Канал по Машинному обучению
@ai_machinelearning_big_data
Перейти
3 Уникальные диаграммы, созданные с помощью Matplotlib, о которых вы и подумать не могли
matplotlib имеет не очень хорошую репутацию за генерацию скучных фигур по умолчанию и за неудобство в эксплуатации. Однако, проявив немного терпения, проведя исследования и написав несколько дополнительных строк кода на python, мы можем создать несколько уникальных и очень привлекательных диаграмм.
При изучении python, matplotlib часто является первой библиотекой визуализации данных, с которой сталкиваются представители Data Science. С помощью нескольких строк кода вы можете сгенерировать график, подобный приведённому ниже. Вскоре после этого многие люди переходят к изучению Seaborn или Plotly, не возвращаясь к своей первой библиотеке визуализации данных.
Однако могут быть случаи, когда вы захотите создать конкретную фигуру, а эти высокоуровневые библиотеки не будут способны делать именно то, что вам надо. Или, может быть, вы захотите немного повеселиться, создавая уникальные визуализации. Вот тут-то matplotlib снова вступает в игру.
Matplotlib – это низкоуровневая библиотека, которая позволяет изменять почти все элементы на рисунке. Элементы варьируются от меток до галочек, осей и многого другого. Однако работать с ней может быть утомительно и неудобно (возможно, вам часто придётся прибегать к использованию Google и StackOverflow, чтобы понять, как изменять определённые элементы).
Я не испытываю предвзятости к использованию некоторых библиотек построения графиков более высокого уровня; однако я часто оказываюсь ограниченным некоторыми их функциональными возможностями, особенно когда дело доходит до работы с данными well-log и создания рисунков для публикаций.
В рамках этой статьи мы кратко рассмотрим три уникальные визуализации, которые могут быть сгенерированы с помощью matplotlib (возможно, вы даже не представляли, что такое можно создать).
Диаграмма Ганта
Диаграммы Ганта – популярный инструмент визуализации для отслеживания хода выполнения проектов. Впервые они были популяризированы Генри Гантом в 1910-х годах, хотя предшественником этих диаграмм можно считать 1896 год, когда Кароль Адамецкий назвал их гармонограммы.
Диаграммы Ганта обычно используются в управлении проектами и могут предоставить множество информации о проекте, включая:
- обзор того, как продвигается проект
- какие задачи выполнены
- какие задачи ещё предстоит выполнить
- сколько времени должны занять задачи
- и многое другое
Несмотря на то, что для управления проектами доступно множество инструментов (платных и бесплатных), может возникнуть ситуация, когда вы захотите создать диаграмму Ганта именно в Python — например, отобразить диаграмму Ганта на панели управления с потоковой подсветкой.
В приведённом ниже примере используется горизонтальная линейчатая диаграмма matplotlib для отображения каждой задачи. Используя параметр left, мы можем запускать части в ожидаемые для начала даты и увеличивать их продолжительность.
Мы также раскрасили каждую задачу по фазе проекта, которую можно легко заменить на категории задач или указать людей, назначенных для этой задачи.
Красная линия на графике указывает текущую дату и изменяет положение, если код был повторно запущен на более позднюю дату, чем предыдущий запуск.
Если вы захотите воссоздать приведённую выше диаграмму Ганта, вы можете сделать это с помощью следующего кода:
import datetime
import matplotlib.pyplot as plt
from matplotlib.dates import datestr2num, DateFormatter, DayLocator
from matplotlib.ticker import AutoMinorLocator
from matplotlib.patches import Patch
# Create dummy date
tasks = ['Task A', 'Task B', 'Task C', 'Task D', 'Task E', 'Task F', 'Task G', 'Task H', 'Task I', 'Task J']
start_dates = ['2023-02-25', '2023-03-10', '2023-03-13', '2023-03-23', '2023-04-01', '2023-04-05', '2023-04-12', '2023-04-20', '2023-04-24', '2023-05-02']
end_dates = ['2023-03-03', '2023-03-17', '2023-03-22', '2023-03-30', '2023-04-07', '2023-04-18', '2023-04-23', '2023-04-25', '2023-05-03', '2023-05-07']
# Setup the dates and calculate durations
start_dates = [datestr2num(d) for d in start_dates]
end_dates = [datestr2num(d) for d in end_dates]
durations = [(end - start) for start, end in zip(start_dates, end_dates)]
fig, ax = plt.subplots(figsize=(15, 8), facecolor='#25253c')
ax.set_facecolor('#25253c')
# Create colours for each task based on categories
colors = ['#7a5195', '#ef5675', '#ffa600']
task_colors = [colors[0]] * 3 + [colors[1]] * 4 + [colors[2]] * 3
# Display the bars
ax.barh(y=tasks, width=durations, left=start_dates,
height=0.8, color=task_colors)
ax.invert_yaxis()
# Setup the x axis labels
ax.set_xlim(start_dates[0], end_dates[-1])
date_form = DateFormatter("%Y-%m-%d")
ax.xaxis.set_major_formatter(date_form)
ax.xaxis.set_major_locator(DayLocator(interval=10))
ax.xaxis.set_minor_locator(AutoMinorLocator(5))
ax.tick_params(axis='x', which='minor', length=2, color='white', labelsize=6)
ax.get_yaxis().set_visible(False)
# Control the colour of the grid for major and minor lines
ax.grid(True, axis='x', linestyle='-', color='#FFFFFF', alpha=0.2, which='major')
ax.grid(True, axis='x', linestyle='-', color='#FFFFFF', alpha=0.05, which='minor')
ax.set_axisbelow(True)
# Add labels for each task. For padding, we can use an f-string and add some extra space
for i, task in enumerate(tasks):
ax.text(start_dates[i], i, f' {task}', ha='left', va='center', color='white', fontsize=12, fontweight='bold')
# Add the current date line
today = datetime.datetime.now().strftime("%Y-%m-%d")
today_num = datestr2num(today)
ax.axvline(today_num, color='red', alpha=0.8)
# Style ticks, labels and colours
ax.tick_params(axis='both', colors='white')
ax.set_xlabel('Date', color='white', fontsize=12)
ax.set_title('Project Schedule', color='white', fontsize=14)
# Hide spines so only bottom is visible
ax.spines['left'].set_visible(False)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
# Create a list of custom patches for the legend
legend_elements = [
Patch(facecolor=colors[0], label='Planning'),
Patch(facecolor=colors[1], label='Development'),
Patch(facecolor=colors[2], label='Testing'),
]
# Add the legend in the top right corner of the plot
ax.legend(handles=legend_elements, loc='upper right',
facecolor='white',
edgecolor='white',
fontsize=10, title='Phases', title_fontsize=12, frameon=True)
plt.show()Пончиковые диаграммы с рисунком / текстом внутри
Пончиковые диаграммы – это простая альтернатива обычной круговой диаграмме. Вместо того, чтобы категории были представлены в виде срезов на круговой диаграмме, они представлены в виде дуг на пончиковой диаграмме. Это позволяет читателю сосредоточиться на длине дуги, а не на углах и площадях.
Обычно центр такой диаграммы остаётся пустым, а это дает прекрасную возможность разместить ключевую информацию или данные внутри. Например, в финансовых информационных панелях у нас может быть цель по доходу, которую нужно достичь, представляя всю диаграмму целиком. Часть пончиковой диаграммы, которая заполнена, может быть использована для представления полученного дохода, а центр диаграммы может быть использован для представления общей суммы этого заработанного дохода.
В качестве альтернативы их можно было бы использовать для мониторинга прогресса, при этом выполненный прогресс был бы представлен в процентах в центре.
Добавление фигур в центр пончиковой диаграммы достигается с помощью текстовой функции matplotlibs. Она позволяет нам контролировать формат и положение текста.
Приведённую выше пончиковую диаграмму можно создать с помощью следующего кода:
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
actual_value = 45
target_value = 120
remaining_value = target_value - actual_value
colours = ['#3da9d4', '#063b63']
fig = plt.figure(figsize=(10,10), facecolor='#25253c')
ax = fig.add_subplot(1,1,1)
pie = ax.pie([55, 45],
colors=colours,
startangle=90,
labeldistance=1.15,
counterclock=False)
# Set the alpha of segment 2
pie[0][1].set_alpha(0.4)
# Add inner circle and text
centre_circle = plt.Circle((0, 0), 0.6, fc='#25253c')
# Adding the circles to the chart
fig.gca().add_artist(centre_circle)
# Adding text to the centre of the chart
centre_text = f'${actual_value}K'
centre_text_line_2 = f'Total Revenue'
ax.text(0,0.1, centre_text, horizontalalignment='center',
verticalalignment='center',
fontsize=44, fontweight='bold',
color='white')
ax.text(0,-0.1, centre_text_line_2, horizontalalignment='center',
verticalalignment='center',
fontsize=20, fontweight='bold',
color='grey')
plt.show()Радиальная гистограмма
Часто на информационных панелях или инфографике у нас представлены радиальные гистограммы. Это визуально привлекательные альтернативы традиционным столбчатым диаграммам. Вместо отображения данных с использованием обычной декартовой системы координат, столбики представляются в виде колец с использованием полярной системы координат.
Радиальные гистограммы – это визуально привлекательная графика для включения в презентации или плакаты. Однако у них есть несколько недостатков. Их может быть трудно понять из-за того, что нашей зрительной системе труднее интерпретировать изогнутые линии по сравнению с прямыми. Кроме того, центральные радиальные полосы могут быть более трудночитаемыми по сравнению с теми, что расположены дальше.
Из кода ниже мы видим, что нам нужно создать две оси: одну, которая использует обычные декартовы координаты (для фонового рисунка), и одну, которая использует полярные координаты.
Затем мы можем перебрать каждую категорию в наборе данных и добавить их в виде кольца на гистограмму.
Кроме того, выбор подходящих цветов для визуализации может быть субъективным и отнимать много времени. Если вы ищете ресурсы о том, как упростить выбор цвета, то я рекомендую ознакомиться с моей статьёй о 4 основных инструментах, которые помогут вам выбрать цветовую палитру для визуализации ваших данных.
Изображённую выше радиальную гистограмму можно создать, используя приведённый ниже код:
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
lith_dict = {'LITH': ['Shale', 'Sandstone',
'Sandstone/Shale', 'Chalk',
'Limestone', 'Marl', 'Tuff'],
'PERCENTAGE': [40,65, 40, 35,
40, 70, 50]}
df = pd.DataFrame.from_dict(lith_dict)
max_value_full_ring = max(df['PERCENTAGE'])
ring_colours = ['#003f5c', '#374c80', '#7a5195','#bc5090',
'#ef5675','#ff764a','#ffa600']
ring_labels = [f' {x} ({v}) ' for x, v in zip(list(df['LITH']),
list(df['PERCENTAGE']))]
data_len = len(df)
fig = plt.figure(figsize=(10,10), facecolor='#393d5c')
rect = [0.1,0.1,0.8,0.8]
# Add axis for chart background
ax_cart = fig.add_axes(rect, facecolor='#25253c')
ax_cart.spines[['right', 'top', 'left', 'bottom']].set_visible(False)
ax_cart.tick_params(axis='both', left=False, bottom=False,
labelbottom=False, labelleft=False)
# Add axis for radial backgrounds
ax_polar_bg = fig.add_axes(rect, polar=True, frameon=False)
ax_polar_bg.set_theta_zero_location('N')
ax_polar_bg.set_theta_direction(1)
# Loop through each entry in the dataframe and plot a grey
# ring to create the background for each one
for i in range(data_len):
ax_polar_bg.barh(i, max_value_full_ring*1.5*np.pi/max_value_full_ring,
color='grey',
alpha=0.1)
# Hide all axis items
ax_polar_bg.axis('off')
# Add axis for radial chart for each entry in the dataframe
ax_polar = fig.add_axes(rect, polar=True, frameon=False)
ax_polar.set_theta_zero_location('N')
ax_polar.set_theta_direction(1)
ax_polar.set_rgrids([0, 1, 2, 3, 4, 5, 6],
labels=ring_labels,
angle=0,
fontsize=14, fontweight='bold',
color='white', verticalalignment='center')
# Loop through each entry in the dataframe and create a coloured
# ring for each entry
for i in range(data_len):
ax_polar.barh(i, list(df['PERCENTAGE'])[i]*1.5*np.pi/max_value_full_ring,
color=ring_colours[i])
# Hide all grid elements for the
ax_polar.grid(False)
ax_polar.tick_params(axis='both', left=False, bottom=False,
labelbottom=False, labelleft=True)
plt.show()Заключение
Как вы можете видеть, matplotlib не ограничивается созданием простых фигур с синими точками или линиями без надписей. Приложив немного усилий, вы можете настроить графики в соответствии с вашим стилем и потребностями. Несмотря на то, что существует множество других библиотек, доступных для создания визуализации данных с меньшим количеством строк кода, я всегда возвращаюсь к matplotlib для создания фигур!
+1
9
+1
3
+1
+1
+1
