5 шагов для создания красивых столбчатых диаграмм с помощью Python

Рассказывать убедительную историю с помощью данных на Python становится намного проще, когда диаграммы, поддерживающие эту самую историю, ясны, не требуют пояснений и визуально приятны для аудитории.

Во многих случаях содержание и форма одинаково важны.Отличные данные, плохо представленные, не привлекут того внимания, которого они заслуживают, в то время как плохие данные, представленные визуально приятным способом, легко будут дискредитированы.

Matplotlib позволяет быстро и легко выводить данные с помощью готовых функций, но этапы настройки требуют больших усилий.Я потратил довольно много времени на изучение лучших практик построения убедительных диаграмм с помощью Matplotlib, так что вам не придётся этого делать.

В этой статье я сосредоточусь на столбчатых диаграммах и объясню, как я собрал воедино крупицы знаний, которые я нашел. От этого варианта...

... к этому:

Чтобы проиллюстрировать методологию, я использовал общедоступный набор данных о задержках авиакомпаниями внутренних рейсов в США 2008 года:

2008, “Data Expo 2009: Airline on time data”, https://doi.org/10.7910/DVN/HG7NV7, Harvard Dataverse, V1Public domain CC0 1.0

После импорта необходимых пакетов для считывания данных и построения наших графиков, я просто сгруппировал данные по месяцам и рассчитал среднюю задержку, используя приведённый ниже код:

Набор данных, используемый на протяжении всей статьи для построения различных версий столбчатой диаграммы, выглядит следующим образом:

Справедливости ради, с помощью двух строк кода вы уже можете построить столбчатую диаграмму и получить из неё некоторые основные сведения.По общему признанию, этот график не самый красивый и не самый полезный, поскольку в нём отсутствует ключевая информация, но вы уже можете сказать, что путешествие в декабре, скорее всего, приведёт к задержке рейса.

Давайте добавим несколько важных разделов в нашу таблицу, чтобы сделать её более читаемой для аудитории.

Сетки

Для улучшения её удобочитаемости необходимы сетки графика. Их прозрачность установлена на 0,5, чтобы они не слишком мешали точкам данных.

Переформатирование по осям X и Y

Я добровольно добавил здесь больше параметров, чем необходимо, чтобы иметь более полное представление о возможностях настройки. Например, оси x не нужны объекты major_formatter и major_locator, поскольку мы только настраиваем метки, но если ось x считывателя состоит из других фигур, то это может пригодиться.

Панель меток столбцов

Метки столбцов добавляются поверх каждого столбца, чтобы упростить сравнение между близкими точками данных и предоставить более подробную информацию об их фактических значениях.

# Create the grid ax.grid(which="major", axis='x', color='#DAD8D7', alpha=0.5, zorder=1) ax.grid(which="major", axis='y', color='#DAD8D7', alpha=0.5, zorder=1) # Reformat x-axis label and tick labels ax.set_xlabel('', fontsize=12, labelpad=10) # No need for an axis label ax.xaxis.set_label_position("bottom") ax.xaxis.set_major_formatter(lambda s, i : f'{s:,.0f}') ax.xaxis.set_major_locator(MaxNLocator(integer=True)) ax.xaxis.set_tick_params(pad=2, labelbottom=True, bottom=True, labelsize=12, labelrotation=0) labels = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'] ax.set_xticks(delay_by_month['Month'], labels) # Map integers numbers from the series to labels list # Reformat y-axis ax.set_ylabel('Delay (minutes)', fontsize=12, labelpad=10) ax.yaxis.set_label_position("left") ax.yaxis.set_major_formatter(lambda s, i : f'{s:,.0f}') ax.yaxis.set_major_locator(MaxNLocator(integer=True)) ax.yaxis.set_tick_params(pad=2, labeltop=False, labelbottom=True, bottom=False, labelsize=12) # Add label on top of each bar ax.bar_label(bar1, labels=[f'{e:,.1f}' for e in delay_by_month['ArrDelay']], padding=3, color='black', fontsize=8)

Добавление еще нескольких функций к нашему графику сделает его более профессиональным. Они будут располагаться поверх любых графиков (не только столбчатых) и не зависят от данных, которые мы используем в этой статье.Благодаря приведённому ниже фрагменту кода реализация этих настроек практически не потребует усилий. Совет автора: сохраните его и повторно используйте по желанию.Читатель может настроить их, чтобы создать свою собственную визуальную идентичность.

Шипы

Шипы образуют рамку, видимую вокруг графика. Они удаляются, за исключением правого, который должен быть немного толще.

Красная линия и прямоугольник сверху

Красная линия и прямоугольник добавлены над заголовком, чтобы красиво отделить график от текста над ним.

Название и подзаголовок

Что такое график без заголовка?

Подзаголовок может быть использован для дальнейшего объяснения содержания.

Источник

Должен быть во всех когда-либо созданных графиках.

Корректировка отступов

Поля, окружающие область графика, отрегулированы таким образом, чтобы убедиться, что используется всё доступное пространство.

Белый фон

Установка белого фона (по умолчанию из прозрачного) будет полезна при отправке диаграммы по электронной почте, ведь прозрачный фон может быть проблематичным.

# Remove the spines ax.spines[['top','left','bottom']].set_visible(False) # Make the left spine thicker ax.spines['right'].set_linewidth(1.1) # Add in red line and rectangle on top ax.plot([0.12, .9], [.98, .98], transform=fig.transFigure, clip_on=False, color='#E3120B', linewidth=.6) ax.add_patch(plt.Rectangle((0.12,.98), 0.04, -0.02, facecolor='#E3120B', transform=fig.transFigure, clip_on=False, linewidth = 0)) # Add in title and subtitle ax.text(x=0.12, y=.93, s="Average Airlines Delay per Month in 2008", transform=fig.transFigure, ha='left', fontsize=14, weight='bold', alpha=.8) ax.text(x=0.12, y=.90, s="Difference in minutes between scheduled and actual arrival time averaged over each month", transform=fig.transFigure, ha='left', fontsize=12, alpha=.8) # Set source text ax.text(x=0.1, y=0.12, s="Source: Kaggle - Airlines Delay - https://www.kaggle.com/datasets/giovamata/airlinedelaycauses", transform=fig.transFigure, ha='left', fontsize=10, alpha=.7) # Adjust the margins around the plot area plt.subplots_adjust(left=None, bottom=0.2, right=None, top=0.85, wspace=None, hspace=None) # Set a white background fig.patch.set_facecolor('white')

График в том виде, в каком мы оставили его в предыдущем разделе, аккуратен и готов к включению в презентацию. Игра с цветом полос и добавление градиента для лучшей визуализации вариаций не являются существенными, но добавят ему привлекательности.

Этот вариант использования не обязательно имеет лучшую документацию в интернете, но на самом деле его не так уж сложно реализовать с помощью функций LinearSegmentedColormap и Normalize Matplotlib.

# Colours - Choose the extreme colours of the colour map colours = ["#2196f3", "#bbdefb"] # Colormap - Build the colour maps cmap = mpl.colors.LinearSegmentedColormap.from_list("colour_map", colours, N=256) norm = mpl.colors.Normalize(delay_by_month['ArrDelay'].min(), delay_by_month['ArrDelay'].max()) # linearly normalizes data into the [0.0, 1.0] interval # Plot bars bar1 = ax.bar(delay_by_month['Month'], delay_by_month['ArrDelay'], color=cmap(norm(delay_by_month['ArrDelay'])), width=0.6, zorder=2)

Чтобы получить конечный результат, представленный в начале статьи, единственное, что осталось сделать, это реализовать эти несколько дополнительных компонентов:

Средняя линия данных

Отображение средней линии данных на графике - полезный способ помочь аудитории быстро разобраться в том, что происходит.

Вторая цветовая гамма

Благодаря второй цветовой шкале мы выделяем данные выше среднего (или любого порогового значения), чтобы облегчить восприятие визуализации за короткий промежуток времени.

Легенда

Когда мы добавили вторую цветовую шкалу, мы ввели необходимость в условных обозначениях на нашей диаграмме.

# Find the average data point and split the series in 2 average = delay_by_month['ArrDelay'].mean() below_average = delay_by_month[delay_by_month['ArrDelay']<average] above_average = delay_by_month[delay_by_month['ArrDelay']>=average]

# Colours - Choose the extreme colours of the colour map colors_high = ["#ff5a5f", "#c81d25"] # Extreme colours of the high scale colors_low = ["#2196f3","#bbdefb"] # Extreme colours of the low scale # Colormap - Build the colour maps cmap_low = mpl.colors.LinearSegmentedColormap.from_list("low_map", colors_low, N=256) cmap_high = mpl.colors.LinearSegmentedColormap.from_list("high_map", colors_high, N=256) norm_low = mpl.colors.Normalize(below_average['ArrDelay'].min(), average) # linearly normalizes data into the [0.0, 1.0] interval norm_high = mpl.colors.Normalize(average, above_average['ArrDelay'].max()) # Plot bars and average (horizontal) line bar1 = ax.bar(below_average['Month'], below_average['ArrDelay'], color=cmap_low(norm_low(below_average['ArrDelay'])), width=0.6, label='Below Average', zorder=2) bar2 = ax.bar(above_average['Month'], above_average['ArrDelay'], color=cmap_high(norm_high(above_average['ArrDelay'])), width=0.6, label='Above Average', zorder=2) plt.axhline(y=average, color = 'grey', linewidth=3) # Determine the y-limits of the plot ymin, ymax = ax.get_ylim() # Calculate a suitable y position for the text label y_pos = average/ymax + 0.03 # Annotate the average line ax.text(0.88, y_pos, f'Average = {average:.1f}', ha='right', va='center', transform=ax.transAxes, size=8, zorder=3) # Add legend ax.legend(loc="best", ncol=2, bbox_to_anchor=[1, 1.07], borderaxespad=0, frameon=False, fontsize=8)

Цель этой статьи состояла в том, чтобы поделиться знаниями для построения более убедительной гистограммы с использованием Matplotlib. Я постарался сделать это как можно более практичным с помощью повторно используемых фрагментов кода.

Я уверен, что необходимо внести и другие коррективы, о которых я не подумал. Если у вас есть какие-либо идеи по улучшению, не стесняйтесь комментировать и делать эту статью более полезной для всех!

Статья была взята из этого источника:

uproger.com

5 шагов для создания красивых столбчатых диаграмм с помощью Python

Мотивация Рассказывать убедительную историю с помощью данных на Python становится намного проще, когда диаграммы, поддерживающие эту самую историю, ясны, не требуют пояснений и визуально приятны для аудитории. Во многих случаях содержание и форма одинаково важны.Отличные данные, плохо представ

5 шагов для создания красивых столбчатых диаграмм с помощью Python

Мотивация

#0 Данные

#1 Основной график

#2 Самое необходимое

#3 Профессиональный вид

#4 Цветовой градиент

#5 Последний штрих

#6 Заключительные мысли