Das Anpassen von Violindiagrammen in der Visualisierung

Einführung

In diesem Lab lernen wir, wie man Violindiagramme mit Matplotlib anpassen kann. Violindiagramme sind ein leistungsstarkes Werkzeug zur Visualisierung der Verteilung und Dichte von Daten. Indem wir das Aussehen des Diagramms anpassen, können wir informativere und visuell ansprechendere Visualisierungen erstellen.

Tipps für die VM

Nachdem der Start der VM abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund der Einschränkungen von Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.

Testdaten erstellen

Zunächst werden wir einige Testdaten erstellen, die wir für das Violindiagramm verwenden. Wir werden NumPy verwenden, um vier Arrays mit 100 normalverteilten Werten mit zunehmender Standardabweichung zu generieren.

import matplotlib.pyplot as plt
import numpy as np

## create test data
np.random.seed(19680801)
data = [sorted(np.random.normal(0, std, 100)) for std in range(1, 5)]

Erstellen eines standardmäßigen Violindiagramms

Als nächstes werden wir ein standardmäßiges Violindiagramm mit der violinplot-Funktion von Matplotlib erstellen. Dies wird als Vergleichsbasis dienen, wenn wir das Diagramm in späteren Schritten anpassen.

## create default violin plot
fig, ax1 = plt.subplots()
ax1.set_title('Default Violin Plot')
ax1.set_ylabel('Observed Values')
ax1.violinplot(data)

Ändere das Aussehen des Violindiagramms

Jetzt werden wir das Aussehen des Violindiagramms anpassen. Zunächst werden wir beschränken, was Matplotlib zeichnet, indem wir die Argumente showmeans, showmedians und showextrema auf False setzen. Anschließend werden wir die Farbe und die Transparenz der Violinkörper mit den Methoden set_facecolor und set_alpha ändern. Schließlich werden wir eine vereinfachte Darstellung eines Boxplots über dem Violindiagramm hinzufügen, indem wir die percentile-Funktion aus NumPy verwenden, um die Quartile, Medianen und Schnurrbögen zu berechnen.

## customize violin plot appearance
fig, ax2 = plt.subplots()
ax2.set_title('Customized Violin Plot')
ax2.set_ylabel('Observed Values')

## create violin plot
parts = ax2.violinplot(
        data, showmeans=False, showmedians=False,
        showextrema=False)

## customize violin bodies
for pc in parts['bodies']:
    pc.set_facecolor('#D43F3A')
    pc.set_edgecolor('black')
    pc.set_alpha(1)

## add box plot
quartile1, medians, quartile3 = np.percentile(data, [25, 50, 75], axis=1)
whiskers = np.array([
    adjacent_values(sorted_array, q1, q3)
    for sorted_array, q1, q3 in zip(data, quartile1, quartile3)])
whiskers_min, whiskers_max = whiskers[:, 0], whiskers[:, 1]

inds = np.arange(1, len(medians) + 1)
ax2.scatter(inds, medians, marker='o', color='white', s=30, zorder=3)
ax2.vlines(inds, quartile1, quartile3, color='k', linestyle='-', lw=5)
ax2.vlines(inds, whiskers_min, whiskers_max, color='k', linestyle='-', lw=1)

Stil der Achsen festlegen

Schließlich werden wir den Stil der x-Achse durch Angabe der Strichmarkenbeschriftungen und -grenzen festlegen. Dazu definieren wir eine Hilfsfunktion set_axis_style.

## set style for the axes
labels = ['A', 'B', 'C', 'D']
set_axis_style(ax2, labels)

def set_axis_style(ax, labels):
    ax.set_xticks(np.arange(1, len(labels) + 1))
    ax.set_xticklabels(labels)
    ax.set_xlim(0.25, len(labels) + 0.75)
    ax.set_xlabel('Sample Name')

Zusammenfassung

In diesem Lab haben wir gelernt, wie man das Aussehen von Violindiagrammen mit Matplotlib anpassen kann. Wir haben ein standardmäßiges Violindiagramm erstellt und es dann durch Änderung der Farbe und der Transparenz der Violinkörper sowie durch Hinzufügen einer vereinfachten Boxplot-Darstellung oben darauf modifiziert. Wir haben auch den Stil für die Beschriftungen und Grenzen der x-Achse festgelegt. Indem wir das Aussehen des Diagramms anpassen, können wir informativere und visuell ansprechendere Visualisierungen erstellen.