Çok fazla kategoriyle başa çıkmak

Bazen figür alanın kısıtlı olabilir ve aynı anda çok fazla veriyi göstermen gerekebilir. Burada pollution veri kümesinde her şehir için her kirleticinin bir yıllık seyrini göstermek istiyorsun. Her kirletici seyri, y-değeri yıl ortalamasından standart sapma olacak şekilde bir çizgi olarak çizilecek. Bu da grafiğinde aynı anda çok fazla çizgi olacağı anlamına gelir — renkle netçe ayırabileceğinden çok daha fazla.

Bunu yönetmek için, şehir–kirletici kombinasyonlarının (wanted_combos) küçük bir alt kümesini vurgulamaya karar verdin. Bu alt küme senin için en önemli olanı; diğer seyirler ise karşılaştırma için değerli bir bağlam sağlayacak. Dikkati toplamak için, vurgulanmayan tüm seyir çizgilerini aynı ‘other’ rengiyle ayarlayacaksın.

Bu egzersiz

Python'da Veri Görselleştirmelerini İyileştirme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Liste üretecini (list comprehension) değiştirerek istenen şehir ve kirletici kombinasyonlarını (wanted_combos) ayıkla.
Çizgi grafiğine DataFrame’inde yeni oluşturduğun color_cats sütununa göre renklendirme yapmasını söyle.
Her çizginin oluşması için noktaların nasıl, yani hangi sütundaki kayıtlardan, birbirine bağlanacağını belirtmek üzere units argümanını kullan.
Noktaların gruplandırılmasını estimator argümanıyla devre dışı bırak.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Choose the combos that get distinct colors
wanted_combos = ['Vandenberg Air Force Base NO2', 'Long Beach CO', 'Cincinnati SO2']

# Assign a new column to DataFrame for isolating the desired combos
city_pol_month['color_cats'] = [x if x in ____ else 'other' for x in city_pol_month['city_pol']]

# Plot lines with color driven by new column and lines driven by original categories
sns.lineplot(x = "month",
             y = "value",
             hue = '____',
             units = '____',
             estimator = ____,
             palette = 'Set2',
             data = city_pol_month)
plt.show()

Kodu Düzenle ve Çalıştır

Bu egzersiz

Python'da Veri Görselleştirmelerini İyileştirme

kursunun bir parçasıdır

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

How do you show all of your data while making sure that viewers don't miss an important point or points? Here we discuss how to guide your viewer through the data with color-based highlights and text. We also introduce a dataset on common pollutant values across the United States.

Exercise 1: Highlighting data Exercise 2: Hardcoding a highlight Exercise 3: Programmatically creating a highlight Exercise 4: Comparing groups Exercise 5: Comparing with two KDEs Exercise 6: Improving your KDEs Exercise 7: Beeswarms Exercise 8: Annotations Exercise 9: A basic text annotation Exercise 10: Arrow annotations Exercise 11: Combining annotations and color

Color is a powerful tool for encoded values in data visualization. However, with this power comes danger. In this chapter, we talk about how to choose an appropriate color palette for your visualization based upon the type of data it is showing.

Exercise 1: Görselleştirmelerde renk Exercise 2: Gereksiz rengi kaldırmak Exercise 3: Seaborn'ın çubuk grafiklerini düzeltmek Exercise 4: Sürekli renk paletleri Exercise 5: Özel bir sürekli palet oluşturma Exercise 6: Ayrışan paletli bir ısı haritasını özelleştirme Exercise 7: Paletini bağlama göre ayarlama Exercise 8: Kategorik paletler Exercise 9: Özel bir kategorik palet kullanma Exercise 10: Çok fazla kategoriyle başa çıkmak

Geçerli Egzersiz

Exercise 11: Sıralı kategorileri renklendirme Exercise 12: Renge kodlamak için doğru değişkeni seçmek

Uncertainty occurs everywhere in data science, but it's frequently left out of visualizations where it should be included. Here, we review what a confidence interval is and how to visualize them for both single estimates and continuous functions. Additionally, we discuss the bootstrap resampling technique for assessing uncertainty and how to visualize it properly.

Exercise 1: Point estimate intervals Exercise 2: Basic confidence intervals Exercise 3: Annotating confidence intervals Exercise 4: Confidence bands Exercise 5: Making a confidence band Exercise 6: Separating a lot of bands Exercise 7: Cleaning up bands for overlaps Exercise 8: Beyond 95%Exercise 9: 90, 95, and 99% intervals Exercise 10: 90 and 95% bands Exercise 11: Using band thickness instead of coloring Exercise 12: Visualizing the bootstrap Exercise 13: The bootstrap histogram Exercise 14: Bootstrapped regressions Exercise 15: Lots of bootstraps with beeswarms

Often visualization is taught in isolation, with best practices only discussed in a general way. In reality, you will need to bend the rules for different scenarios. From messy exploratory visualizations to polishing the font sizes of your final product; in this chapter, we dive into how to optimize your visualizations at each step of a data science workflow.

Exercise 1: First explorations Exercise 2: Looking at the farmers market data Exercise 3: Scatter matrix of numeric columns Exercise 4: Digging in with basic transforms Exercise 5: Exploring the patterns Exercise 6: Is latitude related to months open?Exercise 7: What state is the most market-friendly?Exercise 8: Popularity of goods sold by state Exercise 9: Making your visualizations efficient Exercise 10: Stacking to find trends Exercise 11: Using a plot as a legend Exercise 12: Tweaking your plots Exercise 13: Cleaning up the background Exercise 14: Remixing a plot Exercise 15: Enhancing legibility Exercise 16: Congrats!