Explorando el ciclo de vida de las gráficas en la visualización de datos

Introducción

En este laboratorio, exploraremos el ciclo de vida de una gráfica utilizando Matplotlib. Comenzaremos con datos crudos y terminaremos guardando una visualización personalizada. Aprenderemos cómo crear una gráfica, controlar su estilo, personalizar su apariencia, combinar múltiples visualizaciones y guardar la gráfica en el disco.

Consejos sobre la VM

Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.

A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.

Importar los módulos necesarios

Primero, necesitamos importar los módulos requeridos: Matplotlib y NumPy.

import matplotlib.pyplot as plt
import numpy as np

Preparar los datos

Utilizaremos un conjunto de datos de muestra que contiene información sobre ventas de diferentes empresas. Aquí hay un ejemplo de los datos:

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)

Crear la gráfica

Utilizaremos la visualización de gráfico de barras para representar los datos de ventas. Siga estos pasos:

Cree una figura y un objeto de eje utilizando plt.subplots().

fig, ax = plt.subplots()

Trace los datos utilizando el método barh() del objeto de eje.

ax.barh(group_names, group_data)

Personalizar el estilo de la gráfica

Podemos cambiar el estilo de nuestra gráfica para que sea más atractiva visualmente. Siga estos pasos:

Imprima la lista de estilos disponibles utilizando print(plt.style.available).

print(plt.style.available)

Elija un estilo y aplíquelo utilizando plt.style.use(style_name).

plt.style.use('fivethirtyeight')

Vamos a mostrar la gráfica nuevamente.

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

Personalizar la apariencia de la gráfica

Podemos personalizar aún más la apariencia de nuestra gráfica. Siga estos pasos:

Gire las etiquetas del eje x para que sean más legibles.

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

Establezca los límites, etiquetas y título del eje x y del eje y.

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

Muestre la gráfica nuevamente.

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')

Combinar múltiples visualizaciones

Podemos agregar elementos adicionales a nuestra visualización. Siga estos pasos:

Agregue una línea vertical que represente la media de los datos de ventas.

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

Anote nuevas empresas en la gráfica.

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

Ajuste la posición del título de la gráfica.

ax.title.set(y=1.05)

El código completo se muestra a continuación.

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()

Guardar la gráfica

Finalmente, podemos guardar nuestra gráfica en el disco. Siga estos pasos:

Imprima los formatos de archivo admitidos utilizando print(fig.canvas.get_supported_filetypes()).

print(fig.canvas.get_supported_filetypes())

Guarde la figura como un archivo de imagen utilizando fig.savefig(file_path, transparent=False, dpi=80, bbox_inches="tight"). Descomente esta línea para guardar la figura.

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

Puede abrir el archivo de imagen guardado utilizando el explorador de archivos en la barra lateral izquierda.

Resumen

En este laboratorio, aprendimos sobre el ciclo de vida de una gráfica utilizando Matplotlib. Comenzamos creando una gráfica, controlando su estilo, personalizando su apariencia, combinando múltiples visualizaciones y guardando la gráfica en el disco. Matplotlib ofrece una amplia variedad de opciones de personalización para crear gráficas atractivas visualmente y informativas.

El ciclo de vida de una gráfica