Wizualizacja danych za pomocą bibliotek Matplotlib, Seaborn i Plotly w Pytonie

Omówienie najpopularniejszych bibliotek do wizualizacji danych:

Biblioteka	Opis	Cechy	Przykładowe zastosowania
Matplotlib	Podstawowa biblioteka do tworzenia wykresów w Pythonie	- dobrze integruje się z Numpy i Pandas - Umożliwia dostosowywanie wykresów, w tym zmiana kolorów, stylów linii, rozmiarów markerów oraz dodawanie tytułów i etykiet. - Obsługuje subplots - Możliwość zapisywania wykresów w różnych formatach	Wykresy liniowe, słupkowe, kołowe, histogramy
Seaborn	Biblioteka oparta na Matplotlib, ułatwiająca tworzenie wykresów statystycznych	- Umożliwia tworzenie wykresów macierzowych, takich jak heatmapy i pairploty, do analizy korelacji i rozkładów. - posiada wbudowane style i palety kolorów - dobrze integruje się z danymi Pandas	Wykresy pudełkowe, heatmapy, histogramy
Plotly	Biblioteka do tworzenia interaktywnych wykresów	- Interaktywność (zoomowanie, najeżdżanie, kliknięcia) - Szeroki zakres typów wykresów (w tym mapy i wykresy 3D) - Sprawdza się w aplikacjach webowych i notebookach Jupyter	Wykresy interaktywne, wykresy 3D, mapy

Szczegółowe dokumentacje:

🖼️ Funkcja Matplotlib	Opis
`plot(x, y, 'format')`	rysuje wartości `y` względem `x`, wspierając formatowanie stylu i koloru.
🔹 Markery	`.` (punkt), `o` (kółko), `^` (trójkąt), `*` (gwiazdka), `x` (krzyżyk)
🔸 Styl linii	`-` (ciągła), `--` (przerywana), `-.` (kreskowo-kropkowana), `:` (kropkowana)
🌈 Kolory	`b` (niebieski), `g` (zielony), `r` (czerwony), `c` (cyjan), `m` (magenta), `y` (żółty), `k` (czarny)
📊 Przykład	`ax.plot(x, x, 'o-r')`
`plt.figure()`	główne okno dla wykresu
`plt.suplots()`	tworzy figurę z określonym układem osi (np. 2x2).
`ax.plot(x,y)`	rysuje wykres na danych osiach
dodawanie etykiet `ax.set_xlabel()/set_ylabel()'	'ax.set_xlabel()/set_ylabel()' ustawia etykiety dla odpowiednio odpowiednio osi x,y
`plt.show()`	do wyświetlenia wykresów
`ax.legend()`	do dodania legendy do wykresu
`ax.hist(data, bins=30, color='blue', alpha=0.7)`	Tworzy histogram z określoną liczbą słupków (`bins`, kolorem i przezroczystością.
`ax.grid(True)`	dodajnie siatki

SEABORN

🌐 Funkcja Seaborn	🎨 Opis	🖥️ Przykład użycia
📊 histplot	Tworzy histogram, z opcją nakładania KDE.	`sns.histplot(data, bins=10, kde=True)`
📦 boxplot	Wykres pudełkowy do wizualizacji rozkładu i wartości odstających.	`sns.boxplot(x='kolumna', data=df)`
pairplot	Macierz wykresów parowych do analizowania zależności między parami zmiennych.	`sns.pairplot(df, hue='kolumna')`
🔥 heatmap	Wyświetla macierz korelacji lub tabelę wartości z kolorem dla każdej komórki.	`sns.heatmap(df.corr(), annot=True, cmap='coolwarm')`
lmplot	Wykres regresji liniowej z opcją dodania linii trendu.	`sns.lmplot(x='x_kol', y='y_kol', data=df, hue='kolumna')`
barplot	Wykres słupkowy z możliwością dodania odchylenia standardowego lub agregacji danych.	`sns.barplot(x='kategoria', y='wartość', data=df, ci='sd')`
🔹 scatterplot	Wykres rozproszenia, umożliwiający kolorowanie i różnicowanie rozmiaru markerów.	`sns.scatterplot(x='x_kol', y='y_kol', hue='kolumna', size='inna_kol')`
🎨 set_style	Ustawia styl wykresu, np. `"darkgrid"`, `"whitegrid"`, `"dark"`, `"white"`, `"ticks"`.	`sns.set_style('whitegrid')`

Generowanie zakresu danych za pomocą biblioteki matplotlib

import numpy as np
import matplotlib.pyplot as plt

x=np.linspace(0,2,100) # generowanie danych X,Y w zakresie od 0-2 100 punktów

Przykładowy wykres przy pomocy biblioteki matplotlib:

import matplotlib.pyplot as plt
import pandas as pd


data = {
    'Miesiąc': ['Styczeń', 'Luty', 'Marzec', 'Kwiecień', 'Maj', 'Czerwiec', 'Lipiec', 'Sierpień', 'Wrzesień', 'Październik', 'Listopad', 'Grudzień'],
    'Przychody (tys. USD)': [9500, 9800, 10200, 10300, 11000, 11500, 12000, 12500, 11500, 11000, 10500, 9900]
}

df = pd.DataFrame(data)

plt.figure(figsize=(12, 6))
plt.plot(df['Miesiąc'], df['Przychody (tys. USD)'], marker='o', linestyle='-', color='teal')
plt.title('Miesięczne przychody spółki w 2023 roku')
plt.xlabel('Miesiąc')
plt.ylabel('Przychody (tys. USD)')
plt.xticks(rotation=45)
plt.grid(True)
plt.tight_layout()
plt.show()

Przykładowy wykres słupkowy przy pomocy biblioteki seaborn:

import seaborn as sns 
import pandas as pd

data = { 
		'Miasto': ['Warszawa', 'Kraków', 'Gdańsk', 'Wrocław', 'Poznań', 'Szczecin', 'Olsztyn'], 
	    'Cena': [800, 750, 700, 680, 650, 620, 570, 490] 
	    }
	    
df = pd.DataFrame(data)

sns.barplot(x='Miasto', y='Cena', data=df, palette='viridis') 
plt.title('Cena mieszkań w różnych miastach') 
plt.xlabel('Miasto')
plt.ylabel('Cena mieszkania (w tys. PLN)') 
plt.show()

Przykładowy wykres kołowy przy pomocy biblioteki seaborn:

import seaborn as sns  
import pandas as pd  
import matplotlib.pyplot as plt  
  
  
data = {  
    'Kategoria': ['Narzędzia', 'Oświetlenie', 'Farby i lakiery', 'Ogrodnictwo', 'Meble'],  
    'Udział': [30, 20, 25, 15, 10]  
}  
  
df = pd.DataFrame(data)  
  
plt.figure(figsize=(8, 8))  
plt.pie(df['Udział'], labels=df['Kategoria'], autopct='%1.1f%%', colors=sns.color_palette('Set1'))  
plt.title('Udział kategorii produktów w sprzedaży w sklepie OBI')  
plt.show()

Przykładowe wykresy przy pomocy biblioteki Plotly:

# wykres kołowy 

import plotly.express as px  
import pandas as pd  

data = {  
    'Producent': ['Apple', 'Samsung', 'Huawei', 'Xiaomi', 'Oppo'],  
    'Udział': [40, 30, 15, 10, 5]  
}  
  
df = pd.DataFrame(data)  
  
fig = px.pie(df, values='Udział', names='Producent', title='Udział rynkowy producentów telefonów')  
fig.update_traces(textinfo='percent+label')  
fig.show()

# wykres słupkowy  
import plotly.graph_objects as go  
import pandas as pd  
  

data = {  
    'Kraj': ['USA', 'Chiny', 'Japonia', 'Wielka Brytania', 'Australia'],  
    'Złote': [15, 12, 10, 8, 7],  
    'Srebrne': [10, 11, 9, 8, 6],  
    'Brązowe': [10, 7, 8, 6, 6]  
}  
  
df = pd.DataFrame(data)  
fig = go.Figure()  
  

fig.add_trace(go.Bar(  
    x=df['Kraj'],  
    y=df['Złote'],  
    name='Złote',  
    marker_color='gold'  
))  
  
fig.add_trace(go.Bar(  
    x=df['Kraj'],  
    y=df['Srebrne'],  
    name='Srebrne',  
    marker_color='silver'  
))  
  
fig.add_trace(go.Bar(  
    x=df['Kraj'],  
    y=df['Brązowe'],  
    name='Brązowe',  
    marker_color='#cd7f32'  
))  
   
fig.update_layout(  
    title='Liczba medali dla Top 5 Krajów na Igrzyskach Olimpijskich w Paryżu 2024',  
    xaxis_title='Kraj',  
    yaxis_title='Liczba Medali',  
    barmode='group',    
template='plotly_white'  
)  
  
fig.show()


import plotly.graph_objects as go  
import pandas as pd  
  

data = {  
    'Data': ['2024-07-01', '2024-07-15', '2024-08-01', '2024-08-15', '2024-09-01'],  
    'Manchester City': [10, 12, 15, 18, 20],  
    'Real Madryt': [8, 10, 12, 14, 17],  
    'Bayern Monachium': [9, 11, 14, 16, 19],  
    'Paris Saint-Germain': [7, 9, 13, 15, 18],  
    'Liverpool': [6, 8, 11, 13, 16]  
}  
  
df = pd.DataFrame(data)  
df['Data'] = pd.to_datetime(df['Data'])  
  
  
fig = go.Figure()  
  
for team in df.columns[1:]:  
    fig.add_trace(go.Scatter(  
        x=df['Data'],  
        y=df[team],  
        mode='lines+markers',  
        name=team,  
        text=df[team],  
        textposition='top center'  
    ))  

fig.update_layout(  
    title='Zmiana punktacji Drużyn UEFA w ciągu kilku tygodni',  
    xaxis_title='Data',  
    yaxis_title='Punkty',  
    legend_title='Drużyna',  
    template='plotly_dark',  
    xaxis=dict(  
        tickformat='%Y-%m-%d',  
        tickvals=df['Data'],  
        ticktext=[date.strftime('%b %d') for date in df['Data']]  
    )  
)  
  
fig.show()

Link do Jupyter Notebook

Ćwiczenia dla tego tematu zostały zebrane tutaj.

Co dalej?

Kliknij tutaj, aby wrócić do strony głównej kursu.