Python pour l’analyse de données : Matplotlib et visualisation de données

Par Yasin TANIŞ

Initialement publié sur Medium

Illustration de graphiques et de code Python pour la visualisation de données

Introduction

La visualisation de données consiste à utiliser des graphiques et des diagrammes pour rendre des jeux de données complexes plus compréhensibles. Python propose plusieurs bibliothèques d’analyse et de visualisation de données, et Matplotlib est l’une des plus populaires. Dans cet article, nous découvrons les bases de la visualisation de données avec Matplotlib.

Qu’est-ce que Matplotlib ?

Matplotlib est une bibliothèque puissante et souple pour créer des graphiques 2D en Python. Elle permet de tracer des courbes, des diagrammes en barres, des nuages de points et bien d’autres types de graphiques.

Installer Matplotlib

Avant d’utiliser Matplotlib, il faut l’installer. Si elle n’est pas encore présente sur votre système, installez-la avec cette commande :

pip install matplotlib

Utilisation de base

Commençons par une courbe simple.

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()
Courbe simple reliant des points par une ligne
Figure 1 : Courbe simple reliant des points de données par une ligne.

Cet exemple simple montre comment tracer une courbe avec Matplotlib. Voyons maintenant d’autres types de graphiques et de personnalisations.

Types de graphiques

Diagrammes en barres

Les diagrammes en barres servent à visualiser des données catégorielles.

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()
Diagramme en barres avec des valeurs pour différentes catégories
Figure 2 : Diagramme en barres simple avec des valeurs pour différentes catégories.

Nuages de points

Les nuages de points montrent la relation entre deux variables.

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()
Nuage de points montrant la répartition des données
Figure 3 : Nuage de points simple montrant la répartition des points de données.

Histogrammes

Les histogrammes montrent comment les données sont distribuées.

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()
Histogramme de la distribution des fréquences
Figure 4 : Histogramme simple montrant la distribution des fréquences des données.

Diagrammes circulaires

Les diagrammes circulaires montrent les proportions de données catégorielles.

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()
Diagramme circulaire des proportions de différentes catégories
Figure 5 : Diagramme circulaire simple montrant les proportions de différentes catégories.

Personnaliser les graphiques

Matplotlib permet une personnalisation poussée pour rendre les graphiques plus lisibles et plus agréables à regarder.

Couleurs et styles

Vous pouvez ajouter des couleurs et des styles pour rendre vos graphiques plus attrayants.

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()
Courbe rouge en tirets avec marqueurs ronds
Figure 6 : Courbe personnalisée, rouge en tirets, avec marqueurs ronds.

Taille et résolution du graphique

Vous pouvez ajuster la taille et la résolution d’un graphique selon vos besoins.

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()
Grand graphique en haute résolution avec des points de données détaillés
Figure 7 : Grand graphique en haute résolution montrant des points de données détaillés.

Sous-graphiques

Les sous-graphiques permettent de tracer plusieurs graphiques dans une même figure.

Deux graphiques différents côte à côte dans une figure
Figure 8 : Sous-graphiques montrant deux graphiques différents dans une même figure.

Graphiques logarithmiques

Les graphiques logarithmiques sont utiles pour des données couvrant une très large plage de valeurs.

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()
Graphique de données sur une échelle logarithmique
Figure 9 : Graphique logarithmique montrant des données sur une échelle logarithmique.

Personnalisation avancée

Annotations

Les annotations permettent de mettre en évidence des points précis.

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()
Graphique avec une flèche d’annotation vers un point important
Figure 10 : Graphique annoté mettant en évidence un point important.

Graphiques 3D

Matplotlib sait aussi tracer des graphiques en 3D.

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()
Surface 3D au motif ondulé
Figure 11 : Graphique 3D d’une surface au motif ondulé.
Graphique 3D de points dispersés
Figure 11-1 : Graphique 3D montrant un nuage de points.

Exemple avec des données synthétiques

Pour voir Matplotlib à l’œuvre, créons un jeu de données synthétiques et visualisons-le avec différents types de graphiques.

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()
Courbe de données synthétiques
Figure 12 : Courbe montrant des données synthétiques.
Nuage de points de données synthétiques
Figure 13 : Nuage de points montrant des données synthétiques.

Conclusion

Matplotlib est un outil puissant et souple de visualisation de données en Python. Dans cet article, nous avons créé des courbes, des diagrammes en barres, des nuages de points, des histogrammes, des diagrammes circulaires et bien plus. Nous avons également personnalisé des graphiques et construit des visualisations avancées : graphiques annotés, sous-graphiques, graphiques logarithmiques et 3D. En tirant parti des nombreuses fonctionnalités de Matplotlib, vous pouvez affiner vos compétences en visualisation et présenter vos données de façon claire et convaincante.

Références

  1. Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90–95.
  2. Documentation de Matplotlib : matplotlib.org
  3. Waskom, M. et al. (2021). Seaborn: Statistical Data Visualization. Journal of Open Source Software, 6(60), 3021. seaborn.pydata.org