Mulai gunakan Pustaka Visualisasi Data Interaktif ini: Python… – Menuju AI

Mulai gunakan Pustaka Visualisasi Data Interaktif ini: Python… – Menuju AI

Pengarang: Muttineni Sai Rohith

Awalnya diterbitkan di Towards AI the World’s Leading AI and Technology News and Media Company. Jika Anda sedang membangun produk atau layanan terkait AI, kami mengundang Anda untuk mempertimbangkan untuk menjadi sponsor AI. Di Towards AI, kami membantu menskalakan AI dan startup teknologi. Biarkan kami membantu Anda melepaskan teknologi Anda kepada massa.

Visualisasi data adalah kunci untuk Analisis Data. Baik untuk memahami pola atau lapisan tersembunyi dalam Data atau menganalisis metrik atau wawasan suatu produk atau Mengungkapkan Analisis kami kepada Klien Nonteknis, Visualisasi Data adalah suatu keharusan. Ada berbagai alat yang tersedia untuk memvisualisasikan data, hari ini kita akan membahas salah satu alat tersebut, yang digunakan dalam Python dan menyediakan fitur interaktif.

Sumber: Bokeh.org

Bokeh adalah perpustakaan visualisasi data dalam Python yang menyediakan fitur interaktif dan canggih bagi para ilmuwan data untuk menganalisis data. Tidak seperti pustaka plot lainnya, Bokeh membuat plot menjadi interaktif, dan kita dapat mengekspor plot ke dalam file HTML saat Bokeh merender data menggunakan Python dan Javascript.

Keuntungan dibandingkan perpustakaan lain —

Untuk pengembang web yang menggunakan Python Django atau Flask, karena plot diekspor ke File HTML, mereka dapat dengan mudah menyematkannya di halaman Web. Untuk Ilmuwan Data, yang ingin menganalisis data, Bokeh membantu mereka dengan membuat plot interaktif, yang dengannya mereka dapat memperbesar dan menggeser grafik dan mewujudkan polanya.

Mari kita mulai membuat plot garis menggunakan Bokeh; Dataset yang digunakan dapat ditemukan di sini.

Menginstal Bokeh menggunakan Python —

pip menginstal bokeh

Mengimpor perpustakaan

dari bokeh.plotting import figure, show, output_notebook

kita perlu mengimpor gambar dari Bokeh untuk membuat gambar. Untuk menampilkan gambar, digunakan fungsi show, dan output_notebook digunakan secara eksplisit ketika kita ingin memvisualisasikan plot di notebook.

dari bokeh.plotting import figure, show, output_notebook x = df[“x”].nilai[:20]
y = df[“y”].nilai[:20]
# buat plot baru dengan label judul dan sumbu
p = figure(title=”Line Plot x VS y”, x_axis_label=”X Values”, y_axis_label=”Y Values”) # tambahkan penyaji garis dengan legenda dan ketebalan garis
p.line(x, y, legend_label=”y”, line_width=2) # tampilkan hasilnya
keluaran_notebook()
tunjukkan (p)

Dalam kode di atas, setelah mengimpor data —

Gambar dibuat menggunakan metode figure(). Kita dapat menambahkan opsi tambahan seperti judul, x_axis_label dan y_axis_label untuk figure(). Metode line() digunakan untuk membuat plot garis. Parameter yang kita lewati adalah x, y — Data, Legened_label — mewakili label untuk data y, line_width — lebar plot garis.

Outputnya akan terlihat seperti ini —

Keluaran Plot Garis

Untuk memvisualisasikan plot dan membuatnya interaktif, Bokeh menyediakan beberapa alat, seperti yang ditunjukkan pada plot di atas — Pan, Box Zoom, Wheel Zoom, Save, dan Reset. Untuk Mengeksplorasi Interaktifitas, unduh plot di atas dalam Format HTML dari sini.

Menggabungkan beberapa plot dengan render yang berbeda:

#Menggabungkan beberapa plot dengan render yang berbeda
dari angka impor bokeh.plotting, tunjukkan x = df[“x”].nilai[:10]
y1 = df[“y”].nilai[:10]
y2 = df[“y1”].nilai[:10]
y3 = df[“y2″].nilai[:10]
p = figure(title=”Multiple Plot”, x_axis_label=”X Values”, y_axis_label=”Y Values”) p.vbar(x=x, top=y1, legend_label=”y1″, color=”skyblue”, width =0.5, bottom=0) p.line(x, y2, legend_label=”y2″, color=”black”, line_width=2) p.circle(x,y3,legend_label=”y3″,fill_color=”red” ,fill_alpha=0.5,line_color=”yellow”,size=10) # tampilkan hasilnya
tunjukkan (p)

Di sini, Dalam kode di atas, kami telah menggunakan tiga render yang berbeda — vbar, garis, dan lingkaran. Pada plot lingkaran, saya mencoba menampilkan beberapa parameter tambahan yang bisa kita gunakan, seperti fill_color — untuk mengisi lingkaran, fill_alpha — opacity of color, line_color — Border color untuk lingkaran, dan size — radius lingkaran.

Outputnya akan seperti ini —

Beberapa plot menggunakan Bokeh

Subplot menggunakan Bokeh:

dari baris impor bokeh.layouts
dari angka impor bokeh.plotting, tunjukkan x = df[“x”].nilai[30:40]
y1 = df[“y”].nilai[30:40]
y2 = df[“y1”].nilai[30:40]
y3 = df[“y2”].nilai[30:40]
# buat tiga plot dengan masing-masing satu penyaji
s1 = angka(lebar=250, tinggi=250, background_fill_color=”#fafafa”)
s1.circle(x, y1, size=12, color=”#53777a”, alpha=0.8) s2 = figure(width=250, height=250, background_fill_color=”#fafafa”)
s2.triangle(x, y2, size=12, color=”#c02942″, alpha=0.8) s3 = angka(lebar=250, tinggi=250, background_fill_color=”#fafafa”)
s3.square(x, y3, size=12, color=”#d95b43″, alpha=0.8) # letakkan hasil di baris yang menyesuaikannya
tampilkan(baris(anak=[s1, s2, s3]sizing_mode=”scale_width”))

Dalam kode di atas, seperti yang bisa kita lihat, kita menggunakan tiga render — lingkaran, segitiga, dan Kotak untuk memplot tiga plot. kami menggabungkan plot ini menggunakan fungsi baris. Parameter — scale_width digunakan, sehingga lebar plot disesuaikan dengan lebar jendela.

Outputnya akan terlihat seperti ini —

Fitur Subplot menggunakan Bokeh

Menyimpan plot dan mengatur tema di Bokeh —

dari bokeh.io impor curdoc
dari bokeh.plotting import figure, show, save, output_file x = df[“x”].nilai[20:30]
y = df[“y”].nilai[20:30]
# terapkan tema ke dokumen saat ini
curdoc().theme = “dark_minimal” output_file(filename=”custom_filename.html”, title=”File HTML statis”) # buat plot
p = figure(sizing_mode=”stretch_width”, max_width=500, height=250) # tambahkan penyaji
p.line(x, y) # tampilkan hasilnya
simpan (p)

Untuk menyimpan plot ke dalam file HTML digunakan kode di atas. Di sini parameter output_file digunakan untuk mencatat nama file dan judul file. Setelah plot dibuat, metode save() digunakan untuk menyimpan plot dalam file HTML yang ditentukan.

metode curdoc().theme digunakan untuk mengatur tema untuk plot bokeh. Tema berikut tersedia di Bokeh — kaliber, dark_minimal, light_minimal, night_sky, dan kontras.

Kita dapat menyesuaikan lebar dan tinggi plot dengan menentukannya dalam metode figure.

Outputnya akan terlihat seperti ini —

Kami juga dapat menambahkan warna latar belakang di plot Bokeh menggunakan metode Anotasi Kotak —

dari bokeh.models import BoxAnnotation low_box = BoxAnnotation(top=10, fill_alpha=0.2, fill_color=”blue”)
mid_box = BoxAnnotation(top=10, bottom=5, fill_alpha=0.2, fill_color=”hijau”)
high_box = BoxAnnotation(bottom=5, fill_alpha=0.2, fill_color=”red”)

Seperti yang kita lihat, tiga kotak dibuat dengan tiga warna berbeda; mari kita integrasikan mereka dengan plot.

dari gambar impor bokeh.plotting, tampilkan curdoc().theme = “light_minimal” x = df[“x”].nilai[20:30]
y1 = df[“y”].nilai[20:30]
y2 = df[“y1”].nilai[20:30]
y3 = df[“y2″].nilai[20:30]
p = figure(title=”Multiple Plot”, x_axis_label=”X Values”, y_axis_label=”Y Values”) p.vbar(x=x, top=y1, legend_label=”y1″, color=”skyblue”, width =0,5, bawah=0)
p.line(x, y2, legend_label=”y2″, color=”black”, line_width=2)
p.circle(x, y3, legend_label=”y3″, color=”red”, size = 5) p.add_layout(low_box)
p.add_layout(mid_box)
p.add_layout(high_box) # tampilkan hasilnya
tunjukkan (p)

Seperti yang bisa kita lihat, kita telah membuat plot dan menambahkan tata letak ke plot.

Keluaran:

Anotasi dalam Bokeh

Kami juga dapat menambahkan banyak penyesuaian di Bokeh, seperti — kustomisasi legenda, kustomisasi judul, kustomisasi gambar, dll.; kami juga memiliki banyak jenis render di Bokeh yang dapat digunakan sesuai dengan kebutuhan. Kami juga dapat menambahkan fungsionalitas hover di Bokeh.

Jadi apa lagi? Lain kali saat Anda memvisualisasikan beberapa data, pastikan untuk menggunakan pustaka visualisasi data interaktif ini.

Catatan Akhir — Belajar adalah kegiatan saya sehari-hari, dan saya membuat Blog semua pembelajaran saya di sini Sehingga saya dapat merujuknya kapan pun saya mau dan saya dapat berbagi pembelajaran saya dengan siapa pun yang tertarik.

Untuk Menjelajahi visualisasi data menggunakan Seaborn, ikuti artikel ini —

Analisis Perilaku Pembaca dan Penulis Menengah menggunakan Spacy dan Seaborn dengan Python

Selamat Belajar….

Mulai gunakan Pustaka Visualisasi Data Interaktif ini: Tutorial Bokeh Python awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI

Author: Scott Anderson