A párhuzamos koordináta diagramok egy hasznos vizualizációs eszköz, amellyel több, azonos numerikus adatot megosztó változó közötti kapcsolatokat mutatnak be. A LuckyTemplates alkalmazásban ezek a telkek nagyon egyszerű Python-kóddal jönnek létre, amelyet használhat, könnyen létrehozhat és stilizálhat.
A mai blogban megtanuljuk, hogyan lehet többváltozós vagy párhuzamos koordináta diagramokat létrehozni a segítségével. Lépésről lépésre végigjárjuk a folyamatot, az adatok előkészítésétől a cselekmény testreszabásáig a jobb olvashatóság érdekében. Az oktatóanyag teljes videóját a blog alján tekintheti meg .
Tartalomjegyzék
Párhuzamos koordináta diagramok Pythonban: 1. példa
Ez az első cselekményünk. Ez mutatja a három változónkat – az A, B és C változót, valamint az 1. és 2. tételt képviselő két sort.
Ez azt jelenti, hogy két adatkészletünk van, az egyik az 1., a másik a 2. elemhez. És minden adatkészlethez három változónk van.
Nézzük meg az adatokat, hogy jobban megértsük, hogyan épült fel a cselekmény.
Kezdje a grafikon kiemelésével. Kattintson az Adatok elemre.
Egy nagyon egyszerű adatokat tartalmazó táblázatnak kell megjelennie. A táblázat beszúrása opcióval jött létre. Láthatjuk, hogy az oszlopokban az egyes tételekhez tartozó A, B és C változók találhatók, amelyek minden sorban el vannak választva.
Egyszerű adataink vannak, de nagyon sokatmondóvá tudjuk alakítani. Például a diagramunkban megállapíthatjuk, hogy az adatok közötti kapcsolat meglehetősen „alacsony”.
Szemléltetésképpen összehasonlíthatjuk ezt a diagramot adatainkkal. Az 1. tétel B változója 100, a 2. tételben pedig 115, amint az a grafikonon látható.
Azt is meg tudjuk határozni, hogy az elemek és a változók hogyan kapcsolódnak egymáshoz. Például könnyen beláthatjuk, hogy az A változó alacsonyabb, mint B, és hogy C a legalacsonyabb a három közül.
A Plot Python kód
Most folytassuk a tényleges cselekményhez használt kóddal.
Kezdje a Python vizuális elem kiválasztásával a panelen .
Emelje ki az első grafikonunkat a megnyitásához .
Először is importáljuk a matplotlib.pyplot fájlt , és elmentjük plt változóként .
Ezután behozzuk a pandas.plotting jellemzőket. A Pandák adatkezelési könyvtárként szolgálnak a LuckyTemplatesben. Elsősorban adatok manipulálására használják, de vannak benne ábrázolási funkciók is.
Importáljuk a párhuzamos_koordinátákat a pandákból.plotting . A párhuzamos_koordináták lesznek az elsődleges függvények a grafikon létrehozásához.
A cselekmény elkészítése Pythonban
A 13. sorban dokumentáljuk, mit fogunk csinálni a # make a plot írásával.
A párhuzamos_koordinátákat használjuk , és átadjuk az adatkészletet.
A 3. sorban azt láthatjuk, hogy az adatkészlet a pandas.DataFrame ( ) függvény segítségével jött létre. Ezután hozzáadjuk az Elemet, az A változót, a B változót és a C változót, amelyek ezután megjelennek az Értékek listánkban.
A 4. sorban az adatkészlet deduplikációja a dataset.drop_duplicates ( ) használatával történik.
A Vizualizációk ablaktáblában megtekinthetjük az általunk hozzáadott értékeket .
Ezen értékek bármelyikének eltávolítása hatással lesz a vizualitásunkra. Például, ha eltávolítjuk a C változót, a koordináták ennek megfelelően megváltoznak, megmutatva, hogyan működnek az értékek .
Tegyük vissza a C változónkat úgy, hogy bejelöljük a mellette lévő négyzetet az Adatok alatt a Fields panelen.
Ezután adja meg a parallel_coordinates függvényt, amely néhány különböző argumentumot igényel. Esetünkben az adatkészletet és az Elemet veszi, amely megadja az adatkészletünk típusát és dimenzióját.
Ha eltávolítjuk az elemet a függvényünkből, és futtatjuk, a vizualizáció nem fog működni.
Egy Python szkripthibát fogunk kapni, amely szerint a parallel_coordinates ( ) függvényből hiányzik 1 kötelező pozicionális argumentum, ez a class_column.
Tehát adjuk vissza az elemet . Mivel pozicionális, nem kell osztálykoordinátákat írnunk. A kódot futtathatjuk, ha kész.
A cselekmény megjelenítése Pythonban
A következő lépés a cselekmény bemutatása, így a 16. sorban dokumentáljuk, hogy mit fogunk csinálni a # show the plot írásával.
Emlékezzünk vissza, hogy korábban importáltuk a matplotlib.pyplot fájlt , és plt néven mentettük . Azért tettük ezt, mert szükségünk van a plt.show( ) függvényre a diagram megjelenítéséhez.
Párhuzamos koordináta diagramok Pythonban: 2. példa
A második diagramunk egy írisz adatkészlet, amely a szirom_hosszát, a szirom_szélességét, a sepal_length-et és a sepal_width-et mutatja . Kicsit stílusosabb az első grafikonhoz képest.
Ez az adatkészlet Python kóddal jött létre.
Adataink megtekintéséhez kattintson az Adatok átalakítása elemre , és lépjen az iris_dataset elemre.
Az adatkészlet oszlopokat tartalmaz a méretekhez – csészelevél hossza , csészelevél szélessége , szirom hossza és szirom szélessége . Ezenkívül van egy oszlop a fajtípus számára .
Az adatkészlet Python kódja
Az adatainkat könnyen bevittük Python kóddal. A Python-szkript megjelenítéséhez lépjen a Forrás elemre .
A Python kódunknak csak két sora van. Az első sorban a seabornt importáltuk , és változó sns- ként mentettük el . Adatkészletünket iris_dataset néven neveztük el , és az sns változót használtuk az adatkészlet betöltésére az sns.load_dataset('iris') függvény segítségével.
Kattintson az OK gombra a fent látott adatok megjelenítéséhez. Navigáljon az adatok között, és ha kész, bezárhatjuk az adatkészletet a Close & Apply > Close menüpontra kattintva .
Styling Plots Pythonban
A Python szkriptszerkesztő megnyitásához stilizáltabb grafikonunkhoz kattintson a második diagramunkra.
Kezdjük a matplotlib.pyplot importálásával plt .
Ezután a plt.style.use ('dark_background') függvényt használjuk a vizualizáció stílusához.
Könnyedén testreszabhatjuk a hátteret a preferált stílusunk alapján a matplotlib stíluslap hivatkozásának használatával . Esetünkben sötét hátteret használtunk.
Próbáljuk meg a ggplot használatát is , amely egy általánosan használt stílus.
Ha futtatjuk, egy ilyen látványt kapunk.
Ezután töltse be a pandas függvényt a gráfhoz a parallel_coordinates importálásával a pandas.plotting fájlból .
A diagram elkészítéséhez bevisszük az adatkészletet, és beállítjuk a fajunkat osztályként .
Az első ábránkhoz képest hozzáadunk egy további paramétert, a színtérképet , hogy különböző színeket kapjunk. Adja át ezt a plt.get_cmap matplotlib változóval .
A matplotlib Colormap hivatkozásában sok matplotlib színváltozó közül választhat .
Például jelenleg a Kvalitatív színtérképek 2. készletét használjuk, de ezt más színekre is módosíthatjuk, például a ciklikus színtérképekből a hsv-t .
Kattintson a Futtatás gombra, hogy így nézzen ki egy cselekményt.
A Hsv nem tűnik túl jól az adataink alapján, de addig játszhatunk, amíg meg nem találjuk a cselekményünkhöz legmegfelelőbb színtérképet.
Következtetés
Ebben az oktatóanyagban bemutattuk a párhuzamos koordináta diagramok Pythonban történő létrehozásának alapjait. Végigmentünk az adatok előkészítésén, a diagram létrehozásán és a diagram testreszabásán a jobb olvashatóság érdekében.
A párhuzamos koordináta diagramok hatékony eszközt jelentenek a nagy dimenziós adatok megjelenítésére, és számos területen használhatók, beleértve a pénzügyeket, a mérnöki tudományokat és a gépi tanulást. Most, hogy tudjuk, hogyan hozhatunk létre párhuzamos koordináta diagramokat a -ban, elkezdhetjük használni őket saját adataink jobb megértéséhez és megjelenítéséhez.
Minden jót,
Gaelim Holland
Ismerje meg, hogyan töltheti le és telepítheti a DAX Studio és a Tabular Editor 3 alkalmazást, és hogyan konfigurálhatja őket a LuckyTemplates és az Excel programban való használatra.
Ez a blog tartalmazza a Shape Map vizualizációt a LuckyTemplates térbeli elemzéséhez. Megmutatom, hogyan használhatja hatékonyan ezt a vizualizációt annak funkcióival és elemeivel.
Ebben az oktatóanyagban egy egyedülálló ötletet mutatok be a pénzügyi jelentésekkel kapcsolatban, amely az eredmények hozzárendelését jelenti a LuckyTemplates-en belüli táblázatsablonok előre meghatározásához.
Hozzon létre DAX-mértékeket a LuckyTemplates alkalmazásban meglévő mértékek vagy képletek használatával. Ezt nevezem mértékelágazási technikának.
Ebben a blogban fedezze fel a LuckyTemplates adatkészletet, a leghatékonyabb függvényhívást, amely M- és DAX-függvények ezreit juttatja a keze ügyébe.
A mai oktatóanyagban megosztok néhány adatmodellezési technikát a DAX-mérések jobb rendszerezéséhez a hatékonyabb munkafolyamat érdekében.
A LuckyTemplates egy nagyszerű eszköz a pénzügyi jelentésekhez. Itt található egy oktatóanyag, amely bemutatja, hogyan hozhat létre személyre szabott táblázatokat a LuckyTemplates pénzügyi irányítópultjához.
Ez az oktatóanyag megvitatja a Power Query nyelvi folyamatot, és azt, hogyan segíthet zökkenőmentes és hatékony adatjelentések létrehozásában.
Az egyik kedvenc technikámról fogok beszélni a LuckyTemplates egyéni ikonok körül, amely dinamikusan használja az egyéni ikonokat a LuckyTemplates vizualizációkban.
Ebben a blogban megmutatom, hogyan hozhat létre LuckyTemplates táblázatokat olyan képlet segítségével, amely egyesíti az UNION és a ROW függvényt.
