Trực quan hóa dữ liệu với các Biểu đồ khác nhau trong Python?

Python cung cấp nhiều thư viện dễ sử dụng khác nhau để trực quan hóa dữ liệu. Điều tốt là các thư viện này hoạt động với các bộ dữ liệu nhỏ hoặc lớn.

Một số thư viện python được sử dụng phổ biến nhất để trực quan hóa dữ liệu là -

• Matplotlib

• Gấu trúc

• Âm mưu

• Seaborn

Dưới đây, chúng tôi sẽ vẽ các loại biểu đồ trực quan khác nhau cho một dữ liệu cố định để phân tích dữ liệu đó tốt hơn.

Chúng tôi sẽ phân tích tập dữ liệu dưới đây để hình dung thông qua các biểu đồ khác nhau -

Lô đất cơ bản

Hãy tạo một số biểu đồ cơ bản:Biểu đồ đường thẳng, biểu đồ phân tán và biểu đồ

Lô đường

Biểu đồ đường là những đồ thị trong đó một đường được vẽ để biểu thị mối quan hệ giữa một tập hợp các giá trị x và y cụ thể.

import matplotlib.pyplot as plt
Year = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]
India_Population = [1173108018,1189172906,1205073612,1220800359,1266344631,1309053980,1324171354,1339180127,1354051854,1368737513]
plt.plot(Year, India_Population)
plt.show()

Đầu ra

Biểu đồ phân tán

Ngoài ra, bạn có thể muốn vẽ biểu đồ số lượng với 2 vị trí làm điểm dữ liệu.

Hãy xem xét dữ liệu tương tự như đối với biểu đồ đường, để tạo các biểu đồ phân tán, chúng ta chỉ cần sửa đổi một dòng trong đoạn mã trên -

plt.plot(Year, India_Population,'o')

Đầu ra

Biểu đồ

Biểu đồ rất thường được sử dụng trong các ứng dụng khoa học và rất có thể bạn sẽ cần phải vẽ chúng vào một lúc nào đó. Chúng rất hữu ích để lập biểu đồ phân phối.

import pandas as pd
import matplotlib.pyplot as plt
data = [
['India', 2019, 'Medium', 1368737.513],
['India', 2019, 'High', 1378419.072],
['India', 2019, 'Low', 1359043.965],
['India', 2019, 'Constant fertility', 1373707.838],
['India', 2019,'Instant replacement', 1366687.871],
['India', 2019, 'Zero migration', 1370868.782],
['India', 2019,'Constant mortality', 1366282.778],
['India', 2019, 'No change', 1371221.64],
['India', 2019, 'Momentum', 1367400.614],]
df = pd.DataFrame(data, columns = ([ 'Country or Area', 'Year(s)', 'Variant', 'Value']))
df.hist()
plt.show()

Đầu ra

Biểu đồ hình tròn

import numpy as np
import matplotlib.pyplot as plt

n = 25
Z = np.ones(n)
Z[-1] *= 2.5

plt.axes([0.05, 0.05, 0.95, 0.95])
plt.pie(Z, explode = Z*.05, colors = ['%f' % (i/float(n)) for i in range(n)],
   wedgeprops = {"linewidth": 1, "edgecolor": "green"})
plt.gca().set_aspect('equal')
plt.xticks([]), plt.yticks([])
plt.show()

Đầu ra

Biểu đồ địa cực

Mã:

import numpy as np
import matplotlib.pyplot as plt

ax = plt.axes([0.5,0.05,0.95,0.95], polar=True)

N = 25
theta = np.arange(0.0, 2.5*np.pi, 2.5*np.pi/N)
radii = 10*np.random.rand(N)
width = np.pi/4*np.random.rand(N)
bars = plt.bar(theta, radii, width=width, bottom=0.0)

for r,bar in zip(radii, bars):
bar.set_facecolor( plt.cm.jet(r/10.))
bar.set_alpha(0.5)

ax.set_xticklabels([])
ax.set_yticklabels([])

plt.show()

Đầu ra