Parallelle koordinatplot er et nyttigt visualiseringsværktøj, der bruges til at vise relationer mellem flere variabler, der deler de samme numeriske data. I LuckyTemplates er disse plots skabt med meget simpel Python-kode, som du kan bruge og nemt oprette og stilisere.
I dagens blog vil vi lære, hvordan du opretter multi-variate eller parallelle koordinatplot ved hjælp af . Vi vil gennemgå processen trin for trin, fra at forberede dataene til at tilpasse plottet for bedre læsbarhed. Du kan se den fulde video af denne tutorial nederst på denne blog .
Indholdsfortegnelse
Parallelle koordinatplot i Python: Eksempel 1
Dette er vores første plot. Den viser vores tre variable – Variabel A, B og C, og de to linjer, der repræsenterer punkt 1 og 2.
Det betyder, at vi har to sæt data, et til punkt 1 og et andet til punkt 2. Og for hvert datasæt har vi vores tre variabler.
Lad os se på dataene for bedre at forstå, hvordan plottet var struktureret.
Start med at fremhæve grafen. Klik på Data.
En tabel med meget simple data skulle dukke op. Det blev oprettet ved hjælp af indsæt tabel-indstillingen. Vi kan se, at der i kolonnerne er variable A, B og C for hvert element, der er adskilt i hver række.
Vi har simple data, men vi kan gøre det til noget, der er meget sigende. For eksempel kan vi i vores plot bestemme, at forholdet mellem dataene er ret "lavt".
For at illustrere kan vi sammenligne dette plot med vores data. Variabel B i punkt 1 er 100 og 115 i punkt 2, som vist i grafen.
Vi kan også identificere, hvordan emnerne og variablerne hænger sammen. For eksempel kan vi nemt se, at Variabel A er lavere end B, og at C er den laveste blandt de tre.
Plot Python-koden
Lad os nu fortsætte med koden, der bruges til det faktiske plot.
Start med at vælge Python visual fra ruden .
Fremhæv vores første graf for at åbne .
Først importerer vi matplotlib.pyplot og gemmer det som en variabel plt.
Derefter bringer vi pandas.plotting -funktionerne ind. Pandas fungerer som et datamanipulationsbibliotek i LuckyTemplates. Det bruges primært til at manipulere data, men det har også plottefunktioner.
Lad os importere parallel_coordinates fra pandas.plotting . Parallelle_koordinater vil være den primære funktion til at skabe grafen.
At lave plottet i Python
I linje 13 dokumenterer vi, hvad vi skal gøre, ved at skrive # lav et plot.
Vi bruger parallel_koordinater og passerer i datasættet.
I linje 3 kan vi se, at datasættet er oprettet ved hjælp af funktionen pandas.DataFrame ( ) . Derefter tilføjer vi Element, Variabel A, Variabel B og Variabel C, som derefter afspejles i vores værdiliste .
I linje 4 deduplikeres datasættet ved hjælp af dataset.drop_duplicates ( ).
Vi kan gå til ruden Visualiseringer for at se de værdier , vi tilføjede.
Fjernelse af en af disse værdier vil påvirke vores billeder. For eksempel, hvis vi fjerner variabel C, vil koordinaterne ændre sig tilsvarende, hvilket viser os, hvordan værdierne fungerer .
Lad os bringe vores variabel C tilbage ved at markere feltet ved siden af den under Data i felter- ruden.
Indsæt derefter funktionen parallel_coordinates , som tager et par forskellige argumenter. I vores tilfælde tager det datasættet og elementet, som vil give typen og dimensionen fra vores datasæt.
Hvis vi fjerner Item fra vores funktion og kører den, fungerer det visuelle ikke.
Vi får en Python-scriptfejl, der siger, at funktionen parallel_coordinates ( ) mangler 1 påkrævet positionsargument, som er class_column .
Så lad os tilføje varen tilbage. Fordi det er positionelt, behøver vi ikke at skrive klassekoordinater. Vi kan køre koden, når den er færdig.
Viser plottet i Python
Næste trin er at vise plottet, så i linje 16 dokumenterer vi, hvad vi skal gøre, ved at skrive # vis plottet.
Husk at vi importerede matplotlib.pyplot tidligere og gemte det som plt. Det gjorde vi, fordi vi har brug for funktionen plt.show( ) for at vise vores plot.
Parallelle koordinatplot i Python: Eksempel 2
Vores andet plot er et iris-datasæt, der viser petal_length, petal_width, sepal_length og sepal_width. Den har en lille smule mere stil i forhold til den første graf.
Dette datasæt blev oprettet med Python-kode.
For at se vores data skal du klikke på Transformer data og gå til iris_dataset.
Datasættet indeholder kolonner for dimensionerne – bægerbladslængde , bægerbladsbredde , kronbladslængde og kronbladsbredde . Den har også en kolonne for artstypen .
Datasæt Python-koden
Vores data blev nemt bragt ind ved hjælp af Python-kode. Gå til Kilde for at vise Python-scriptet.
Vores Python-kode har kun to linjer. I den første linje importerede vi seaborn og gemte den som variabel sns . Vi navngav vores datasæt som iris_dataset og brugte sns-variablen til at indlæse datasættet ved hjælp af funktionen sns.load_dataset('iris') .
Klik på OK for at få de data, vi har set ovenfor. Naviger gennem dataene, og når du er færdig, kan vi lukke datasættet ved at gå til Luk & Anvend > Luk .
Styling af plots i Python
Klik på vores andet plot for at åbne Python-scripteditoren for vores mere stiliserede graf.
Vi starter med at importere matplotlib.pyplot som plt.
Derefter bruger vi funktionen plt.style.use ('dark_background') til at style det visuelle.
Vi kan nemt tilpasse baggrunden baseret på vores foretrukne stil ved hjælp af matplotlibs Style sheet reference . I vores tilfælde brugte vi en mørk baggrund.
Lad os også prøve at bruge ggplot , som er en almindelig anvendt stil.
Hvis vi kører det, vil det give os et billede, der ser sådan ud.
Indlæs derefter pandas-funktionen for grafen ved at importere parallel_coordinates fra pandas.plotting.
For at lave plottet henter vi datasættet og indstiller vores art som klassen .
Sammenlignet med vores første plot tilføjer vi en ekstra parameter, som er farvekortet for at få forskellige farver. Giv det videre ved at bruge matplotlib-variablen plt.get_cmap.
Der er mange matplotlib-farvevariabler at vælge imellem i matplotlibs Colormap-reference .
For eksempel bruger vi i øjeblikket sæt 2 fra kvalitative farvekort, men vi kan også ændre det til andre farver, såsom hsv fra cykliske farvekort.
Klik på Kør for at få et plot, der ser sådan ud.
Hsv ser ikke særlig godt ud på vores data, men vi kan lege, indtil vi finder det bedst egnede farvekort til vores plot.
Konklusion
I denne tutorial har vi dækket det grundlæggende i at skabe parallelle koordinatplot i Python. Vi har gennemgået processen med at forberede dataene, oprette plottet og tilpasse plottet for bedre læsbarhed.
Parallelle koordinatplot er et kraftfuldt værktøj til visualisering af højdimensionelle data og kan bruges inden for en række forskellige områder, herunder økonomi, teknik og maskinlæring. Nu hvor vi ved, hvordan man opretter parallelle koordinatplot i , kan vi begynde at bruge dem til bedre at forstå og visualisere vores egne data.
Alt det bedste,
Gaelim Holland
Denne blog indeholder LuckyTemplates TOPN DAX-funktionen, som giver dig mulighed for at få unik indsigt fra dine data, hvilket hjælper dig med at træffe bedre markedsføringsbeslutninger.
Find ud af, hvorfor det er vigtigt at have en dedikeret datotabel i LuckyTemplates, og lær den hurtigste og mest effektive måde at gøre det på.
Denne korte vejledning fremhæver LuckyTemplates mobilrapporteringsfunktion. Jeg vil vise dig, hvordan du kan udvikle rapporter effektivt til mobilenheder.
I denne LuckyTemplates Showcase gennemgår vi rapporter, der viser professionel serviceanalyse fra et firma, der har flere kontrakter og kundeengagementer.
Gå gennem de vigtigste opdateringer til Power Apps og Power Automate og deres fordele og implikationer for Microsoft Power Platform.
Opdag nogle almindelige SQL-funktioner, som vi kan bruge, såsom streng, dato og nogle avancerede funktioner til at behandle eller manipulere data.
I denne tutorial lærer du, hvordan du opretter din perfekte LuckyTemplates-skabelon, der er konfigureret til dine behov og præferencer.
I denne blog vil vi demonstrere, hvordan man lagdelte feltparametre med små multipler for at skabe utrolig nyttig indsigt og visuals.
I denne blog vil du lære, hvordan du bruger LuckyTemplates rangerings- og brugerdefinerede grupperingsfunktioner til at segmentere et eksempeldata og rangordne det efter kriterier.
I denne tutorial vil jeg dække en specifik teknik omkring, hvordan du kun viser Kumulativ Total op til en bestemt dato i dine visuals i LuckyTemplates.
