Python за анализу података: Matplotlib и визуелизација података
Аутор Yasin TANIŞ

Увод
Визуелизација података значи коришћење графикона да би сложени скупови података постали разумљивији. Python нуди више библиотека за анализу и визуелизацију података, а Matplotlib је једна од најпопуларнијих. У овом тексту упознаћемо основе визуелизације података уз Matplotlib.
Шта је Matplotlib
Matplotlib је моћна и флексибилна библиотека за израду 2Д графикона у Python-у. Може да црта линијске, стубичасте, расуте и многе друге врсте графикона.
Инсталација Matplotlib-а
Пре употребе Matplotlib треба инсталирати. Ако га немате на систему, инсталирајте га овом командом:
pip install matplotlib
Основна употреба
Почнимо од једноставног линијског графикона.
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()

Овај једноставан пример показује како се помоћу Matplotlib-а црта линијски графикон. Погледајмо сада друге врсте графикона и прилагођавања.
Врсте графикона
Стубичасти графикони
Стубичасти графикони служе за приказ категоријских података.
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()

Расути графикони
Расути графикони приказују однос између две променљиве.
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
Хистограми показују како су подаци распоређени.
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
Кружни графикони приказују уделе категоријских података.
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()

Прилагођавање графикона
Matplotlib омогућава опсежно прилагођавање графикона како би били читљивији и визуелно пријатнији.
Боје и стилови
Графиконима можете додати боје и стилове да би били привлачнији.
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()

Величина и резолуција графикона
Величину и резолуцију графикона можете подесити према потребама.
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
Подграфикони омогућавају да на једној слици нацртате више графикона.

Логаритамски графикони
Логаритамски графикони корисни су за податке који обухватају веома широк распон 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 прилагођавање
Анотације
Анотацијама можете истаћи одређене тачке.
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 графиконе.
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 са синтетичким подацима
Да бисмо показали Matplotlib на делу, направимо синтетички скуп података и прикажимо га различитим врстама графикона.
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()


Закључак
Matplotlib је моћан и флексибилан алат за визуелизацију података у Python-у. У овом тексту направили смо линијске, стубичасте и расуте графиконе, хистограме, кружне графиконе и још много тога. Прилагодили смо графиконе и израдили напредне визуелизације: графиконе с анотацијама, подграфиконе, логаритамске и 3Д графиконе. Користећи широке могућности Matplotlib-а, можете унапредити своје вештине визуелизације и јасно и уверљиво представити своје податке.
Извори
- Hunter, J. D. (2007). Matplotlib: A 2D Graphics Environment. Computing in Science & Engineering, 9(3), 90–95.
- Документација Matplotlib-а: matplotlib.org
- Waskom, M. и др. (2021). Seaborn: Statistical Data Visualization. Journal of Open Source Software, 6(60), 3021. seaborn.pydata.org

