تصویرسازی داده تعاملی

منتشر‌شده در towardsdatascience به تاریخ ۲۴ آگوست ۲۰۲۱
لینک منبعInteractive Data Visualization

تصویرسازی داده‌ها به کشف الگوهای داده پنهان کمک می‌کند که چشم غیرمسلح نمی‌تواند آن‌ها را در قالب جداول مشاهده کند. این امر به درک همبستگی و ارتباط بین نقاط داده مختلف کمک می‌کند. انواع مختلف تصویرسازی به درک ویژگی‌های مختلف مجموعه داده کمک می‌کند.

پایتون کتابخانه‌های زیادی را فراهم می‌کند که می‌توانند برای تصویرسازی داده‌ها مورد استفاده قرار گیرند. هر بسته مزایا و معایب خاص خود را دارد. در اینجا تجسم داده‌های تعاملی را مورد بحث قرار می‌دهیم که تنها در چند کتابخانه پایتون امکان پذیر است.

آلتیر یک کتابخانه پایتون منبع باز است که برای ایجاد تصویرسازی داده استفاده می‌شود که بسیار تعاملی و مفید هستند. این طیف گسترده‌ای از نمودارها و گراف‌هایی که می‌توانیم ایجاد کنیم را فراهم می‌کند.

در این مقاله، ما Altair را بررسی خواهیم کرد و با استفاده از آن برخی از تجسم‌ها را ایجاد خواهیم کرد.

بیایید شروع کنیم …

نصب کتابخانه‌های مورد نیاز

ما با نصب Altair با استفاده از نصب pip شروع می‌کنیم. فرمانی که در زیر داده شده‌است، Altair را با استفاده از pip نصب خواهد کرد.

pip install altair vega_datasets

وارد کردن کتابخانه‌های مورد نیاز

در این مرحله، ما تمام کتابخانه‌های مورد نیاز برای ایجاد مدل‌ها و سپس تجسم آن مدل‌ها را وارد خواهیم کرد.

import altair as alt
from vega_datasets import data

بارگذاری کردن مجموعه داده‌ها

برای این مقاله، ما مجموعه داده معروف «Cars» را از مجموعه داده‌های وگا خواهیم داشت. در کد زیر می‌توانید ببینید که چگونه می‌توانیم مجموعه داده‌ها را وارد کنیم.

source = data.cars()

ایجاد نمودار

حالا با ایجاد چند نمودار شروع می‌کنیم و چگونگی ساخت این نمودارها را بررسی می‌کنیم.

طرح پراکنده

alt.Chart(source).mark_circle(size=60).encode(
x='Horsepower',
y='Miles_per_Gallon',
color='Origin',
tooltip=['Name', 'Origin', 'Horsepower', 'Miles_per_Gallon']
).interactive()

در اینجا می‌توانید به وضوح ببینید که ما یک راهنمای کوچک را در کد اضافه کردیم که این نمودار را تعاملی‌تر می‌کند.

۲. نوار بار

alt.Chart(source).mark_bar().encode(
y='Origin:N',
color='Origin:N',
x='count(Origin):Q'
)

۳. نمودارهای ترکیبی

points = alt.Chart(source).mark_point().encode(
x='Horsepower:Q',
y='Miles_per_Gallon:Q',
color=alt.condition(brush, 'Origin:N', alt.value('lightgray'))
).add_selection(
brush
)bars = alt.Chart(source).mark_bar().encode(
y='Origin:N',
color='Origin:N',
x='count(Origin):Q'
).transform_filter(
brush
)
points & bars

نمودار ایجاد شده با استفاده از کد بالا بسیار تعاملی است، همانطور که می‌توانید در ویدئو بالا ببینید. این نمودار هم یک نمودار پراکندگی و هم یک نمودار میله‌ای دارد.

در اینجا شما می‌توانید به وضوح نمودارها و طرح‌های مختلفی را که با استفاده از Altair ایجاد کردیم، تصویرسازی کنید. این را با مجموعه داده‌های مختلف امتحان کنید، و تصویرسازی‌های مختلف ایجاد کنید،.

از خواندن شما متشکرم!

این متن با استفاده از ربات ترجمه مقاله علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.