Erstellen einer kombinierten Visualisierung mit verschiedenen Alpha-Techniken
In diesem letzten Schritt werden wir mehrere Techniken kombinieren, um eine komplexere Visualisierung zu erstellen, die sowohl einheitliche als auch variierende Alpha-Werte in einem Diagramm zeigt.
Hinzufügen einer neuen Zelle
Fügen Sie eine neue Zelle zu Ihrem Jupyter Notebook hinzu, indem Sie auf die Schaltfläche "+" in der Symbolleiste klicken oder im Befehlsmodus "Esc" und dann "b" drücken.
Erstellen einer kombinierten Visualisierung
Geben Sie den folgenden Code in die neue Zelle ein und führen Sie ihn aus:
import matplotlib.pyplot as plt
import numpy as np
## Set a random seed for reproducibility
np.random.seed(19680801)
## Create a figure with two subplots side by side
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
## Generate some common data
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.sin(x) * np.cos(x)
## First subplot: Fixed alpha for all lines
ax1.plot(x, y1, color='red', linewidth=2, label='sin(x)', alpha=0.7)
ax1.plot(x, y2, color='blue', linewidth=2, label='cos(x)', alpha=0.7)
ax1.plot(x, y3, color='green', linewidth=2, label='sin(x)cos(x)', alpha=0.7)
## Add title and legend to first subplot
ax1.set_title("Multiple Lines with Uniform Alpha")
ax1.set_xlabel("x")
ax1.set_ylabel("y")
ax1.legend()
ax1.grid(True, linestyle='--', alpha=0.5)
## Second subplot: Scatter plot with varying alpha based on y-value
sizes = np.abs(y3 * 100) + 10 ## Vary point sizes based on y3
colors = y3 ## Use y3 values for coloring
## Calculate varying alpha values between 0.3 and 1.0 based on absolute y3 values
alphas = 0.3 + 0.7 * (np.abs(y3) / max(np.abs(y3)))
## Create a scatter plot with varying sizes, colors, and alphas
scatter = ax2.scatter(x, y3, s=sizes, c=colors, cmap='viridis',
alpha=alphas)
## Add title and labels to second subplot
ax2.set_title("Scatter Plot with Varying Alpha Based on Y-Value")
ax2.set_xlabel("x")
ax2.set_ylabel("sin(x)cos(x)")
ax2.grid(True, linestyle='--', alpha=0.5)
## Add a colorbar to the second subplot
cbar = plt.colorbar(scatter, ax=ax2)
cbar.set_label('Value of sin(x)cos(x)')
## Adjust layout and show the plot
plt.tight_layout()
plt.show()
Verständnis des Codes und der Ausgabe
Nachdem Sie den Code ausgeführt haben, sollten Sie ein Diagramm mit zwei nebeneinander liegenden Teilplots sehen:
-
Linker Teilplot (Einheitlicher Alpha-Wert): Zeigt drei trigonometrische Funktionen, die mit demselben Alpha-Wert (0,7) geplottet wurden.
-
Rechter Teilplot (Variierender Alpha-Wert): Zeigt ein Streudiagramm, bei dem:
- Die x-Koordinate der Eingabewert ist.
- Die y-Koordinate sin(x)cos(x) ist.
- Die Größe jedes Punkts basierend auf dem absoluten y-Wert variiert.
- Die Farbe jedes Punkts basierend auf dem y-Wert variiert.
- Der Alpha-Wert (Transparenz) jedes Punkts basierend auf dem absoluten y-Wert variiert.
Lassen Sie uns die wichtigsten Teile des Codes analysieren:
-
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6)) - Erstellt ein Diagramm mit zwei nebeneinander liegenden Teilplots.
-
Für den ersten Teilplot:
ax1.plot(..., alpha=0.7) - Verwendet einen einheitlichen Alpha-Wert für alle drei Linien.
-
Für den zweiten Teilplot:
alphas = 0.3 + 0.7 * (np.abs(y3) / max(np.abs(y3))) - Berechnet variierende Alpha-Werte zwischen 0,3 und 1,0.ax2.scatter(..., alpha=alphas) - Verwendet variierende Alpha-Werte für die Streupunkte.
Diese Kombination von Techniken zeigt, wie Alpha-Werte auf verschiedene Weise eingesetzt werden können, um Visualisierungen zu verbessern:
-
Einheitlicher Alpha-Wert ist hilfreich, wenn Sie mehrere überlappende Elemente gleicher Wichtigkeit darstellen müssen.
-
Variierender Alpha-Wert ist nützlich, wenn Sie bestimmte Datenpunkte basierend auf ihren Werten hervorheben möchten.
Durch das Beherrschen dieser Techniken können Sie effektivere und visuell ansprechende Datenvisualisierungen erstellen.
