5 визуализаций, который помогут улучшить Data Story

Автор оригинала: Liana Mehrabyan
  • Перевод
Статья переведена в преддверии запуска курса «Разработчик Python».




Сторителлинг – один из важнейших навыков для специалистов, которые занимаются анализом данных. Чтобы доносить идеи и делать это убедительно, нужно простраивать эффективную коммуникацию. В этой статье мы познакомимся с 5 методами визуализации, которые выходят за рамки классического понимания, и могут сделать вашу Data Story более эстетичной и красивой. Работать мы будем с графической библиотекой Plotly на Python (она также доступна на R), которая позволяет создавать анимированные и интерактивные диаграммы с минимальными усилиями.

Что хорошего в Plotly


Графики Plotly можно легко интегрировать в различные среды: они хорошо работают в jupyter notebooks, их можно встроить в веб-сайт, а еще они полностью интегрируемы с Dash — отличным инструментом для создания панелей мониторинга и аналитических приложений.

Начнем


Если у вас еще не установлена plotly, сделать это можно с помощью следующей команды:

pip install plotly

Отлично, теперь можно продолжать!

1. Анимации


Наша работа часто связана с временными данными, например, когда мы рассматриваем эволюцию той или иной метрики. Анимация в plotly – это классный инструмент, который помогает отразить, как данные изменяются со временем, с помощью всего одной строчки кода.



import plotly.express as px
from vega_datasets import data
df = data.disasters()
df = df[df.Year > 1990]
fig = px.bar(df,
             y="Entity",
             x="Deaths",
             animation_frame="Year",
             orientation='h',
             range_x=[0, df.Deaths.max()],
             color="Entity")
# improve aesthetics (size, grids etc.)
fig.update_layout(width=1000,
                  height=800,
                  xaxis_showgrid=False,
                  yaxis_showgrid=False,
                  paper_bgcolor='rgba(0,0,0,0)',
                  plot_bgcolor='rgba(0,0,0,0)',
                  title_text='Evolution of Natural Disasters',
                  showlegend=False)
fig.update_xaxes(title_text='Number of Deaths')
fig.update_yaxes(title_text='')
fig.show()

Почти любой график можно анимировать, если у вас есть переменная, которая поможет вам провести фильтрацию по времени. Пример анимации диаграммы рассеяния:

import plotly.express as px
df = px.data.gapminder()
fig = px.scatter(
    df,
    x="gdpPercap",
    y="lifeExp",
    animation_frame="year",
    size="pop",
    color="continent",
    hover_name="country",
    log_x=True,
    size_max=55,
    range_x=[100, 100000],
    range_y=[25, 90],

    #   color_continuous_scale=px.colors.sequential.Emrld
)
fig.update_layout(width=1000,
                  height=800,
                  xaxis_showgrid=False,
                  yaxis_showgrid=False,
                  paper_bgcolor='rgba(0,0,0,0)',
                  plot_bgcolor='rgba(0,0,0,0)')

2. Диаграммы Sunburst


Диаграммы Sunburst – это отличный способ визуализации операции group by. Если вы хотите разбить имеющийся объем данных на одну или несколько категориальных переменных, воспользуйтесь sunburst-диаграммой.

Допустим, нам нужно получить распределение чаевых по полу и времени суток. Значит, мы можем воспользоваться оператором group by дважды и с легкостью визуализировать полученные данные, чтобы не лицезреть обычный табличный вывод.



Диаграмма получается интерактивной, вы можете кликать на категории и рассматривать каждую категорию по отдельности. Все, что вам нужно сделать, это определиться с этими категориями, продумать иерархию между ними (аргумент parents в коде) и присвоить соответствующие значения, которые в нашем случае окажутся выходными данными операторов group by.

import plotly.graph_objects as go
import plotly.express as px
import numpy as np
import pandas as pd
df = px.data.tips()
fig = go.Figure(go.Sunburst(
    labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],
    parents=["", "", "Female", "Female", 'Male', 'Male'],
    values=np.append(
        df.groupby('sex').tip.mean().values,
        df.groupby(['sex', 'time']).tip.mean().values),
    marker=dict(colors=px.colors.sequential.Emrld)),
                layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
                                 plot_bgcolor='rgba(0,0,0,0)'))

fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
                  title_text='Tipping Habbits Per Gender, Time and Day')
fig.show()

Теперь давайте добавим еще один уровень иерархии:



Для этого мы добавим результат выполнения еще одного group by, из которого мы получим еще три категории.

import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np
df = px.data.tips()
fig = go.Figure(go.Sunburst(labels=[
    "Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',
    'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri  ', 'Sat  ', 'Sun  ', 'Fri   ', 'Thu   '
],
                            parents=[
                                "", "", "Female", "Female", 'Male', 'Male',
                                'Dinner', 'Dinner', 'Dinner', 'Dinner',
                                'Lunch', 'Lunch', 'Dinner ', 'Dinner ',
                                'Dinner ', 'Lunch ', 'Lunch '
                            ],
                            values=np.append(
                                np.append(
                                    df.groupby('sex').tip.mean().values,
                                    df.groupby(['sex',
                                                'time']).tip.mean().values,
                                ),
                                df.groupby(['sex', 'time',
                                            'day']).tip.mean().values),
                            marker=dict(colors=px.colors.sequential.Emrld)),
                layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',
                                 plot_bgcolor='rgba(0,0,0,0)'))
fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),
                  title_text='Tipping Habbits Per Gender, Time and Day')

fig.show()

3. Параллельные категории


Еще один хороший способ визуализировать отношения между категориями – эта диаграмма параллельных категорий. Вы можете перетаскивать, выделять и получать значения на ходу, что отлично подходит для презентаций.



import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_categories(
    df,
    dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],
    color="Genre_id",
    color_continuous_scale=px.colors.sequential.Emrld,
)
fig.show()

4. Параллельные координаты


Диаграмма с параллельными координатами – это развернутая версия приведенного выше графика. Здесь каждая часть графика отражает одно наблюдение. Это хороший инструмент выявления выбросов (одиночных потоков, изолированных от остальных данных), кластеров, трендов и избыточных данных (например, если у двух переменных одинаковые значения для всех наблюдений, они будут лежать на горизонтальной линии, что укажет на наличие избыточности).



import plotly.express as px
from vega_datasets import data
import pandas as pd
df = data.movies()
df = df.dropna()
df['Genre_id'] = df.Major_Genre.factorize()[0]
fig = px.parallel_coordinates(
    df,
    dimensions=[
        'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',
        'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'
    ],
    color='IMDB_Rating',
    color_continuous_scale=px.colors.sequential.Emrld)
fig.show()


5. Диаграммы-датчики и индикаторы




Диаграммы-датчики нужны для эстетики. Они являются хорошим способом сообщить о показателях успеха или показателях эффективности и связать их с вашей целью.



Индикаторы будут весьма полезны в контексте бизнеса и консалтинга. Они дополняют визуальные эффекты текстом, который привлекает внимание аудитории и транслирует аудитории показатели роста.

import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
    domain = {'x': [0, 1], 'y': [0, 1]},
    value = 4.3,
    mode = "gauge+number+delta",
    title = {'text': "Success Metric"},
    delta = {'reference': 3.9},
    gauge = {'bar': {'color': "lightgreen"},
        'axis': {'range': [None, 5]},
             'steps' : [
                 {'range': [0, 2.5], 'color': "lightgray"},
                 {'range': [2.5, 4], 'color': "gray"}],
          }))
fig.show()

import plotly.graph_objects as go
fig = go.Figure(go.Indicator(
    title = {'text': "Success Metric"},
     mode = "number+delta",
    value = 300,
    delta = {'reference': 160}))
fig.show()


fig = go.Figure(go.Indicator(
     title = {'text': "Success Metric"},
    mode = "delta",
    value = 40,
 delta = {'reference': 160}))
fig.show()

Вот и все!


Надеюсь, вы нашли для себя что-то полезное. Оставайтесь дома, будьте в безопасности, работайте продуктивно.



Узнать подробнее о курсе.


OTUS. Онлайн-образование
Цифровые навыки от ведущих экспертов

Комментарии 0

Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.

Самое читаемое