Contenu du cours

Visualisation Ultime Avec Python

1. Introduction à Matplotlib

Applications de Traçage Pourquoi Utiliser Matplotlib?Créer une Toile Tracé de Base

2. Création de Graphiques Couramment Utilisés

Graphique Linéaire Tracés de Lignes Multiples Nuage de Points Diagramme en Barres Diagrammes à Barres Empilées Diagrammes à Barres Groupées

3. Personnalisation des Graphiques

Ajouter un Titre au Graphique Ajouter une Légende Personnalisation des Axes Couleurs et Transparence Personnalisation de la Grille Sous-Graphiques

4. Plus de Graphiques Statistiques

Histogramme Boîte à Moustaches Diagramme Circulaire

5. Tracé avec Seaborn

Introduction à Seaborn Countplot Décoration des Graphiques Tracé KDE Tracé Conjoint Graphe de Paires Carte Thermique

Carte Thermique

Une carte thermique est une méthode de visualisation de données bidimensionnelles utilisant des couleurs pour représenter l'amplitude de chaque valeur. Voici un exemple de carte thermique :

Dans cet exemple, nous avons utilisé une carte thermique pour représenter la corrélation par paire entre les variables d'un ensemble de données. Avec une telle carte thermique, tout est net et clair, exactement ce dont nous avons besoin pour une bonne visualisation.

Création d'une Heatmap Simple

seaborn a une fonction appelée heatmap(). Son seul paramètre obligatoire est data qui doit être un ensemble de données 2D (rectangle).

Peut-être que le cas d'utilisation le plus courant d'une heatmap est avec une matrice de corrélation comme dans l'exemple ci-dessus. Étant donné un DataFrame, nous devrions d'abord appeler sa méthode corr() pour obtenir une matrice de corrélation et seulement ensuite passer cette matrice comme argument pour la fonction heatmap():


              1234567891011
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
url = 'https://staging-content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv'
# Loading the dataset with the countries data
countries_df = pd.read_csv(url, index_col=0)
# Creating a correlation matrix with all numeric variables
correlation_matrix = countries_df.corr(numeric_only=True)
# Creating a heatmap based on the correlation matrix
sns.heatmap(correlation_matrix)
plt.show()

Tout est assez simple ici, cependant, nous n'avons pas utilisé toutes les colonnes du DataFrame pour créer une matrice de corrélation (numeric_only=True), car elles contiennent des chaînes de caractères et ne sont pas numériques.

Annotation et Couleurs

Cette carte thermique peut être rendue plus informative en écrivant la valeur appropriée (coefficient de corrélation dans notre cas) dans chaque cellule. Cela peut être fait simplement en définissant le paramètre annot à True.

Il est également possible de changer les couleurs de notre carte thermique en définissant le paramètre cmap (vous pouvez explorer les palettes ici).

Avec cela en tête, modifions maintenant notre exemple :


              1234567891011
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
url = 'https://staging-content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv'
# Loading the dataset with the countries data
countries_df = pd.read_csv(url, index_col=0)
# Creating a correlation matrix with all numeric variables
correlation_matrix = countries_df.corr(numeric_only=True)
# Setting annotation and color palette
sns.heatmap(correlation_matrix, annot=True, cmap='viridis')
plt.show()

Nous pourrions également supprimer la barre de couleur à droite en définissant cbar=False.

Dans la plupart des cas, c'est tout ce dont vous aurez besoin pour une personnalisation de carte thermique, cependant, vous pouvez toujours explorer plus dans sa documentation.

Améliorer la Lisibilité

La dernière chose qui améliorerait la lisibilité de notre carte thermique est de faire pivoter les graduations en utilisant les fonctions xticks() et yticks() déjà familières :


              1234567891011121314
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
url = 'https://staging-content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv'
# Loading the dataset with the countries data
countries_df = pd.read_csv(url, index_col=0)
# Creating a correlation matrix with all numeric variables
correlation_matrix = countries_df.corr(numeric_only=True)
# Creating a heatmap based on the correlation matrix
sns.heatmap(correlation_matrix, annot=True, cmap='viridis')
# Rotating the ticks by 20 degrees counterclockwise
plt.xticks(rotation=20)
plt.yticks(rotation=20)
plt.show()

Tâche

Swipe to start coding

Utilisez la méthode correcte pour créer une matrice de corrélation.
Définissez l'argument de la méthode pour inclure uniquement les variables numériques.
Utilisez la fonction correcte pour créer une carte thermique.
Définissez correlation_matrix comme étant les données pour la carte thermique en spécifiant le premier argument.
Ajoutez les valeurs dans chaque cellule de la matrice en spécifiant le deuxième argument.
Définissez la palette (carte de couleurs) de la carte thermique à 'crest' en spécifiant le troisième argument (le plus à droite).
Faites pivoter les graduations des axes x et y de 15 degrés dans le sens antihoraire en spécifiant un argument mot-clé dans xticks() et yticks().

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 5. Chapitre 7

Carte Thermique

Une carte thermique est une méthode de visualisation de données bidimensionnelles utilisant des couleurs pour représenter l'amplitude de chaque valeur. Voici un exemple de carte thermique :

Création d'une Heatmap Simple

seaborn a une fonction appelée heatmap(). Son seul paramètre obligatoire est data qui doit être un ensemble de données 2D (rectangle).


              1234567891011
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
url = 'https://staging-content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv'
# Loading the dataset with the countries data
countries_df = pd.read_csv(url, index_col=0)
# Creating a correlation matrix with all numeric variables
correlation_matrix = countries_df.corr(numeric_only=True)
# Creating a heatmap based on the correlation matrix
sns.heatmap(correlation_matrix)
plt.show()

Annotation et Couleurs

Il est également possible de changer les couleurs de notre carte thermique en définissant le paramètre cmap (vous pouvez explorer les palettes ici).

Avec cela en tête, modifions maintenant notre exemple :


              1234567891011
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
url = 'https://staging-content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv'
# Loading the dataset with the countries data
countries_df = pd.read_csv(url, index_col=0)
# Creating a correlation matrix with all numeric variables
correlation_matrix = countries_df.corr(numeric_only=True)
# Setting annotation and color palette
sns.heatmap(correlation_matrix, annot=True, cmap='viridis')
plt.show()

Nous pourrions également supprimer la barre de couleur à droite en définissant cbar=False.

Dans la plupart des cas, c'est tout ce dont vous aurez besoin pour une personnalisation de carte thermique, cependant, vous pouvez toujours explorer plus dans sa documentation.

Améliorer la Lisibilité

La dernière chose qui améliorerait la lisibilité de notre carte thermique est de faire pivoter les graduations en utilisant les fonctions xticks() et yticks() déjà familières :


              1234567891011121314
            
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
url = 'https://staging-content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/countries_data.csv'
# Loading the dataset with the countries data
countries_df = pd.read_csv(url, index_col=0)
# Creating a correlation matrix with all numeric variables
correlation_matrix = countries_df.corr(numeric_only=True)
# Creating a heatmap based on the correlation matrix
sns.heatmap(correlation_matrix, annot=True, cmap='viridis')
# Rotating the ticks by 20 degrees counterclockwise
plt.xticks(rotation=20)
plt.yticks(rotation=20)
plt.show()

Tâche

Swipe to start coding

Utilisez la méthode correcte pour créer une matrice de corrélation.
Définissez l'argument de la méthode pour inclure uniquement les variables numériques.
Utilisez la fonction correcte pour créer une carte thermique.
Définissez correlation_matrix comme étant les données pour la carte thermique en spécifiant le premier argument.
Ajoutez les valeurs dans chaque cellule de la matrice en spécifiant le deuxième argument.
Définissez la palette (carte de couleurs) de la carte thermique à 'crest' en spécifiant le troisième argument (le plus à droite).
Faites pivoter les graduations des axes x et y de 15 degrés dans le sens antihoraire en spécifiant un argument mot-clé dans xticks() et yticks().

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 5. Chapitre 7

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous