6 สัปดาห์ที่แล้วฉันลาออกจากงานที่ปรึกษาด้านการจัดการและเริ่มหลักสูตรติวเข้มด้านวิทยาศาสตร์ข้อมูล โลกของฉันเปลี่ยนจากสไลด์สวย ๆ และการประชุม MS Teams แบบกลับไปกลับมาไปจนถึงดาวเคราะห์สัตว์และภาษาที่ตายแล้ว (อ่าน: สมุดบันทึก Jupyter, Python, แพนด้าและสถิติในสัญกรณ์คณิตศาสตร์)

สิ่งหนึ่งที่ฉันจะนำไปข้างหน้าเสมอจากการให้คำปรึกษาคือความสำคัญของการเล่าเรื่อง ใครจะสนใจว่าฉันจะสร้างโมเดลได้กี่แบบหากไม่มีใครเข้าใจวิธีการใช้งานและเหตุใดจึงสำคัญ และตามที่สุภาษิตกล่าวไว้ว่ารูปภาพมีค่าหนึ่งพันคำ

เป็นไปไม่ได้ที่จะพูดเกินจริงถึงความสำคัญของภาพที่เรียบง่ายชัดเจนในสาขาวิทยาศาสตร์ข้อมูลและการวิเคราะห์

Matplotlib

ใครก็ตามที่ขลุกอยู่กับวิทยาศาสตร์ข้อมูลน่าจะได้รับการแนะนำ Matplotlib ซึ่งเป็นไลบรารีการวางแผนฟรีมาตรฐานที่ได้รับแรงบันดาลใจจาก MATLAB ที่เข้มข้นขึ้น / เข้าถึงได้น้อยกว่า ใช้งานง่ายและใช้งานง่ายเหมาะสำหรับผู้เริ่มต้น

ปัญหาคือ… มันน่าเกลียดและการปรับแต่งความงามอาจใช้รหัสจำนวนมากเกินไป

ป้อน: Plotly

Plotly เป็นไลบรารีกราฟโอเพ่นซอร์สฟรีที่สามารถใช้กับภาษาการเข้ารหัสหลายภาษารวมถึง Python, Javascript และ R ในขณะที่โครงสร้างและความสามารถในการวางแผนและ matplotlib มีความคล้ายคลึงกันประโยชน์ที่ชัดเจนสามประการของการวางแผนมากกว่า matplotlib คือ:

1. มันง่ายกว่าที่จะสร้างภาพที่สวยงามและสวยงามมากขึ้น
2. กราฟ Plotly เป็นแบบโต้ตอบโดยค่าเริ่มต้น
3. ภาพเคลื่อนไหวสามารถทำได้โดยใช้โค้ดเพียงบรรทัดเดียว

มาสาธิตตัวอย่างง่ายๆ

ขั้นแรกให้นำเข้าแพ็คเกจมาตรฐานที่เราจะใช้ตลอดทั้งตัวอย่าง

import numpy as np
import matplotlib.pyplot as plt
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots

เราจะเริ่มต้นด้วยการกระจายแผนภาพที่เรียบง่ายเพื่อแสดงให้เห็นถึงสุนทรียภาพพื้นฐานของแต่ละห้องสมุด

สร้างข้อมูลตัวอย่างสำหรับเส้นโค้ง 2 มิติและลงจุดโดยใช้ matplotlib:

xaxis = np.linspace(0, 10, 100)
yaxis = np.sin(xaxis)
mat_scatter = plt.scatter(x=xaxis, y=yaxis)
plt.title('Basic Matplotlib Scatter')
plt.show();

      

plotly_scatter = px.scatter(x=xaxis, y=yaxis, title='Basic Plotly Scatter')
plotly_scatter.show()

      

2. การโต้ตอบ:

ฮิสโตแกรมเป็นวิธีที่ยอดเยี่ยมในการแสดงการโต้ตอบนอกกรอบของพล็อตเรื่อง

สร้างดาต้าเฟรมโดยใช้ชุดข้อมูลของแพนด้าตัวใดตัวหนึ่งจากนั้นแบ่งดาต้าเฟรม 3 แบบที่แตกต่างกันตามคอลัมน์ 'สายพันธุ์' ที่เป็นหมวดหมู่ นี่เป็นการตั้งค่าให้เราแสดงให้เห็นว่าสามารถสร้างพล็อตหลาย ๆ แบบในรูปเดียวได้อย่างไร

df = px.data.iris()
setosa_df = df[df['species'] == 'setosa']
versicolor_df = df[df['species'] == 'versicolor']
virginica_df = df[df['species'] == 'virginica']

      

mat_hist = plt.hist(x=setosa_df['petal_length'])
plt.title('Matplotlib Histogram - Setosa Petal Lengths')
plt.xlabel('Petal Length')
plt.ylabel('Count')
plt.savefig('images/mat_hist.png')
plt.show();

      

       PNG file written from code above
      

plotly_hist = px.histogram(setosa_df, x='petal_length', title='Plotly Histogram - Setosa Petal Lengths', labels={'petal_length': 'Petal Length'})
plotly_hist.write_html('images/plotlyhistogram.html')
plotly_hist.write_image('images/plotly_hist.png')
plotly_hist.show()

      

       PNG file written from plotly code above
      

Plotly graphs by default are interactive, meaning you can hover over the graph to see details of the underlying data, zoom in/out, etc. without adding any code whatsoever. In our setosa petal lengths histogram example, users can hover over each bin to see the range of x-values captured in that bin (in this case, range of petal lengths), and the count of elements that fall into that bin. The x-axis was automatically labelled using the column header from the dataframe. Passing in a dictionary of original value: desired label to the “labels” parameter, I can easily make those labels more intuitive for a user who may not be as familiar with the underlying dataset. You can save figures as static PNG/JPG files or as interactive HTML files that open in a web browser. The interactive version of the figure renders automatically in Jupyter Notebook.

นอกเหนืออย่างรวดเร็ว - พล็อตย่อย:

ทั้ง matplotlib และ plotly สามารถพล็อตพล็อตย่อยหลาย ๆ แบบลงในรูปเดียวเพื่อแสดงการเปรียบเทียบ เราจะสาธิตการใช้ข้อมูลเดียวกันกับไอริส

ใช้ matplotlib สร้างรูปที่มี 3 คอลัมน์จากนั้นพล็อตฮิสโทแกรมของความยาวกลีบดอกไม้แต่ละชนิดลงในรูป

mat_hist_fig, axes = plt.subplots(ncols=3, figsize=(15,5), sharex=True, sharey=True)
mat_hist_fig.set_tight_layout(tight=True)
mat_hist_fig.suptitle('Matplotlib Histograms - Iris Petal Lengths by Species')
axes[0].hist(setosa_df['petal_length'], bins=5, color='navy')
axes[0].set_title('Setosa')
axes[0].set(ylabel='Count')
axes[0].set(xlabel='Petal Length')
axes[1].hist(versicolor_df['petal_length'], bins=5, color='purple')
axes[1].set_title('Versicolor')
axes[1].set(xlabel='Petal Length')
axes[2].hist(virginica_df['petal_length'], bins=5, color='cornflowerblue')
axes[2].set_title('Virginica')
axes[2].set(xlabel='Petal Length')
mat_hist_fig.savefig('images/mat_hist_fig.png');

      

       PNG file written by code above
      

plotly_hist_fig = make_subplots(rows=1, cols=3, subplot_titles=('Setosa', 'Versicolor', 'Virginica'), shared_yaxes=True, shared_xaxes=True, horizontal_spacing=.02)
plotly_hist_fig.update_layout(title_text='Plotly Histograms - Iris Petal Lengths by Species', showlegend=False, height=400)
plotly_hist_fig.update_xaxes(title_text='Petal Length', range=[0,8])
plotly_hist_fig.update_yaxes(title_text='Count', col=1)
plotly_hist_fig.add_trace(
    go.Histogram(x=setosa_df['petal_length'], name='Setosa', marker_color='navy', nbinsx=5),
    1, 1)
plotly_hist_fig.add_trace(
    go.Histogram(x=versicolor_df['petal_length'], name='Versicolor', marker_color='purple', nbinsx=5),
    1, 2)
plotly_hist_fig.add_trace(
    go.Histogram(x=virginica_df['petal_length'], name='Virginica', marker_color='cornflowerblue', nbinsx=5),
    1, 3)
plotly_hist_fig.write_image('images/plotly_hist_fig.png')
plotly_hist_fig.show()

      

       PNG file written by plotly code above
      

3. ภาพเคลื่อนไหว:

สิ่งที่ยอดเยี่ยมที่สุดที่ฉันค้นพบโดยใช้พล็อตเรื่องคือการปรับแต่งแอนิเมชันแบบหลอกๆ

ใช้ข้อมูลเดียวกันและสถานการณ์เดียวกันกับรูปด้านบนสร้างฮิสโตแกรมแบบเคลื่อนไหวในพล็อตโดยตั้งค่าพารามิเตอร์ "animation_frame" เป็นองค์ประกอบที่เป็นหมวดหมู่ (ในกรณีของเราคือสายพันธุ์)

plotly_hist_anim = px.histogram(df, x='petal_length', nbins=5, title='Plotly Histogram - Iris Petal Lengths', labels={'petal_length': 'Petal Length'}, animation_frame='species', color='species', color_discrete_sequence=['navy', 'purple', 'cornflowerblue'])
plotly_hist_anim.update_layout(xaxis_range=(0, df['petal_length'].max()), yaxis_range=(0, 25))
plotly_hist_anim.write_html('images/plotly_hist_anim.html')
plotly_hist_anim.show()

สรุป

ดังที่คุณเห็นจากตัวอย่างง่ายๆไม่กี่ตัวอย่างการวางแผนที่เหนือกว่าไลบรารีกราฟของ matplotlib ในด้านความเรียบง่ายความสง่างามการโต้ตอบและภาพเคลื่อนไหวดังนั้นแม้แต่ ETL ของคุณก็สวยงาม

ถัดไปเพื่อสำรวจ: Dashของ plotly ซึ่งสามารถสร้างแอปการสร้างภาพข้อมูลบนเว็บแบบโต้ตอบด้วยรหัส Python ที่บริสุทธิ์

แหล่งข้อมูลเพิ่มเติม:

Badreesh Shetty เขียนบล็อกที่มีรายละเอียดเกี่ยวกับไลบรารี Matplotlib

เอกสารของ Plotlyนั้นดีและใช้งานง่ายแม้ว่าฉันจะเจอบางสิ่งที่ล้าสมัยดังนั้นเตรียมตัวให้พร้อมสำหรับการลองผิดลองถูก พวกเขาแสดงตัวอย่างและประเภทกราฟขั้นสูงมากมาย