Python за анализа на податоци: Matplotlib и визуелизација на податоци
Автор Yasin TANIŞ

Вовед
Визуелизацијата на податоци значи користење графикони и дијаграми за сложените збирки податоци да станат поразбирливи. Python нуди повеќе библиотеки за анализа и визуелизација на податоци, а Matplotlib е една од најпопуларните. Во оваа статија ги учиме основите на визуелизацијата на податоци со Matplotlib.
Што е Matplotlib
Matplotlib е моќна и флексибилна библиотека за изработка на 2Д графикони во Python. Може да црта линиски и столбести графикони, дијаграми на расејување и многу други видови графикони.
Инсталирање на Matplotlib
Пред да го користиме, Matplotlib треба да се инсталира. Ако веќе го немате на системот, инсталирајте го со оваа команда:
pip install matplotlib
Основна употреба
Да започнеме со едноставен линиски графикон.
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()

Овој едноставен пример покажува како се црта линиски графикон со Matplotlib. Сега да ги погледнеме другите видови графикони и прилагодувањата.
Видови графикони
Столбести графикони
Столбестите графикони служат за приказ на категориски податоци.
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()

Дијаграми на расејување
Дијаграмите на расејување ја прикажуваат врската меѓу две променливи.
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()

Хистограми
Хистограмите покажуваат како се распределени податоците.
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()

Кружни графикони
Кружните графикони ги прикажуваат уделите на категориските податоци.
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()

Прилагодување на графиконите
Matplotlib овозможува опсежно прилагодување на графиконите за да бидат почитливи и попријатни за око.
Бои и стилови
На графиконите можете да им додадете бои и стилови за да бидат попривлечни.
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()

Големина и резолуција на графиконот
Големината и резолуцијата на графиконот можете да ги прилагодите на различни потреби.
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()

Подграфикони
Подграфиконите овозможуваат на една слика да нацртате повеќе графикони.

Логаритамски графикони
Логаритамските графикони се корисни за податоци што опфаќаат многу широк опсег на вредности.
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()

Напредно прилагодување
Забелешки
Со забелешки можете да истакнете одредени точки.
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()

3Д графикони
Matplotlib може да црта и 3Д графикони.
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()


Пример со синтетички податоци
За да покажеме како се користи Matplotlib, да создадеме синтетичка збирка податоци и да ја прикажеме со различни видови графикони.
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()


Заклучок
Matplotlib е моќна и флексибилна алатка за визуелизација на податоци во Python. Во оваа статија изработивме линиски, столбести и кружни графикони, дијаграми на расејување, хистограми и уште многу. Исто така, ги прилагодивме графиконите и создадовме напредни визуелизации: графикони со забелешки, подграфикони, логаритамски и 3Д графикони. Користејќи ги широките можности на Matplotlib, можете да ги унапредите своите вештини за визуелизација и јасно и убедливо да ги претставите своите податоци.
Извори
- Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90–95.
- Документација на Matplotlib: matplotlib.org
- Waskom, M. и др. (2021). Seaborn: Statistical Data Visualization. Journal of Open Source Software, 6(60), 3021. seaborn.pydata.org

