジケーターの進化を研究するとき、時間データを含めることがよくあります。次の図に示すように、Plotlyアニメーションツールでは、1行のコードでデータの経時変化を確認できます。
コードは次のとおりです。
import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,
y="Entity",
x="Deaths",
animation_frame="Year",
orientation='h',
range_x=[0, df.Deaths.max()],
color="Entity")
# improve aesthetics (size, grids etc.)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)',
title_text='Evolution of Natural Disasters',
showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()フィルタリングする時間変数がある限り、ほとんどすべてのチャートをアニメーション化できます。以下は、散布図アニメーションの作成例です。
import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(
df,
x="gdpPercap",
y="lifeExp",
animation_frame="year",
size="pop",
color="continent",
hover_name="country",
log_x=True,
size_max=55,
range_x=[100, 100000],
range_y=[25, 90],
# color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,
height=800,
xaxis_showgrid=False,
yaxis_showgrid=False,
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)')
太陽図
サンバーストチャートは、group byステートメントを視覚化するのに適した方法です。特定の数量を1つ以上のカテゴリ変数で分解する場合は、サンチャートを使用します。
性別と時刻に基づいて平均チップデータを分解するとします。この場合、この二重のgroup byステートメントは、表よりも効果的に視覚化できます。
このグラフはインタラクティブなので、さまざまなカテゴリをクリックして自分で探索できます。すべてのカテゴリを定義し、それらの間の階層を宣言して（次のコードのparentsパラメータを参照）、対応する値を割り当てるだけです。これは、この場合のgroup byステートメントの出力です。
import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd
df = px.data.tips()
fig = go.Figure(go.Sunburst(
labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],
parents=["", "", "Female", "Female", 'Male', 'Male'],
values=np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex', 'time']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()
次に、この階層に別のレイヤーを追加します。
これを行うには、3つのカテゴリ変数を含む別のgroup byステートメントを追加します。
import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=[
"Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',
'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri ', 'Sat ', 'Sun ', 'Fri ', 'Thu '
],
parents=[
"", "", "Female", "Female", 'Male', 'Male',
'Dinner', 'Dinner', 'Dinner', 'Dinner',
'Lunch', 'Lunch', 'Dinner ', 'Dinner ',
'Dinner ', 'Lunch ', 'Lunch '
],
values=np.append(
np.append(
df.groupby('sex').tip.mean().values,
df.groupby(['sex',
'time']).tip.mean().values,
),
df.groupby(['sex', 'time',
'day']).tip.mean().values),
marker=dict(colors=px.colors.sequential.Emrld)),
layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()
並列カテゴリ
カテゴリー変数間の関係を調べる別の方法は、次のフローチャートです。値はいつでもドラッグアンドドロップ、強調表示、および参照できるため、プレゼンテーションに最適です。
コードは次のとおりです。
import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_categories(
df,
dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],
color="Genre_id",
color_continuous_scale=px.colors.sequential.Emrld,
)
fig.show()
平行座標グラフ
平行座標チャートは、上記のチャートの連続バージョンです。ここで、各文字列は1つの観測値を表します。これは、外れ値（他のデータから1行離れている）、クラスタリング、傾向、および冗長変数（たとえば、2つの変数が各観測で類似した値を持っている場合、同じ水平線上にある）を識別するために使用できるタイプです。 、冗長性があることを示します）。
コードは次のとおりです。
import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_coordinates(
df,
dimensions=[
'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',
'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'
],
color='IMDB_Rating',
color_continuous_scale=px.colors.sequential.Emrld)
fig.show()
グラフとインジケーターのスケール
スケールチャートは見栄えのためだけです。このチャートは、KPIなどの成功指標を報告し、目標からの距離を示すときに使用できます。
指標はビジネスやコンサルティングで非常に役立ちます。それらはテキストマークで視覚効果を補足し、聴衆の注意を引き、あなたの成長指標を示すことができます。
import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
domain = {'x': [0, 1], 'y': [0, 1]},
value = 4.3,
mode = "gauge+number+delta",
title = {'text': "Success Metric"},
delta = {'reference': 3.9},
gauge = {'bar': {'color': "lightgreen"},
'axis': {'range': [None, 5]},
'steps' : [
{'range': [0, 2.5], 'color': "lightgray"},
{'range': [2.5, 4], 'color': "gray"}],
}))
fig.show()
元のリンク：https://towardsdatascience.com/5-visualisations-to-level-up-your-data-story-e131759c2f41
最后，当当正在搞活动，通过我的优惠码，保证你四折买书！优惠码有限，先到先得，要屯书的千万不要错过！点击链接直达详情：谁也拦不住我，我一定要把这个送给你们！本号读者福利我将自己的原创文章整理成了一本电子书，取名《Python修炼之道》，一共 400 页，17w+ 字，目录如下： 免费送给大家，在我的公众号回复 修炼之道 即可获取-END-推荐阅读：爆肝整理 400 页 《Python 修炼之道》，高清电子书送给一直支持我的读者！
很多程序员被英语搞的死去活来，热心的我连夜找到这份专为程序员编写的英语指南！
算法题从入门到放弃？刷了几千道算法题，关于如何刷题有些话我想对你说
刷了几千道算法题，这些我私藏的刷题网站都在这里了！Ｂ站收藏 6.1w+！GitHub 标星 3.9k+！这门神课拯救了我薄弱的计算机基础????扫描上方二维码即可关注
