Der Lebenszyklus eines Diagramms

Einführung

In diesem Lab werden wir den Lebenszyklus eines Diagramms mit Matplotlib erkunden. Wir beginnen mit Rohdaten und enden mit dem Speichern einer benutzerdefinierten Visualisierung. Wir werden lernen, wie man ein Diagramm erstellt, seinen Stil steuert, seine Erscheinung anpasst, mehrere Visualisierungen kombiniert und das Diagramm auf der Festplatte speichert.

Tipps für die VM

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

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

Importieren der erforderlichen Module

Zunächst müssen wir die erforderlichen Module importieren: Matplotlib und NumPy.

import matplotlib.pyplot as plt
import numpy as np

Daten vorbereiten

Wir werden einen Beispiel-Datensatz verwenden, der Verkaufsinformationen für verschiedene Unternehmen enthält. Hier ist ein Beispiel für die Daten:

data = {'Barton LLC': 109438.50,
        'Frami, Hills and Schmidt': 103569.59,
        'Fritsch, Russel and Anderson': 112214.71,
        'Jerde-Hilpert': 112591.43,
        'Keeling LLC': 100934.30,
        'Koepp Ltd': 103660.54,
        'Kulas Inc': 137351.96,
        'Trantow-Barrows': 123381.38,
        'White-Trantow': 135841.99,
        'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())
group_mean = np.mean(group_data)

Erstellen des Diagramms

Wir werden die Balkendiagrammvisualisierung verwenden, um die Verkaufsdaten darzustellen. Folgen Sie diesen Schritten:

1. Erstellen Sie eine Figur und ein Achsenobjekt mit plt.subplots().

fig, ax = plt.subplots()

2. Plotten Sie die Daten mit der barh()-Methode des Achsenobjekts.

ax.barh(group_names, group_data)

Anpassen des Diagrammstils

Wir können den Stil unseres Diagramms ändern, um es visuell ansprechender zu gestalten. Folgen Sie diesen Schritten:

1. Drucken Sie die Liste der verfügbaren Stile mit print(plt.style.available).

print(plt.style.available)

2. Wählen Sie einen Stil und wenden Sie ihn mit plt.style.use(style_name) an.

plt.style.use('fivethirtyeight')

3. Zeigen wir das Diagramm erneut an.

fig, ax = plt.subplots()
ax.barh(group_names, group_data)

Anpassen des Diagrammaussehens

Wir können das Aussehen unseres Diagramms weiter anpassen. Folgen Sie diesen Schritten:

1. Drehen Sie die Beschriftungen der x-Achse, um sie lesbarer zu machen.

labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

2. Legen Sie die Grenzen, die Beschriftungen und den Titel der x- und y-Achse fest.

ax.set(xlim=[-10000, 140000],
       xlabel='Total Revenue',
       ylabel='Company',
       title='Company Revenue')

3. Zeigen Sie das Diagramm erneut an.

fig, ax = plt.subplots()
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')
ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')

Mehrere Visualisierungen kombinieren

Wir können zusätzliche Diagrammelemente zu unserer Visualisierung hinzufügen. Folgen Sie diesen Schritten:

1. Fügen Sie eine vertikale Linie hinzu, die den Mittelwert der Verkaufsdaten darstellt.

ax.axvline(group_mean, ls='--', color='r')

2. Kennzeichnen Sie neue Unternehmen im Diagramm.

for group in [3, 5, 8]:
    ax.text(145000, group, "New Company", fontsize=10, verticalalignment="center")

3. Anpassen der Position des Diagrammtitels.

ax.title.set(y=1.05)

4. Der vollständige Code ist unten dargestellt.

fig, ax = plt.subplots(figsize=(8, 8))
ax.barh(group_names, group_data)
labels = ax.get_xticklabels()
plt.setp(labels, rotation=45, horizontalalignment='right')

## Add a vertical line, here we set the style in the function call
ax.axvline(group_mean, ls='--', color='r')

## Annotate new companies
for group in [3, 5, 8]:
    ax.text(145000, group, "New Company", fontsize=10,
            verticalalignment="center")

## Now we move our title up since it's getting a little cramped
ax.title.set(y=1.05)

ax.set(xlim=[-10000, 140000], xlabel='Total Revenue', ylabel='Company',
       title='Company Revenue')

plt.show()

Speichern des Diagramms

Schließlich können wir unser Diagramm auf der Festplatte speichern. Folgen Sie diesen Schritten:

1. Drucken Sie die unterstützten Dateiformate mit print(fig.canvas.get_supported_filetypes()).

print(fig.canvas.get_supported_filetypes())

2. Speichern Sie die Figur als Bilddatei mit fig.savefig(file_path, transparent=False, dpi=80, bbox_inches="tight"). Entfernen Sie das Kommentarzeichen von dieser Zeile, um die Figur zu speichern.

fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")

Sie können die gespeicherte Bilddatei mithilfe des Dateiexplorers in der linken Seitenleiste öffnen.

Zusammenfassung

In diesem Lab haben wir uns mit dem Lebenszyklus eines Diagramms mit Matplotlib beschäftigt. Wir haben begonnen, indem wir ein Diagramm erstellt haben, seinen Stil kontrolliert haben, dessen Aussehen angepasst haben, mehrere Visualisierungen kombiniert haben und das Diagramm auf der Festplatte gespeichert haben. Matplotlib bietet eine Vielzahl von Anpassungsmöglichkeiten, um visuell ansprechende und informierende Diagramme zu erstellen.