Explorer le cycle de vie des graphiques dans la visualisation de données

Introduction

Dans ce laboratoire, nous explorerons le cycle de vie d'un graphique à l'aide de Matplotlib. Nous commencerons par des données brutes et terminerons en enregistrant une visualisation personnalisée. Nous apprendrons à créer un graphique, à contrôler son style, à personnaliser son apparence, à combiner plusieurs visualisations et à enregistrer le graphique sur disque.

Conseils sur la machine virtuelle

Une fois le démarrage de la machine virtuelle terminé, cliquez dans le coin supérieur gauche pour basculer vers l'onglet Carnet d'étude pour accéder au carnet Jupyter pour pratiquer.

Parfois, vous devrez peut-être attendre quelques secondes pour que le carnet Jupyter ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limitations du carnet Jupyter.

Si vous rencontrez des problèmes pendant l'apprentissage, n'hésitez pas à demander à Labby. Donnez votre feedback après la session, et nous résoudrons rapidement le problème pour vous.

Importez les modules nécessaires

Tout d'abord, nous devons importer les modules requis : Matplotlib et NumPy.

import matplotlib.pyplot as plt
import numpy as np

Préparez les données

Nous utiliserons un ensemble de données d'échantillonnage qui contient des informations sur les ventes de différentes entreprises. Voici un exemple des données :

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)

Créez le graphique

Nous utiliserons la visualisation en graphique à barres pour représenter les données de ventes. Suivez ces étapes :

Créez une figure et un objet axe à l'aide de plt.subplots().

fig, ax = plt.subplots()

Tracez les données à l'aide de la méthode barh() de l'objet axe.

ax.barh(group_names, group_data)

Personnalisez le style du graphique

Nous pouvons modifier le style de notre graphique pour le rendre plus visuellement attrayant. Suivez ces étapes :

Affichez la liste des styles disponibles à l'aide de print(plt.style.available).

print(plt.style.available)

Choisissez un style et appliquez-le à l'aide de plt.style.use(style_name).

plt.style.use('fivethirtyeight')

Montrons à nouveau le graphique.

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

Personnalisez l'apparence du graphique

Nous pouvons personnaliser davantage l'apparence de notre graphique. Suivez ces étapes :

Faites pivoter les étiquettes de l'axe x pour les rendre plus lisibles.

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

Définissez les limites, les étiquettes et le titre des axes x et y.

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

Montrez à nouveau le graphique.

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')

Combinez plusieurs visualisations

Nous pouvons ajouter des éléments supplémentaires au graphique. Suivez ces étapes :

Ajoutez une ligne verticale représentant la moyenne des données de ventes.

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

Ajoutez des annotations pour les nouvelles entreprises sur le graphique.

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

Ajustez la position du titre du graphique.

ax.title.set(y=1.05)

Le code complet est montré ci-dessous.

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()

Enregistrez le graphique

Enfin, nous pouvons enregistrer notre graphique sur le disque. Suivez ces étapes :

Affichez les formats de fichier pris en charge à l'aide de print(fig.canvas.get_supported_filetypes()).

print(fig.canvas.get_supported_filetypes())

Enregistrez la figure sous forme de fichier image à l'aide de fig.savefig(file_path, transparent=False, dpi=80, bbox_inches="tight"). Désactivez le commentaire de cette ligne pour enregistrer la figure.

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

Vous pouvez ouvrir le fichier image enregistré à l'aide de l'explorateur de fichiers dans la barre latérale gauche.

Sommaire

Dans ce laboratoire, nous avons appris sur le cycle de vie d'un graphique à l'aide de Matplotlib. Nous avons commencé par créer un graphique, contrôler son style, personnaliser son apparence, combiner plusieurs visualisations et enregistrer le graphique sur le disque. Matplotlib offre un large éventail d'options de personnalisation pour créer des graphiques visuellement attrayants et informatifs.

Le cycle de vie d'un graphique