نگاهی به نمودارها در Plotly [بخش سوم]

مقدمه

Plotly یک کتابخانه رسم نمودار متن باز پایتون است که برای ایجاد نمودارهای زیبا و تعاملی بهترین انتخاب است. یک ابزار عالی برای یافتن الگوها در یک مجموعه داده، قبل از مدل سازی است. در یک مجموعه مقاله، به شیوه ای مثال محور به چگونگی استفاده از آن، نگاهی خواهیم کرد. برخی از نمودارهای که آموزش داده می شوند شامل موارد زیر است:

•  نمودارهای خطی (line plots)
•  نمودارهای پراکندگی (scatter plots)
•  نمودارهای میله‌ای (bar charts)
•  نمودارهای میله‌ای مبتنی بر خطا (error bars)
•  نمودارهای جعبه‌ای (box plots)
•  هیستوگرام‌ها (histograms)
•  نقشه‌های حرارتی (heatmaps)
•  زیر نمودارها (subplots)
•  و نمودارهای حبابی (bubble charts)

در مقاله اول در مورد Plotly و دلایل انتخابمان بیشتر صحبت کرده و در ادامه هیستوگرام‌ها، نمودار میله‌ای، نمودار دایره‌ای و دوناتی بررسی خواهند شد.
در سری دوم از مجموعه آموزش Plotly در مورد نحوه ایجاد نمودارهای پراکندگی، خطی، پراکندگی سه‌بعدی، حبابی صحبت کردیم. همچنین نحوه نمایش دیتا فریم در قالب یک جدول زیبا و نحوه تبدیل نمودارهای ایجاد شده با Plotly به کد html آموزش داده شدند.
در مقاله سوم ابتدا در مورد نحوه ایجاد نمودارهای جعبه ‌ای و میله ‌ای مبتنی بر خطا صحبت می ‌کنیم. در ادامه به سراغ هیت مپ رفته و نمونه کاملی از آن را می ‌سازیم. همچنین در این مقاله بحث جذاب انیمیشن را بررسی می‌ کنیم و تغییرات یک نمودار در طول زمان را مشاهده می‌ کنیم. در نهایت موضوع مهم زیر نمودارها را مرور می‌ کنیم.

نقشه حرارتی (heatmap)

Density Heatmap برای نمایش توزیع دوبعدی یک تابع تجمیع (aggregate function) قابل ‌استفاده است. تابع تجمیع بر روی متغیر در محور z انجام می ‌گیرد. تابع تجمیع می ‌تواند تابع sum (مجموع)، average (میانگین) یا حتی count (فراوانی) باشد. در شکل زیر تحلیل سه‌ گانه بر اساس سه پارامتر سال انتشار، تعداد بازدیدها و تعداد کامنت ‌ها را داریم. شکل زیر شامل یکسری مربع است که هرکدام مختصات x و y داشته که به ترتیب نمایانگر سال انتشار و تعداد بازدیدهاست. همچنین برای تشخیص تعداد نظرات کافی است به رنگ مربع و ستون سمت چپ شکل توجه کنیم.

fig = px.density_heatmap(df, x="published_year", y="views",z="comments")
fig.show()

انیمیشن (Animations)

انیمیشن‌ های Plotly را می‌ توان برای نشان‌ دادن تغییرات مقادیر خاص در طول زمان مورداستفاده قرارداد. برای رسیدن به این هدف، باید پارامتر Animation-frame را تعریف کنیم. در این مثال، این پارامتر سال خواهد بود.

px.scatter(df, x="duration", y="comments",animation_frame="published_year", size="duration", color="published_day")

نمودار جعبه‌ای (Box Plot)

یک نمودار جعبه ‌ای داده ‌ها را در چارک‌ های مختلف نشان می‌ دهد. مقادیری که خارج از چهارمین چارک قرار می ‌گیرند داده‌ های پرت در مجموعه داده ‌تان را نشان می‌ دهند.

fig = px.box(df, x="published_day", y="duration")
fig.show()

زیر نمودارها (Subplots)

با Plotly، همچنین می ‌توانیم چندین نمودار را بر روی یک نمودار نمایش بدهیم. این کار با استفاده از از Subplots در Plotly انجام می ‌گیرد. این نمودارها با تعریف پارامتر facet_col ساخته می ‌شوند. نمودارها به تعداد مقادیر منحصر به ‌فرد ممکن از ستون facet_col تقسیم می ‌شوند.

px.scatter(df, x="duration", y="comments",
           animation_frame="published_month", animation_group="event",
           facet_col="published_day",width=1500, height=500,
           size="views", color="published_day",
          )

نمودارهای میله ‌ای مبتنی بر خطا (Error Bars)

Error Bars برای نمایش تغییر پذیری داده در یک نمایش بصری مورداستفاده قرار می ‌گیرد. معمولاً، این نمودارها به نمایش خطای تقریبی یا دقت یک مقدار خاص کمک می‌ کنند. طول میله خطا، میزان عدم قطعیت را نشان می‌ دهد. Error Bar بلندتر نشان ‌دهنده این است که نقاط داده پخش ‌تر (کم‌ تراکم تر) هستند در نتیجه غیر قطعی ‌تر هستند. می ‌توان آن‌ ها را بر روی نمودارهایی مثل نمودار خطی (line charts)، نمودار میله ‌ای (Bar Charts) و نمودار پراکندگی (Scatter Plots) اعمال کرد.

fig =  go.Figure(
    data=[
        go.Bar(
    x=views_top['event'], y=views_top['views'],
    error_y=dict(type='data', array=views_top['error'].values)
)
    ])
fig.show()

سخن نهایی

امیدواریم، این مجموعه مقاله توانسته باشد نشان بدهد که چطور می ‌توانید از Plotly در پروژه ‌های آینده استفاده کنید. حتی می ‌توانید آن را برای نمایش بصری ماتریس ‌های عملکرد مدل‌ های یادگیری ماشین تان استفاده کنید. برخلاف دیگر ابزارها، نمایش ‌های بصری Plotly چشم‌ نواز و همین ‌طور تعاملی هستند.
قابلیت تعاملی این امکان را به شما می‌ دهد تا در قسمت‌ های خاصی از نمودار بزرگ ‌نمایی و کوچک ‌نمایی کنید. بدین شکل، می ‌توانید برای بررسی نمودارتان با جزئیات بیشتر، کمی عمیق ‌تر به آن نگاه کنید. به طور خاص، دیدیم که چگونه می ‌توانید نمودارهای معمول مثل هیستوگرام‌ ها (histograms)، نمودار میله ‌ای (Bbar Charts) و نمودارهای پراکندگی (Scatter Plots) را در Plotly استفاده کنیم. همچنین دیدیم که چگونه می ‌توانیم چندین نمودار را برای روی یک نمودار بسازیم.
Notebook استفاده شده را می‌ توانید اینجا ببینید.
در مقاله سوم ابتدا در مورد نحوه ایجاد نمودارهای جعبه ‌ای و میله ‌ای مبتنی بر خطا صحبت کردیم. در ادامه به سراغ هیت مپ رفته و نمونه کاملی از آن را ساختیم. همچنین در این مقاله بحث جذاب انیمیشن را بررسی کرده و تغییرات یک نمودار در طول زمان را مشاهده کردیم. در نهایت موضوع مهم زیر نمودارها را مرور کردیم.

منبع

https://neptune.ai/blog/plotly-python-tutorial-for-machine-learning-specialists[