Python za analizu podataka: Matplotlib i vizualizacija podataka
Autor Yasin TANIŞ

Uvod
Vizualizacija podataka znači korištenje grafikona i dijagrama kako bi složeni skupovi podataka postali razumljiviji. Python nudi više biblioteka za analizu i vizualizaciju podataka, a Matplotlib je jedna od najpopularnijih. U ovom članku upoznajemo osnove vizualizacije podataka pomoću Matplotliba.
Šta je Matplotlib
Matplotlib je moćna i fleksibilna biblioteka za izradu 2D grafikona u Pythonu. Njime se mogu crtati linijski i stupčasti grafikoni, dijagrami raspršenosti i mnoge druge vrste grafikona.
Instalacija Matplotliba
Prije upotrebe Matplotlib je potrebno instalirati. Ako ga još nemate na sistemu, instalirajte ga ovom komandom:
pip install matplotlib
Osnovna upotreba
Počnimo s jednostavnim linijskim grafikonom.
import matplotlib.pyplot as plt
# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Creating a line plot
plt.plot(x, y)
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Simple Line Plot')
plt.show()

Ovaj jednostavan primjer pokazuje kako se Matplotlibom crta linijski grafikon. Pogledajmo sada još vrsta grafikona i mogućnosti prilagođavanja.
Vrste grafikona
Stupčasti grafikoni
Stupčasti grafikoni služe za prikaz kategorijskih podataka.
import matplotlib.pyplot as plt
# Example data
categories = ['A', 'B', 'C', 'D', 'E']
values = [4, 7, 1, 8, 5]
# Creating a bar chart
plt.bar(categories, values)
plt.xlabel('Categories')
plt.ylabel('Values')
plt.title('Simple Bar Chart')
plt.show()

Dijagrami raspršenosti
Dijagrami raspršenosti prikazuju odnos između dvije varijable.
import matplotlib.pyplot as plt
# Example data
x = [5, 7, 8, 7, 2, 17, 2, 9, 4, 11]
y = [99, 86, 87, 88, 100, 86, 103, 87, 94, 78]
# Creating a scatter plot
plt.scatter(x, y)
plt.xlabel('X Variable')
plt.ylabel('Y Variable')
plt.title('Simple Scatter Plot')
plt.show()

Histogrami
Histogrami pokazuju kako su podaci raspoređeni.
import matplotlib.pyplot as plt
# Example data
data = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5]
# Creating a histogram
plt.hist(data, bins=5)
plt.xlabel('Values')
plt.ylabel('Frequency')
plt.title('Simple Histogram')
plt.show()

Kružni grafikoni
Kružni grafikoni prikazuju udjele kategorijskih podataka.
import matplotlib.pyplot as plt
# Example data
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
# Creating a pie chart
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
plt.axis('equal') # Equal aspect ratio ensures that pie is drawn as a circle.
plt.title('Simple Pie Chart')
plt.show()

Prilagođavanje grafikona
Matplotlib omogućava opsežno prilagođavanje grafikona kako bi bili čitljiviji i vizuelno ugodniji.
Boje i stilovi
Grafikonima možete dodati boje i stilove kako bi bili privlačniji.
import matplotlib.pyplot as plt
# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Customizing the line plot
plt.plot(x, y, color='red', linestyle='--', marker='o')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Customized Line Plot')
plt.show()

Veličina i rezolucija grafikona
Veličinu i rezoluciju grafikona možete podesiti prema različitim potrebama.
import matplotlib.pyplot as plt
# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Setting plot size and resolution
plt.figure(figsize=(10, 5), dpi=100)
plt.plot(x, y)
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Large and High-Resolution Plot')
plt.show()

Podgrafikoni
Podgrafikoni omogućavaju da na jednoj slici nacrtate više grafikona.

Logaritamski grafikoni
Logaritamski grafikoni korisni su za podatke koji obuhvataju veoma širok raspon vrijednosti.
import matplotlib.pyplot as plt
import numpy as np
# Example data
x = np.linspace(0.1, 100, 100)
y = np.exp(x)
# Creating a logarithmic plot
plt.plot(x, y)
plt.xscale('log')
plt.yscale('log')
plt.xlabel('Log X Axis')
plt.ylabel('Log Y Axis')
plt.title('Logarithmic Plot')
plt.show()

Napredno prilagođavanje
Napomene
Napomenama možete istaknuti određene tačke.
import matplotlib.pyplot as plt
# Example data
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Creating a plot with annotation
plt.plot(x, y)
plt.annotate('Important Point', xy=(3, 5), xytext=(4, 10),
arrowprops=dict(facecolor='black', shrink=0.05))
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Annotated Plot')
plt.show()

3D grafikoni
Matplotlib može crtati i 3D grafikone.
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
# Example data
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))
# Creating a 3D plot
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(x, y, z, cmap='viridis')
plt.title('3D Plot')
plt.show()
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.random.standard_normal(100)
y = np.random.standard_normal(100)
z = np.random.standard_normal(100)
ax.scatter(x, y, z)
plt.show()


Primjer sa sintetičkim podacima
Da bismo pokazali Matplotlib u praksi, napravimo sintetički skup podataka i prikažimo ga različitim vrstama grafikona.
import numpy as np
import matplotlib.pyplot as plt
# Generating synthetic data
np.random.seed(0)
x = np.linspace(0, 10, 100)
y = np.sin(x) + np.random.normal(0, 0.1, 100)
# Line plot
plt.figure(figsize=(10, 5))
plt.plot(x, y, label='Synthetic Data')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Synthetic Data Line Plot')
plt.legend()
plt.show()
# Scatter plot
plt.figure(figsize=(10, 5))
plt.scatter(x, y, label='Synthetic Data', color='red')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.title('Synthetic Data Scatter Plot')
plt.legend()
plt.show()


Zaključak
Matplotlib je moćan i fleksibilan alat za vizualizaciju podataka u Pythonu. U ovom članku napravili smo linijske i stupčaste grafikone, dijagrame raspršenosti, histograme, kružne grafikone i još mnogo toga. Prilagodili smo grafikone i izradili napredne vizualizacije: grafikone s napomenama, podgrafikone, logaritamske i 3D grafikone. Koristeći širok spektar mogućnosti Matplotliba, možete unaprijediti svoje vještine vizualizacije te jasno i uvjerljivo predstaviti svoje podatke.
Izvori
- Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90–95.
- Dokumentacija Matplotliba: matplotlib.org
- Waskom, M. i dr. (2021). Seaborn: Statistical Data Visualization. Journal of Open Source Software, 6(60), 3021. seaborn.pydata.org

