Maak een 3D-spreidingsdiagram met behulp van Python in LuckyTemplates

In deze zelfstudie leert u hoe u een driedimensionale (3D) spreidingsplot maakt met behulp van Python in LuckyTemplates. is een programmeertaal die veel wordt gebruikt voor data-analyse en visualisatie. Het is een krachtig hulpmiddel voor het maken van interactieve plots en grafieken. Je kunt de volledige video van deze tutorial onderaan deze blog bekijken.

Een 3D-scatterplot is een visuele weergave van gegevenspunten in een driedimensionale grafiek. Het is handig om de relaties tussen drie variabelen weer te geven en kan worden gebruikt om patronen en trends in de gegevens te identificeren.

Aan het einde van deze blog kun je een 3D-scatterplot maken dat er als volgt uitziet:

De resulterende grafiek heeft een ingebouwde slicer waarmee u kunt kiezen tussen verschillende gegevenslagen. In het voorbeeld werd een diamantdataset gebruikt die was samengesteld uit de wortelgrootte, prijs en diamantdiepte.

Inhoudsopgave

• Bouw de dataset en variabelen in Python
• Maak de 3D Scatter Plot-figuur in Python
• Schakel de interactiviteit van de scatterplot in
• Importeer de 3D-spreidingsgrafiek van Python naar LuckyTemplates
• Dimensionale filters toevoegen in LuckyTemplates
• Conclusie

Bouw de dataset en variabelen in Python

Open uw Jupyter-notebook .

De eerste stap is het importeren van de pakketten. Voor dit voorbeeld worden de pakketten pandas, numpy, seaborn, matplotlib.plypot en Axes3D gebruikt. Ze worden opgeslagen als variabelen om ze eenvoudiger in de code te kunnen gebruiken.

De panda's en numpy- pakketten zijn fundamenteel voor gegevensmanipulatie. En seaborn is een datavisualisatiebibliotheek in Python die een interface op hoog niveau biedt voor het tekenen van aantrekkelijke en informatieve statistische grafieken.

Het pakket matplotlib.plypot is een gegevensvisualisatiebibliotheek in Python die wordt gebruikt om een ​​breed scala aan statische, geanimeerde en interactieve visualisaties in Python te maken. En tot slot kunt u met het Axes3D- pakket de grafiek transformeren als een driedimensionale figuur.

Na het importeren van de pakketten is de volgende stap het laden van de dataset. In dit geval wordt de Seaborn Diamond-dataset gebruikt en opgeslagen als de variabele df .

Als u wilt zien hoe de gegevensset eruitziet, maakt u een andere cel aan en voert u df.head( ) uit . U kunt dan de dimensies en statistieken in de Diamond-dataset zien.

Om de x-, y- en z-variabelen van uw grafiek in te stellen, volgt u de syntaxisvariabele = dataset['dimension'] zoals hieronder te zien is:

Maak de 3D Scatter Plot-figuur in Python

Gebruik de variabele matplotlib om de 3D-figuur te maken . Kies vervolgens tussen haakjes de statistieken van de grafiek die u wilt aanpassen.

Als u bijvoorbeeld de figuurgrootte wilt opmaken, moet u de metriek figsize gebruiken en vervolgens de gewenste grootte specificeren.

Om uw assen te definiëren, gebruikt u de Axes3D-gegevensset en kapselt u de variabele 'fig' tussen haakjes in. Hierdoor wordt deze variabele omgezet in een functie. Gebruik vervolgens de functie fig.add_axes( ) om de door u gedefinieerde assen in de figuur toe te voegen.

Wanneer u de code uitvoert, krijgt u een lege 3D-grafiek.

Om de spreidingsplot te maken, gebruikt u de spreidingsfunctie en schrijft u de drie assen die u eerder hebt gedefinieerd.

Als u de code uitvoert, krijgt u nu een eenvoudige 3D-spreidingsplot.

Als u opmaakwijzigingen in uw spreidingsplot wilt aanbrengen, gaat u terug naar de laatste coderegel. Druk na de laatste as op SHIFT+TAB . Hierdoor wordt een vervolgkeuzemenu geopend met een lijst met de verschillende opmaakwijzigingen die u op de plot kunt aanbrengen.

U kunt de kleur, grootte en vorm van elke as definiëren. Met de cmap- optie kunt u een kleurenthema kiezen voor al uw assen in plaats van ze één voor één op te geven.

U kunt ook aslabels toevoegen door de onderstaande syntaxis te volgen:

Het formaat van de spreidingsplot hangt volledig af van hoe u wilt dat de uiteindelijke grafiek eruitziet. Wanneer u de code in dit voorbeeld uitvoert, ziet deze er als volgt uit:

Schakel de interactiviteit van de scatterplot in

De volgende stap is om de 3D scatterplot interactief te maken. Merk op dat deze functie alleen beschikbaar is in jupyter-notebook.

Gebruik de opdracht %matplotlib notebook om uw grafieken interactief te maken .

Wanneer u de code uitvoert, ziet u dat de spreidingsplot nu is toegevoegd met bedieningselementen waarmee u het perspectief en de grootte van de grafiek kunt wijzigen.

Naast de bedieningselementen is er ook informatie over de x-, y-, z-positie van een specifiek plotpunt, afhankelijk van waar uw muiscursor is geplaatst.

Als u wilt dat uw spreidingsplot in een specifiek gezichtspunt verschijnt wanneer u het uitvoert, kunt u de opdrachten ax.azim of ax.elev gebruiken.

Importeer de 3D-spreidingsgrafiek van Python naar LuckyTemplates

Zodra u tevreden bent met hoe uw spreidingsplot eruitziet, is de volgende stap het importeren van jupyter-notebook naar LuckyTemplates.

Open uw LuckyTemplates-bureaublad en ga naar het tabblad Start . Selecteer Gegevens ophalen > Meer .

Zoek in de wizard Gegevens ophalen naar de Python-scriptoptie en klik vervolgens op Verbinden .

Kopieer de code uit uw dataset in het Jupyter-notebook en plak deze in het tekstvak Script van LuckyTemplates. Klik vervolgens op OK .

Klik op de dataset en selecteer Laden .

De dataset van uw python-code is nu te zien in LuckyTemplates onder het deelvenster Velden.

Om ze in een visual te presenteren, klikt u op de optie Python-visual onder het deelvenster Visualisatie en schakelt u scriptvisuals in .

Selecteer vervolgens gegevens uit het deelvenster Velden die u in uw spreidingsplot wilt weergeven. Het wordt aanbevolen om alle gegevens in te voeren, omdat u hiermee de gegevensset kunt uitbreiden en andere functionaliteiten kunt inschakelen die beschikbaar zijn in LuckyTemplates.

Als u klaar bent, gaat u terug naar uw Jupyter-notebook en kopieert u uw code (exclusief het gezichtspunt). Plak dit in de Python- scripteditor in LuckyTemplates.

Voordat u de code uitvoert, moet u een paar wijzigingen aanbrengen. Aangezien datasets in LuckyTemplates standaard dataset worden genoemd , moet u de df-variabele uitcommentariëren en in plaats daarvan df toewijzen als de dataset.

En tot slot schrijft u de functie plt.show( ) zodat de spreidingsplot kan worden bekeken in LuckyTemplates-desktop.

Zo ziet uw 3D-spreidingsplot er nu uit in LuckyTemplates.

Dimensionale filters toevoegen in LuckyTemplates

Het mooie van LuckyTemplates is dat je er dynamische visualisaties mee kunt maken . U kunt dimensionale filters aan uw 3D-spreidingsplot toevoegen, zodat u kunt bepalen welke gegevens in de visualisatie worden weergegeven.

Sleep een veld naar keuze naar het LuckyTemplates-canvas en verander het vervolgens in een filter met behulp van de Slicer- optie in het visualisatievenster .

De gegevens in de 3D-plot zullen dan variëren, afhankelijk van de optie die u selecteert in de slicer. U kunt andere dimensies en filters toevoegen aan uw LuckyTemplates-rapportvisualisatie, afhankelijk van uw voorkeur of vereisten.

Daarna kunt u uw slicer formatteren en omzetten in knoppen. U kunt ook een tekstvak maken dat de door u geselecteerde sliceroptie weergeeft.

Conclusie

Het maken van een 3D-spreidingsplot met behulp van Python in LuckyTemplates is een krachtige manier om gegevens met drie variabelen te visualiseren. Het stelt u in staat om patronen en trends in de gegevens te identificeren en kan worden aangepast aan de behoeften van uw specifieke gebruikssituatie.

Bovendien is het transformeren van de spreidingsplot in een dynamische visualisatie in LuckyTemplates een geweldige manier om interactieve dashboards te maken waarmee gebruikers gegevens kunnen verkennen en bekijken die voor hen relevant zijn.

Over het algemeen kunt u met Python in LuckyTemplates uw visualisaties aanpassen en aangepaste grafieken en plots maken die niet beschikbaar zijn in de ingebouwde visualisatie-opties. Het is perfect voor gegevensmanipulatie en -analyse en kan worden gebruikt om gegevens op te schonen, te transformeren en te analyseren voordat ze worden gevisualiseerd in LuckyTemplates.

Al het beste,