Настраиваем стиль seaborn:
```python
sns.set(style="whitegrid")
```
Эта строка устанавливает стиль для графика с помощью библиотеки seaborn. Здесь мы выбрали стиль "whitegrid", который добавляет белую сетку на фоне графика.
Создаем гистограмму:
```python
plt.figure(figsize=(8, 6))
sns.histplot(df['Возраст'], bins=20, kde=True, color='skyblue')
```
Здесь мы создаем гистограмму для столбца 'Возраст' из DataFrame. `figsize=(8, 6)` устанавливает размер графика. `bins=20` указывает количество столбцов в гистограмме. `kde=True` добавляет оценку плотности на гистограмму. `color='skyblue'` задает цвет графика.
Добавляем подписи и заголовок:
```python
plt.xlabel('Возраст', fontsize=12)
plt.ylabel('Частота', fontsize=12)
plt.title('Гистограмма возрастов', fontsize=14)
```
Эти строки добавляют подписи к осям и заголовок для улучшения понимания графика
Добавляем сетку:
```python
plt.grid(axis='y', linestyle='', alpha=0.7)
```
Эта строка добавляет горизонтальную сетку для лучшей читаемости.
Показываем график:
```python
plt.show()
```
И наконец, эта строка отображает график.
Этот код создает красивую гистограмму с данными о возрасте и демонстрирует базовые шаги визуализации данных с использованием библиотек Pandas, Matplotlib и Seaborn в Python.
Pandas предоставляет эффективные инструменты для работы с табличными данными, что делает его широко используемым в анализе данных, машинном обучении и других областях. DataFrame позволяет легко выполнять множество операций, от фильтрации и группировки данных до визуализации результатов. Это делает Pandas мощным инструментом для аналитики и обработки данных в Python.
Приведем примеры фильтрации, сортировки и агрегации данных с использованием библиотеки Pandas на основе предположимого DataFrame с информацией о людях:
В этом примере мы использовали фильтрацию для выбора только тех записей, где возраст больше 25 лет.
Здесь мы отсортировали DataFrame по столбцу 'Возраст' в порядке убывания.
В данном примере мы использовали агрегацию для расчета среднего возраста и суммы зарплаты для каждого города.
Эти примеры показывают базовые операции фильтрации, сортировки и агрегации данных с Pandas, которые могут быть полезны при работе с табличными данными.
2.3. Matplotlib
Matplotlib это библиотека для визуализации данных в языке программирования Python. Она предоставляет множество инструментов для создания различных типов графиков и диаграмм. Давайте рассмотрим несколько основных видов графиков и диаграмм, которые можно создать с помощью Matplotlib.
1. Линейный график
Линейный график подходит для визуализации зависимости одной переменной от другой. Рассмотрим пример:
```python
import matplotlib.pyplot as plt
# Создаем данные для примера
x = [1, 2, 3, 4, 5]
y = [10, 15, 7, 12, 9]
# Строим линейный график
plt.plot(x, y, marker='o', linestyle='-', color='b', label='Линейный график')
# Добавляем подписи и заголовок
plt.xlabel('X-ось')
plt.ylabel('Y-ось')
plt.title('Пример линейного графика')
plt.legend() # Добавляем легенду
# Показываем график
plt.show()
```
2. Гистограмма
Гистограмма используется для визуализации распределения данных. Пример:
```python
import matplotlib.pyplot as plt
import numpy as np
# Создаем данные для примера
data = np.random.randn(1000)
# Строим гистограмму
plt.hist(data, bins=30, color='skyblue', edgecolor='black')
# Добавляем подписи и заголовок
plt.xlabel('Значения')
plt.ylabel('Частота')
plt.title('Пример гистограммы')
# Показываем график
plt.show()
```
3. Круговая диаграмма
Круговая диаграмма отображает доли от целого. Пример:
```python
import matplotlib.pyplot as plt
# Создаем данные для примера
sizes = [15, 30, 45, 10]
labels = ['Категория 1', 'Категория 2', 'Категория 3', 'Категория 4']
# Строим круговую диаграмму
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90, colors=['skyblue', 'lightcoral', 'lightgreen', 'lightpink'])
# Добавляем заголовок
plt.title('Пример круговой диаграммы')
# Показываем график
plt.show()
```
4. Диаграмма разброса
Диаграмма разброса отображает связь между двумя переменными. Пример:
```python
import matplotlib.pyplot as plt
import numpy as np
# Создаем данные для примера
x = np.random.randn(100)
y = 2 * x + np.random.randn(100)
# Строим диаграмму разброса
plt.scatter(x, y, color='green', alpha=0.7)
# Добавляем подписи и заголовок
plt.xlabel('X-ось')
plt.ylabel('Y-ось')
plt.title('Пример диаграммы разброса')
# Показываем график
plt.show()
```
5. Столбчатая диаграмма
Столбчатая диаграмма хорошо подходит для сравнения значений различных категорий.
```python
import matplotlib.pyplot as plt
# Создаем данные для примера
categories = ['Категория 1', 'Категория 2', 'Категория 3', 'Категория 4']
values = [25, 40, 30, 20]
# Строим столбчатую диаграмму
plt.bar(categories, values, color=['blue', 'orange', 'green', 'red'])
# Добавляем подписи и заголовок
plt.xlabel('Категории')
plt.ylabel('Значения')
plt.title('Пример столбчатой диаграммы')
# Показываем график
plt.show()
```
6. Ящик с усами (Boxplot)
Диаграмма "ящик с усами" отображает статистическое распределение данных.
```python
import matplotlib.pyplot as plt
import numpy as np
# Создаем данные для примера
data = np.random.randn(100, 3)
# Строим ящик с усами
plt.boxplot(data, labels=['Группа 1', 'Группа 2', 'Группа 3'])
# Добавляем подписи и заголовок
plt.xlabel('Группы')
plt.ylabel('Значения')
plt.title('Пример диаграммы "ящик с усами"')
# Показываем график
plt.show()
```
7. Тепловая карта
Тепловая карта отображает данные в виде цветового спектра, что делает их восприятие более интуитивным.
```python
import matplotlib.pyplot as plt
import numpy as np
# Создаем данные для примера
data = np.random.rand(10, 10)
# Строим тепловую карту
plt.imshow(data, cmap='viridis', interpolation='nearest')
# Добавляем цветовую шкалу
plt.colorbar()
# Добавляем заголовок
plt.title('Пример тепловой карты')
# Показываем график
plt.show()
```
Эти примеры демонстрируют некоторые из возможностей библиотеки Matplotlib для создания различных типов графиков и диаграмм. Matplotlib предоставляет широкий спектр инструментов для настройки внешнего вида графиков, что делает ее мощным средством для визуализации данных в Python.
Выбор типа графика или диаграммы зависит от характера ваших данных и целей визуализации. Ниже несколько рекомендаций о том, в каких случаях лучше применять различные виды графиков:
Линейный график:
Когда нужно отобразить изменение значения переменной в зависимости от другой переменной во времени.
Подходит для отслеживания трендов и показывает, как изменяется значение с течением времени.
Гистограмма:
Когда вам нужно визуально представить распределение данных.
Полезна для оценки формы и характеристик распределения, таких как центральная тенденция и разброс.
Круговая диаграмма:
Когда вам нужно показать долю каждой категории относительно общего значения.
Эффективна при отображении процентного соотношения различных категорий в целом.
Диаграмма разброса:
Когда необходимо показать взаимосвязь между двумя переменными.
Идеальна для выявления корреляции и выявления возможных выбросов в данных.
Столбчатая диаграмма:
Когда требуется сравнение значений различных категорий.
Полезна для наглядного отображения различий между группами или категориями.
Ящик с усами (Boxplot):
Когда нужно визуализировать распределение данных, а также выявить наличие выбросов.
Полезен для оценки статистических характеристик данных и сравнения распределений в различных группах.
Тепловая карта:
Когда вы хотите представить матрицу данных в виде цветового спектра.
Подходит для отображения взаимосвязи между двумя наборами данных или для выявления паттернов в матричных данных.