Python για ανάλυση δεδομένων: Matplotlib και οπτικοποίηση δεδομένων
Γράφει Yasin TANIŞ

Εισαγωγή
Οπτικοποίηση δεδομένων σημαίνει τη χρήση γραφημάτων και διαγραμμάτων, ώστε τα σύνθετα σύνολα δεδομένων να γίνονται πιο κατανοητά. Η Python προσφέρει αρκετές βιβλιοθήκες για ανάλυση και οπτικοποίηση δεδομένων, και η Matplotlib είναι από τις πιο δημοφιλείς. Σε αυτό το άρθρο μαθαίνουμε τα βασικά της οπτικοποίησης δεδομένων με τη Matplotlib.
Τι είναι η Matplotlib
Η Matplotlib είναι μια ισχυρή και ευέλικτη βιβλιοθήκη για τη δημιουργία δισδιάστατων γραφημάτων στην Python. Μπορεί να σχεδιάσει γραμμικά γραφήματα, ραβδογράμματα, διαγράμματα διασποράς και πολλά άλλα είδη γραφημάτων.
Εγκατάσταση της Matplotlib
Πριν χρησιμοποιήσουμε τη Matplotlib, πρέπει να την εγκαταστήσουμε. Αν δεν υπάρχει ήδη στο σύστημά σας, εγκαταστήστε τη με αυτή την εντολή:
pip install matplotlib
Βασική χρήση
Ας ξεκινήσουμε με ένα απλό γραμμικό γράφημα.
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()

Αυτό το απλό παράδειγμα δείχνει πώς σχεδιάζεται ένα γραμμικό γράφημα με τη Matplotlib. Ας δούμε τώρα περισσότερα είδη γραφημάτων και δυνατότητες προσαρμογής.
Είδη γραφημάτων
Ραβδογράμματα
Τα ραβδογράμματα χρησιμοποιούνται για την οπτικοποίηση κατηγορικών δεδομένων.
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()

Διαγράμματα διασποράς
Τα διαγράμματα διασποράς δείχνουν τη σχέση μεταξύ δύο μεταβλητών.
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()

Ιστογράμματα
Τα ιστογράμματα δείχνουν πώς κατανέμονται τα δεδομένα.
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()

Κυκλικά διαγράμματα
Τα κυκλικά διαγράμματα δείχνουν τις αναλογίες κατηγορικών δεδομένων.
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()

Προσαρμογή γραφημάτων
Η Matplotlib επιτρέπει την εκτεταμένη προσαρμογή των γραφημάτων, ώστε να διαβάζονται ευκολότερα και να είναι πιο ευχάριστα στο μάτι.
Χρώματα και στυλ
Μπορείτε να προσθέσετε χρώματα και στυλ, ώστε τα γραφήματά σας να γίνουν πιο ελκυστικά.
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()

Μέγεθος και ανάλυση γραφήματος
Μπορείτε να ρυθμίσετε το μέγεθος και την ανάλυση του γραφήματος ανάλογα με τις εκάστοτε ανάγκες.
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()

Υπογραφήματα
Τα υπογραφήματα σας επιτρέπουν να σχεδιάσετε πολλά γραφήματα σε ένα μόνο σχήμα.

Λογαριθμικά γραφήματα
Τα λογαριθμικά γραφήματα είναι χρήσιμα για δεδομένα που εκτείνονται σε πολύ μεγάλο εύρος τιμών.
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()

Προχωρημένη προσαρμογή
Σχολιασμοί
Μπορείτε να προσθέσετε σχολιασμούς για να αναδείξετε συγκεκριμένα σημεία.
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()

Τρισδιάστατα γραφήματα
Η Matplotlib μπορεί να σχεδιάσει και τρισδιάστατα γραφήματα.
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()


Παράδειγμα με συνθετικά δεδομένα
Για να δούμε τη Matplotlib στην πράξη, ας δημιουργήσουμε ένα συνθετικό σύνολο δεδομένων και ας το οπτικοποιήσουμε με διαφορετικά είδη γραφημάτων.
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()


Συμπέρασμα
Η Matplotlib είναι ένα ισχυρό και ευέλικτο εργαλείο οπτικοποίησης δεδομένων στην Python. Σε αυτό το άρθρο δημιουργήσαμε γραμμικά γραφήματα, ραβδογράμματα, διαγράμματα διασποράς, ιστογράμματα, κυκλικά διαγράμματα και άλλα. Επίσης, προσαρμόσαμε γραφήματα και φτιάξαμε προχωρημένες οπτικοποιήσεις: γραφήματα με σχολιασμούς, υπογραφήματα, λογαριθμικά και τρισδιάστατα γραφήματα. Αξιοποιώντας το ευρύ φάσμα δυνατοτήτων της Matplotlib, μπορείτε να βελτιώσετε τις δεξιότητές σας στην οπτικοποίηση και να παρουσιάζετε τα δεδομένα σας με σαφήνεια και πειστικότητα.
Πηγές
- Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90–95.
- Τεκμηρίωση της Matplotlib: matplotlib.org
- Waskom, M. κ.ά. (2021). Seaborn: Statistical Data Visualization. Journal of Open Source Software, 6(60), 3021. seaborn.pydata.org

