一般的に使用される Python データ視覚化ライブラリは何ですか?

Python でのデータ視覚化にはどのライブラリを使用しますか?

今日は、Python データ視覚化ライブラリの強力なメンバーである Altair を紹介します。

これは非常にシンプルでフレンドリーで、強力な Vega-Lite JSON 仕様に基づいて構築されており、短いコードだけで美しく効果的なビジュアライゼーションを生成できます。

Altair とは

Altair は統計視覚化 Python ライブラリであり、現在 GitHub に 3,000 個以上のスターが登録されています。

Altair を使用すると、データ自体とその意味の理解により多くのエネルギーと時間を集中でき、複雑なデータ視覚化プロセスから解放されます。

簡単に言えば、Altair は、インタラクティブなビジュアル デザインを作成、保存、共有するためのビジュアル文法および宣言型言語であり、JSON 形式を使用して視覚的な外観とインタラクション プロセスを記述し、ネットワーク ベースのイメージを生成できます。

Altair を使用して作成されたビジュアライゼーション効果を見てみましょう。

#アルタイルの利点

Altairは、集約、データ変換、データインタラクション、グラフィック合成などの手法を通じて、データを包括的に理解、理解、分析できます。これらのプロセスは、データ自体とその意味についての理解を深め、直感的なデータ分析の思考を養うのに役立ちます。

一般的に、Altair の特徴には次のような側面が含まれます。

グラフィカル構文に基づく宣言型 Python API。
• Vega-Lite の JSON 構文ルールに基づいて Altair の Python コードを生成します。
• 起動した Jupyter Notebook、JupyterLab、interact での統計可視化プロセスを表示します。
• ビジュアライゼーション作業を PNG/SVG 形式の画像、独立して実行できる HTML 形式の Web ページとしてエクスポートしたり、オンライン Vega-Lite エディタで実行中の効果を表示したりできます。

Altair では、使用されるデータセットは「クリーンな形式」でロードされる必要があります。 Pandas の DataFrame は、Altair で使用される主要なデータ構造の 1 つです。 Altair は Pandas DataFrame に対する読み込み効果が高く、読み込み方法はシンプルかつ効率的です。たとえば、以下に示すように、Pandas を使用して Excel データ セットを読み取り、Altair を使用して Pandas の戻り値の実装コードをロードします。

import altair as alt
import pandas as pd
data = pd.read_excel( "Index_Chart_Altair.xlsx", sheet_name="Sales", parse_dates=["Year"] )
alt.Chart( data )

クイック テスト - 棒グラフの作成

Altair変数の区別とタイプの組み合わせに重点を置きます。変数の値はデータであり、数値、文字列、日付などの形式で表現できる差異があります。変数はデータのストレージ コンテナであり、データは変数のストレージ ユニットの内容です。

一方、統計的サンプリングの観点から見ると、変数は母集団、データはサンプルであり、母集団の調査と分析にはサンプルを使用する必要があります。統計グラフは、データをより直観的に理解できるように、さまざまな変数タイプを相互に組み合わせて生成できます。

異なる変数の型の組み合わせに応じて、変数の型の組み合わせは次のタイプに分類できます。

名目変数 量的変数。
• 時間型変数 数量型変数。
• 時間変数 名目上の変数。
• 量的変数 量的変数。

このうち、時間変数は特殊な量的変数であり、名義変数 (N) または順序変数 (O) として設定して時間変数を実現します。量的変数との組み合わせを形成します。

ここでは名目変数と量的変数の一つについて説明します。

量的変数を X 軸にマッピングし、名義変数を Y 軸にマッピングし、さらにデータのエンコード スタイル (マーキング スタイル) として列を使用する場合は、棒グラフを描画できます。次の図に示すように、棒グラフでは長さの変化をうまく利用して、商品販売による利益の差を比較できます。

縦棒グラフの実装コードと比較して、棒グラフの実装コードの変更点は次のとおりです。

chart = alt.Chart(df).mark_bar().encode(x="profit:Q",y="product:N")

複雑なグラフも非常にシンプルです

さまざまな年の月平均降水量をパーティションごとに示してみましょう。

我们可以使用面积图描述西雅图从2012 年到2015 年的每个月的平均降雨量统计情况。接下来，进一步拆分平均降雨量，以年份为分区标准，使用阶梯图将具体年份的每月平均降雨量分区展示，如下图所示。

核心的实现代码如下所示。

…
chart = alt.Chart(df).mark_area(
color="lightblue",
interpolate="step",
line=True,
opacity=0.8
).encode(
alt.X("month(date):T",
axis=alt.Axis(format="%b",
formatType="time",
labelAngle=-15,
labelBaseline="top",
labelPadding=5,
title="month")),
y="mean(precipitation):Q",
facet=alt.Facet("year(date):Q",
columns=4,
header=alt.Header(
labelColor="red",
labelFontSize=15,
title="Seattle Monthly Precipitation from 2012 to 2015",
titleFont="Calibri",
titleFontSize=25,
titlePadding=15)
)
0)
…

在类alt.X()中，使用month 提取时间型变量date 的月份，映射在位置通道x轴上，使用汇总函数mean()计算平均降雨量，使用折线作为编码数据的标记样式。

在实例方法encode()中，使用子区通道facet 设置分区，使用year 提取时间型变量date 的年份，作为拆分从2012 年到2015 年每个月的平均降雨量的分区标准，从而将每年的不同月份的平均降雨量分别显示在对应的子区上。使用关键字参数columns设置子区的列数，使用关键字参数header 设置子区序号和子区标题的相关文本内容。

具体而言，使用Header 架构包装器设置文本内容，也就是使用类alt.Header()的关键字参数完成文本内容的设置任务，关键字参数的含义如下所示。

• labelColor：序号标签颜色。
• labelFontSize：序号标签大小。
• title：子区标题。
• titleFont：子区字体。
• titleFontSize：子区字体大小。
• titlePadding：子区标题与序号标签的留白距离。

以上が一般的に使用される Python データ視覚化ライブラリは何ですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。