Sıralı kategorileri renklendirme

Des Moines belediye meclisi için şehirdeki çeşitli kirletici düzeyleri arasındaki ilişkileri değerlendiriyorsun. En önemli iki kirletici SO₂ ve NO₂, ancak CO da ilgi çekiyor. Raporunun senin bölümün için yalnızca tek bir grafik alanına izin verildi.

En önemli oldukları için önce SO₂ ve NO₂ değerlerinin bir saçılım grafiğiyle başlıyorsun ve ardından CO değerlerini, CO çeyreklerine (quartile) karşılık gelen bir renk ölçeğiyle göstermeye karar veriyorsun. Sürekli CO değerlerini bölmelere ayırarak CO'yu, izleyicinin birbirine çok benzeyen tonları karşılaştırmak için fazla çaba harcamasını gerektirmeden genel desenleri ortaya çıkarabilen sıralı bir değişkene dönüştürmüş oluyorsun.

Bu egzersiz

Python'da Veri Görselleştirmelerini İyileştirme

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

qcut() fonksiyonunu 'CO' değerlerini çeyreklere ayıracak şekilde ayarla.
Saçılım grafiğindeki rengi yeni çeyrek sütununa eşle.
palette değerini ColorBrewer paleti 'GnBu' olarak değiştir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Divide CO into quartiles
pollution['CO quartile'] = pd.qcut(pollution['CO'], q = ____, labels = False)

# Filter to just Des Moines
des_moines = pollution.query("city  ==  'Des Moines'")

# Color points with by quartile and use ColorBrewer palette
sns.scatterplot(x = 'SO2',
                y = 'NO2',
                ____ = '____', 
                  data = des_moines,
                palette = '____')
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 Exercise 11: Sıralı kategorileri renklendirme

Geçerli Egzersiz

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!