كيفية عمل مخططات تنسيق متوازية في بايثون

مخططات الإحداثيات المتوازية هي أداة تصور مفيدة تستخدم لإظهار العلاقات بين المتغيرات المتعددة التي تشترك في نفس البيانات الرقمية. في LuckyTemplates ، يتم إنشاء هذه المؤامرات باستخدام كود Python بسيط للغاية يمكنك استخدامه وإنشاءه وتنسيقه بسهولة. 

في مدونة اليوم ، سنتعلم كيفية إنشاء مخططات إحداثيات متعددة أو موازية باستخدام Python . سننتقل خلال العملية خطوة بخطوة ، من إعداد البيانات إلى تخصيص الحبكة من أجل قراءة أفضل. يمكنك مشاهدة الفيديو الكامل لهذا البرنامج التعليمي أسفل هذه المدونة . 

جدول المحتويات

• مخططات الإحداثيات المتوازية في بايثون: نموذج 1
  • مؤامرة كود بايثون
  • صنع الحبكة في بايثون
  • عرض الحبكة في بايثون
• مخططات التنسيق المتوازية في بايثون: نموذج 2
  • كود بايثون لمجموعة البيانات
  • مؤامرات التصميم في بايثون
• خاتمة

مخططات الإحداثيات المتوازية في بايثون: نموذج 1

هذه هي الحبكة الأولى لدينا. يعرض المتغيرات الثلاثة - المتغير A و B و C والسطرين اللذين يمثلان العناصر 1 و 2. 

هذا يعني أن لدينا مجموعتين من البيانات ، واحدة للعنصر 1 والأخرى للعنصر 2. ولكل مجموعة بيانات ، لدينا ثلاثة متغيرات. 

دعونا نلقي نظرة على البيانات لفهم كيفية هيكلة الحبكة بشكل أفضل. 

ابدأ بتمييز الرسم البياني. انقر فوق البيانات. 

يجب أن يظهر جدول ببيانات بسيطة للغاية. تم إنشاؤه باستخدام خيار إدراج الجدول. يمكننا أن نرى أنه في الأعمدة توجد المتغيرات A و B و C لكل عنصر مفصول في كل صف.

لدينا بيانات بسيطة ، لكن يمكننا تحويلها إلى شيء معبر للغاية. على سبيل المثال ، في مخططنا ، يمكننا تحديد أن العلاقة بين البيانات "منخفضة" تمامًا. 

للتوضيح ، يمكننا مقارنة هذه المؤامرة ببياناتنا. المتغير B في البند 1 هو 100 و 115 في البند 2 ، كما هو موضح في الرسم البياني. 

يمكننا أيضًا تحديد كيفية ارتباط العناصر والمتغيرات. على سبيل المثال ، يمكننا أن نرى بسهولة أن المتغير "أ" أقل من "ب" ، وأن المتغير "ج" هو الأدنى بين الثلاثة.

مؤامرة كود بايثون

دعنا الآن ننتقل إلى كود Python المستخدم في المؤامرة الفعلية. 

ابدأ باختيار Python visual من جزء المرئيات . 

قم بتمييز الرسم البياني الأول لدينا لفتح محرر نصوص Python . 

أولاً ، نقوم باستيراد matplotlib.pyplot وحفظه كمتغير plt. 

ثم نقوم بإحضار ميزات pandas.plotting . تعمل Pandas كمكتبة لمعالجة البيانات في LuckyTemplates. يتم استخدامه بشكل أساسي لمعالجة البيانات ، ولكنه يحتوي أيضًا على ميزات التخطيط.

دعنا نستورد موازين التنسيق من pandas.plotting . ستكون Parallel_coordinates هي الوظيفة الأساسية لإنشاء الرسم البياني. 

صنع الحبكة في بايثون

في السطر 13 ، نوثق ما سنفعله من خلال كتابة # قم بعمل مؤامرة.

نستخدم تنسيق متوازي ونمرر في مجموعة البيانات. 

في السطر 3 ، يمكننا أن نرى أن مجموعة البيانات يتم إنشاؤها باستخدام وظيفة pandas.DataFrame () . ثم نضيف العنصر ، والمتغير A ، والمتغير B ، والمتغير C ، والتي تنعكس بعد ذلك في قائمة  القيم الخاصة بنا.

في السطر 4 ، يتم إلغاء تكرار مجموعة البيانات باستخدام dataset.drop_duplicates ().

يمكننا الانتقال إلى جزء المرئيات لرؤية القيم التي أضفناها.

ستؤثر إزالة أي من هذه القيم على صورنا. على سبيل المثال ، إذا أزلنا المتغير C ، فستتغير الإحداثيات وفقًا لذلك ، لتوضح لنا كيفية عمل القيم . 

دعنا نعيد المتغير C الخاص بنا عن طريق تحديد المربع الموجود بجانبه ضمن البيانات في جزء الحقول .

بعد ذلك ، قم بتمرير دالة متوازية_تكوين والتي تأخذ عدة وسيطات مختلفة. في حالتنا ، يأخذ مجموعة البيانات والعنصر ، والذي سيوفر النوع والأبعاد من مجموعة البيانات الخاصة بنا.

إذا أزلنا العنصر من وظيفتنا وقمنا بتشغيله ، فلن يعمل المرئي.

سوف نحصل على خطأ نص برمجي Python يقول أن الوظيفة المتوازية () تفتقد إلى وسيطة موضعية مطلوبة ، وهي class_column . 

لذلك دعونا نضيف العنصر مرة أخرى. نظرًا لأنه موضعي ، لا نحتاج إلى كتابة إحداثيات الفصل. يمكننا تشغيل الكود بمجرد الانتهاء. 

عرض الحبكة في بايثون

الخطوة التالية هي إظهار الحبكة ، لذا في السطر 16 ، نقوم بتوثيق ما سنفعله بكتابة # إظهار الحبكة.

تذكر أننا استوردنا matplotlib.pyplot سابقًا وحفظناها كـ plt. لقد فعلنا ذلك لأننا نحتاج إلى وظيفة plt.show () لإظهار مؤامرة لدينا. 

مخططات التنسيق المتوازية في بايثون: نموذج 2

Our second plot is an iris dataset showing petal_length, petal_width, sepal_length, and sepal_width. It has a little bit more style in comparison to the first graph. 

This dataset was created with Python code. 

To view our data, click Transform data and go to the iris_dataset. 

The dataset contains columns for the dimensions—sepal length, sepal width, petal length, and petal width. It also has a column for the species type. 

The Dataset Python Code

Our data was brought in easily using Python code. Go to Source to show the Python script. 

يحتوي كود Python الخاص بنا على سطرين فقط. في السطر الأول ، قمنا باستيراد seaborn وحفظناه كمتغير sns . قمنا بتسمية مجموعة البيانات الخاصة بنا باسم iris_dataset واستخدمنا متغير sns لتحميل مجموعة البيانات باستخدام وظيفة sns.load_dataset ('iris') . 

انق�� فوق "موافق" للحصول على البيانات التي رأيناها أعلاه. تصفح البيانات ، وبمجرد الانتهاء من ذلك ، يمكننا إغلاق مجموعة البيانات بالانتقال إلى إغلاق وتطبيق> إغلاق . 

مؤامرات التصميم في بايثون

لفتح محرر نصوص Python للرسم البياني الأكثر نمطًا ، انقر فوق مخططنا الثاني.

نبدأ باستيراد matplotlib.pyplot كـ plt. 

ثم نستخدم الدالة plt.style.use ('dark_background') لتصميم الصورة المرئية. 

يمكننا بسهولة تخصيص الخلفية بناءً على أسلوبنا المفضل باستخدام مرجع ورقة نمط matplotlib . في حالتنا ، استخدمنا خلفية مظلمة.

لنجرب أيضًا استخدام ggplot ، وهو نمط شائع مستخدم.

إذا قمنا بتشغيله ، فسوف يعطينا صورة مرئية تشبه هذا. 

بعد ذلك ، قم بتحميل وظيفة الباندا للرسم البياني عن طريق استيراد موازاة التنسيق من pandas.plotting. 

لعمل الحبكة ، نقوم بإحضار مجموعة البيانات وتعيين نوعنا كفئة . 

مقارنةً بمخططنا الأول ، نضيف معلمة إضافية وهي خريطة الألوان للحصول على ألوان مختلفة. مرر ذلك باستخدام متغير matplotlib ، plt.get_cmap. 

هناك الكثير من متغيرات ألوان matplotlib للاختيار من بينها في مرجع Colormap الخاص بـ matplotlib .

على سبيل المثال ، نستخدم حاليًا المجموعة 2 من خرائط الألوان النوعية ولكن يمكننا أيضًا تغييرها إلى ألوان أخرى ، مثل hsv من خرائط الألوان الدورية. 

انقر فوق تشغيل للحصول على قطعة أرض تبدو مثل هذا. 

لا يبدو Hsv جيدًا في بياناتنا ، ولكن يمكننا اللعب حتى نجد أنسب خريطة ملونة لمخططنا. 

ارتباط Python: دليل في إنشاء
مجموعات البيانات المرئية في Pandas باستخدام ProfileReport () | Python في وظيفة LuckyTemplates
Seaborn في Python لتصور توزيع متغير

خاتمة

في هذا البرنامج التعليمي ، قمنا بتغطية أساسيات إنشاء مخططات إحداثيات متوازية في بايثون. لقد مررنا بعملية تحضير البيانات وإنشاء الحبكة وتخصيص الحبكة من أجل قراءة أفضل. 

تعد مخططات الإحداثيات المتوازية أداة قوية لتصور البيانات عالية الأبعاد ويمكن استخدامها في مجموعة متنوعة من المجالات بما في ذلك التمويل والهندسة والتعلم الآلي. الآن بعد أن عرفنا كيفية إنشاء مخططات إحداثيات متوازية في Python ، يمكننا البدء في استخدامها لفهم وتصور بياناتنا الخاصة بشكل أفضل.

أتمنى لك كل خير،

جايليم هولاند