Dans cet article, nous allons dessiner différents types de tableaux et de graphiques à l’aide de Python. Nous allons utiliser deux packages différents en Python alors quePython est un célèbre langage de programmation. Il s’agit d’un langage de programmation très ingénieux dont les fonctions sont appliquées dans presque tous les domaines de l’informatique, tels que la science des données, le développement Web, l’IA et le Big Data.
Avoir un outil de programmation puissant ne suffit pas ; la facilité d’utilisation est pratique lors du développement ou du calcul de calculs complexes. En Python, il est facile pour votre implémentation et votre sortie d’avoir un sens facilement.
Qu’en est-il de la visualisation ? Quel est le sujet d’aujourd’hui. Dans le scénario où vous avez des données, vous avez besoin de tableaux et de graphiques implémentés pour les données les plus simples aux plus complexes. Python peut-il vous aider avec ça?
Oui il peut. Python possède de nombreuses bibliothèques conviviales et open source qui prennent en charge tous les types de dessins, tableaux et graphiques dont vous avez besoin. Ces bibliothèques incluent Matplotlib, Plotly, Seaborn, Bokeh.
Dans cet article, l’accent est mis sur la façon de créer divers tableaux et graphiques entre Matplotlib, et Plotly, nous serons en mesure de différencier les meilleures pratiques pour les deux méthodes afin de vous assurer d’obtenir des résultats et des sorties précis. Regardons.
Conditions préalables
Les graphiques ne peuvent pas être dessinés dans une interface de commande python, d’où la nécessité d’un bon IDE intégré de visualisation pour afficher votre visualisation générée ; les IDE courants pour Python sont PyCharm et le bloc-notes Jupyter dans le cas des visualisations, je recommande d’utiliser le bloc-notes Jupyter pour dessiner différents types de graphiques et de graphiques à l’aide de python.
Puisque nous allons créer des tableaux et des graphiques en utilisant deux méthodes différentes, nous avons donc besoin de deux modules différents pour dessiner différents types de tableaux et de graphiques en utilisant python :
python3 -m pip install matplotlib
python3 -m pip install plotlyMéthode -1 : Création de graphiques et de graphiques à l’aide de Matplotlib
Le tracé Matplotlib comporte plusieurs éléments clés, notamment :
- AXIS : il s’agit de X et Y utilisant les fonctions .xlabel() et .ylabel() pour les graphiques 3D, ils peuvent avoir plus d’axes.
- Titre : créé à l’aide de la fonction title() représente l’en-tête/titre du tracé.
- Légende : il s’agit d’une légende pour les étiquettes utilisées.
Ce sont des pièces standard pour divers tableaux et graphiques, comme indiqué plus loin dans cet article. Maintenant, regardons les différents tableaux et graphiques que l’on peut développer en utilisant Matplotlib.
Read Also: Uninstall Python on Windows, Linux, or Mac
Créer des graphiques à barres à l’aide de Matplotlib
Un graphique à barres est un type de visualisation qui représente généralement un changement de la valeur d’une variable par rapport à la proportion de différentes catégories liées d’une autre variable, dans ce cas, pour expliquer davantage, nous utiliserons le produit intérieur brut de différents pays pour afficher comment créer un graphique à barres à l’aide de matplotlib.
import matplotlib.pyplot as plt
import pandas as pd
Data = {'Country': ['USA','Canada','Germany','UK','France'],
'GDP_Per_Capita': [45000,42000,52000,49000,47000]
}
df = pd.DataFrame(Data,columns=['Country','GDP_Per_Capita'])
New_Colors = ['green','blue','purple','brown','teal']
plt.bar(df['Country'], df['GDP_Per_Capita'], color=New_Colors)
plt.title('Country Vs GDP Per Capita', fontsize=14)
plt.xlabel('Country', fontsize=14)
plt.ylabel('GDP Per Capita', fontsize=14)
plt.grid(True)
plt.show()
Explication des codes :
Après avoir importé la bibliothèque, nous avons défini un dictionnaire avec les clés Country et GDP_Per_Capita qui deviendront les axes X et Y du graphique. Après cela, nous créons le bloc de données à l’aide de ce dictionnaire.
Dans la ligne suivante, nous définissons les couleurs que nous utiliserons dans notre graphique. Nous devons maintenant transmettre ces données à matplotlib. Après avoir défini le titre, l’étiquette et activé la grille, nous utilisons plt.show() pour afficher la sortie.
Sortir:
Créer des graphiques à l’aide de Matplotlib
Un graphique à secteurs est un bon outil de visualisation pour déterminer la proportion d’une valeur dans des données entières ; dans un graphique à secteurs, les valeurs sont divisées en fonction de leurs proportions qui totalisent toutes des valeurs de 100% qui prennent la majeure partie de la proportion pour avoir des pourcentages plus significatifs que les autres. Un graphique à secteurs se compose d’étiquettes selon les données, les pourcentages, les proportions et les valeurs. Jetez un œil à l’implémentation et à la sortie suivantes d’un graphique à secteurs :
import matplotlib.pyplot as plt
import numpy as np
x = [100, 200, 300, 400, 500]
labels = ['first', 'second', 'third', 'fourth', 'fifth']
plt.pie(x,labels=labels,autopct='%1.1f%%')
plt.show()
Le code est très similaire au code du graphique à barres mais nous utilisons plt.pie() au lieu de plt.bar() et n’utilisons aucun axe ici.
Sortir:
Créer des histogrammes à l’aide de Matplotlib
Un histogramme est un graphique qui est utilisé pour présenter la distribution de fréquence des variables pour ce graphique, il est couramment utilisé avec une population dans l’exemple utilisé avant de savoir comment implémenter un histogramme de distribution de fréquence entière à l’aide de matplotlib.
import matplotlib.pyplot as plt
import numpy as np
x = np.random.randint(low = 0, high = 15, size=100)
plt.figure()
plt.hist(x)
plt.show() Also Read: How to convert a list into a set in Python
Sortir:
Créer des diagrammes de dispersion à l’aide de Matplotlib
Les diagrammes de dispersion sont couramment utilisés dans l’apprentissage non supervisé; ils découvrent des relations et des structures qui n’étaient pas connues auparavant ; une application typique consiste à déterminer la segmentation de la clientèle.
import matplotlib.pyplot as plt
Data = {'Unemployment_Rate': [6.1,5.8,5.7,5.7,5.8,5.6,5.5,5.3,5.2,5.2],
'Stock_Index_Price': [1500,1520,1525,1523,1515,1540,1545,1560,1555,1565]
}
df = DataFrame(Data,columns=['Unemployment_Rate','Stock_Index_Price'])
plt.scatter(df['Unemployment_Rate'], df['Stock_Index_Price'], color='green')
plt.title('Unemployment Rate Vs Stock Index Price', fontsize=14)
plt.xlabel('Unemployment Rate', fontsize=14)
plt.ylabel('Stock Index Price', fontsize=14)
plt.grid(True)
plt.show()
Sortir:
Créer des graphiques linéaires à l’aide de Matplotlib
Vous souhaitez capter les tendances ? Un graphique linéaire est un exemple de graphique pour la prévision et la capture des tendances également répandues pour la prédiction et l’estimation de la simulation. Regardons comment il est implémenté à l’aide de matplotlib :
import matplotlib.pyplot as plt
import numpy as np
# Prepare the data
x = np.linspace(0, 10, 100)
# Plot the data
plt.plot(x, x, label='linear')
# Add a legend
plt.legend()
# Show the plot
plt.show()
Sortir:
Méthode -2 : Comment créer des tableaux et des graphiques à l’aide de Plotly
Les principales fonctionnalités de la bibliothèque Plotly sont :
- Diagrammes géospatiaux uniques : il utilise la boîte de carte, qui fournit une fonctionnalité de cartographie intégrée pour former des données géographiques créant des graphiques étonnants.
- Interactif : avec ses fonctionnalités, Plotly peut développer des graphiques interactifs, notamment pour les données séquentielles.
- Capacité de survol : cela fournit des informations dans les informations lorsque vous survolez un graphique.
Créer un nuage de points 3D à l’aide de Plotly
Voici une implémentation utilisant Plotly pour un nuage de points 3D :
import plotly.express as px
# Data to be plotted
df = px.data.iris()
# Plotting the figure
fig = px.scatter_3d(df, x = 'sepal_width',
y = 'sepal_length',
z = 'petal_width',
color = 'species')
fig.show()
Sortir:
Créer un graphique de série chronologique à l’aide de Plotly
Plotly est un bon outil de bibliothèque Python pour développer des séries temporelles. ; ceci est généralement utilisé dans les données financières où des projections, des simulations, des prévisions sont faites pour déterminer les ventes ou les prix projetés. Voyons comment implémenter un graphique de séries chronologiques à l’aide de Plotly :
import plotly
import plotly.graph_objs as go
import pandas as pd
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/finance-charts-apple.csv")
data = [go.Scatter(
x=df.Date,
y=df['AAPL.Close'])]
plotly.offline.plot(data) Also Read: How to convert list into a set in Python
Sortir:
Créer des histogrammes à l’aide de Plotly
import plotly.express as px
# using the iris dataset
df = px.data.iris()
# plotting the histogram
fig = px.histogram(df, x="sepal_length", y="petal_width")
# showing the plot
fig.show()
Créer des graphiques à secteurs à l’aide de Plotly
import plotly.express as px
# using the tips dataset
df = px.data.tips()
# plotting the pie chart
fig = px.pie(df, values="total_bill", names="day")
# showing the plot
fig.show()
Sortir:
Derniers mots
Les diagrammes et les graphiques doivent être représentés visuellement, donc pour développer des diagrammes et des graphiques, un IDE est nécessaire, de préférence un cahier Jupyter. Matplotlib est bien connu pour créer des graphiques et des graphiques de base et fournir des visualisations. Plotly est une bibliothèque python qui offre une meilleure interactivité, un survol et produit de superbes graphiques, en particulier pour les données géospatiales avec ces fonctions uniques, elles génèrent des informations dans les informations. Pour dessiner différents types de graphiques et de graphiques à l’aide de Python, d’autres options sont également disponibles, comme vous pouvez également utiliser le package Pandas pour dessiner différents types de graphiques et de graphiques à l’aide de Python.
Voici quelques tutoriels utiles que vous pouvez lire :
