Introdução
“Visualização dá-lhe respostas para perguntas que você não sabia que tinha”. – Ben Shneiderman
O meu trabalho diário como cientista de dados requer muita experimentação. Isso significa que confio muito em Visualização de dados para explorar o conjunto de dados com o qual estou a trabalhar.
E não poderia identificar-me mais com a citação de Ben Shneiderman! A visualização de dados dá-me respostas a perguntas que nem sequer tinha considerado antes. Depois de tudo, uma imagem vale mil pontos de dados!
Isto, naturalmente, leva à questão do milhão de dólares, naquela Piton Que biblioteca devo utilizar para a visualização de dados? Existem várias em todos os domínios. Mesmo cientistas de dados experientes podem perder-se na miríade de funcionalidades que cada biblioteca Python oferece.
Es por eso que quería escribir este artículo exponiendo las ventajas y características únicas de las diferentes bibliotecas Python de visualización de datos. Cubriremos algunas de las bibliotecas de visualización más sorprendentes que admite Python. Cada una de estas bibliotecas posee su propio estilo y es realmente útil para un tipo particular de tarea de visualización.
Así que sin más preámbulos, Vamos começar!
Si es nuevo en Python y / o visualización de datos, le sugiero que consulte los siguientes recursos de Analytics Vidhya:
As 6 bibliotecas de Python de visualización de datos que cubriremos
- Matplotlib
- Seaborn
- Bokeh
- Altair
- Completamente
- ggplot
1. Matplotlib
Lo más probable es que ya haya utilizado matplotlib en su viaje por la ciencia de datos. Desde iniciantes em ciência de dados até profissionais experientes que criam visualizações de dados complexas, matplotlib costuma ser a visualização padrão a que recorrem os cientistas de dados nas bibliotecas Python.
matplotlib é conhecido pela grande flexibilidade que proporciona como biblioteca de plotagem 2D em Python. Se tiver experiência em programação MATLAB, a interface Pyplot do Matplotlib vai-lhe parecer muito familiar. Estará pronto com a sua primeira visualização em muito pouco tempo!
Características únicas do Matplotlib
O Matplotlib pode ser utilizado de várias formas em Python, incluindo scripts Python, os shells de Python e iPython, os cadernos Jupyter e outras coisas. Es por eso que a menudo se usa para crear visualizaciones no solo por los científicos de datos, sino también por los investigadores para crear gráficos con calidad de publicación.
Matplotlib admite todos los gráficos populares (Muito, histogramasHistogramas são representações gráficas que mostram a distribuição de um conjunto de dados. Eles são construídos dividindo o intervalo de valores em intervalos, o "Caixas", e contando quantos dados caem em cada intervalo. Essa visualização permite identificar padrões, tendências e variabilidade de dados de forma eficaz, facilitando a análise estatística e a tomada de decisões informadas em várias disciplinas...., espectros de potencia, gráficos de barras, gráficos de error, diagramas de dispersão, etc.) desde el primer momento. También hay extensões que pode utilizar para criar visualizaciones avanzadas como gráficos tridimensionales, etc.
Lo que personalmente me gusta de matplotlib es que, debido a que es tan flexible, permite al usuario controlar aspectos de la visualización en el nivel más granular, desde una sola línea o punto en el gráfico hasta el gráfico completo. Esto significa que puede personalizarlo al más alto nivel.
Tutorial (isto é) para aprender matplotlib
Aqui estão alguns tutoriais úteis para aprender matplotlib:
Aqui está o criador do Matplotlib a dar um tutorial introdutório:
2. Seaborn
Quando olho para as visualizações criadas pelo Seaborn, só me vem à mente uma palavra: lindo! O Seaborn é construído sobre o matplotlib e fornece uma interface muito simples mas intuitiva para criar visualizações. Ao usar o Seaborn, também notará que muitas das configurações padrão nos gráficos funcionam bastante bem desde o início.
Características únicas do Seaborn
A primeira característica única do Seaborn é que ele é projetado de forma a escrever muito menos código para conseguir visualizações de alto nível. Aqui está um exemplo dessa simplicidade. Observe cómo podemos crear una visualización compleja con una sola línea de código de trazado:
La segunda característica útil de Seaborn es que admite una gran cantidad de gráficos avanzados como el trazado categórico (catplot), el trazado de distribución utilizando kde (distplot), el gráfico de enjambre, etc. desde el primer momento. E, claro, vimos un ejemplo de relplot acima de.
Agora, debido a que Seaborn está construido sobre matplotlib, es altamente compatible con él. Eso significa que al crear visualizaciones, puede comenzar con gráficos avanzados que seaborn ya admite y luego personalizarlos tanto como desee con la ayuda de matplotlib.
Tutorial (isto é) para aprender Seaborn
Aqui estão alguns recursos úteis que pode utilizar para começar a usar a biblioteca seaborn para a visualização de dados:
3. Bokeh
Bokeh é uma biblioteca projetada para gerar visualizações que são amigáveis na interface web e nos navegadores. E é exatamente para isso que esta biblioteca de visualização se destina.
Também notará que as visualizações geradas com o Bokeh são de natureza interativa, o que basicamente significa que pode transmitir informação de uma forma mais intuitiva através dos seus gráficos.
Características únicas do Bokeh
O Bokeh suporta visualizações únicas como diagramas geoespaciais, gráficos de rede, etc. desde el primer momento. Se quiser mostrar estas visualizações num navegador, existem opções disponíveis para exportá-las e também pode usá-las através de JavaScript.
Tutorial para aprender Bokeh
Aqui está um bom tutorial para aprender Bokeh para visualização de dados:
4. Altair
Altair é uma biblioteca declarativa para visualização de dados. O seu princípio é que, em vez de se concentrar na parte do código, devemos concentrar-nos na parte de visualização e escrever a menor quantidade possível de código e ainda assim poder criar gráficos bonitos e intuitivos. Isso é a minha praia!
Características únicas do Altair
Uma vez que Altair usa um estilo declarativo para criar gráficos, resulta muy fácil y rápido iterar a través de visualizaciones y experimentos a un ritmo rápido cuando se usa esta biblioteca.
Tutorial (isto é) para aprender Altair
Aquí hay una buena introducción a Altair en Python:
5. Completamente
¡Lo primero que me viene a la mente cuando pienso en Plotly es la interactividad! Esta biblioteca de visualización de datos es, com muito, mi biblioteca a la que recurro cuando quiero crear visualizaciones que deben ser altamente interativas para el usuario.
Solo mira esta visualización creada usando Plotly:
Características únicas de Plotly
Plotly es altamente compatible con Jupyter Notebook y navegadores web. Isto significa que qualquer enredo interativo que criar pode ser facilmente partilhado da mesma forma com os seus colegas de equipa ou utilizadores finais..
Também quero salientar que o Plotly suporta uma variedade de gráficos desde tipos de gráficos básicos, gráficos bonitos e avançados semelhantes aos do Seaborn, gráficos 3D, visualizações baseadas em mapas, gráficos científicos, etc. A lista é interminável!
Os gráficos do Plotly também podem suportar capacidades de animação. Portanto, É uma biblioteca bastante útil se quiser contar histórias através de visualizações.
Tutorial para aprender Plotly
Aqui estão alguns tutoriais para que possa começar a trabalhar com o Plotly para visualização de dados:
6. ggplot
ggplot é a versão Python do famoso ggplot2 do R e a linguagem Grammar of Graphics. Se o utilizou no R antes, sabrá como é simples criar gráficos usando esta biblioteca.
Pessoalmente, adoro a flexibilidade do ggplot. Podemos discutir facilmente os dados enquanto construímos gráficos sobre a marcha, um conceito super útil!
Características únicas do ggplot
ggplot também é uma biblioteca de estilo declarativo, como o Bokeh, mas também está intimamente ligado a Pandas. Isto significa que pode criar visualizações facilmente usando o seu próprio dataframe do Pandas!
Tutorial (isto é) para aprender ggplot
Pode saber mais sobre o ggplot e como trabalhar com ele aqui:
Notas finais
Neste artigo, exploramos algunas de las bibliotecas imprescindibles para realizar la visualización de datos en Python. Cada una de estas bibliotecas es bastante popular por derecho propio y brilla en diferentes escenarios.
Espero que este artículo sea como una piedra de rosetta cuando decida qué biblioteca usar para su próximo proyecto.
¿Cree que alguna otra biblioteca de visualización de datos debería estar en esta lista? ¿Te gustó el artículo? Sim é assim, ¡comenta a continuación!
