Как подписать оси на гистограмме wolfram mathematica

Примечание: Прежде чем форматировать числа как процентные значения, убедитесь, что числа, отображаемые на диаграмме, вычислены как процентные значения на листе и отображаются в десятичном формате, например 0,1. Чтобы вычислить процентные значения на листе, разделите значение на общее значение. Например, если вы введете =10/100, а затем отформатируете результат 0,1 как процентное значение, оно будет отображено как 10%.

Совет: Подпись оси отличается от названия оси, которую можно добавить для описания значений, отображаемых на ней. Названия осей не выводятся на диаграмме автоматически. Инструкции по их добавлению см. в статье Добавление и удаление названий в диаграмме.

Как подписать оси на гистограмме wolfram mathematica

Я пропускаю первые 20 строк и последние две строки, потому что это текст, а не данные с табуляцией. Набор данных слишком велик, так что я не могу показать его целиком. Чтобы получить представление о наборе, давайте посмотрим на имена столбцов:

Посмотрите на эти столбцы. Столбец ‘OdName’ – на самом деле название страны, ‘AreaName’ – континент, а ‘RegName’ – регион на этом континенте. Переименуем эти столбцы, чтобы их имена стали более понятными.

Проверим, есть ли в наборе какие-либо значения null.

Теперь набор данных достаточно чист и красив, чтобы начать работать с ним, поэтому больше чистить мы не станем. Если нам потребуется что-то еще, мы сделаем это по мере необходимости.

Упражнения по рисованию диаграмм

В этой статье мы попробуем несколько различных типов диаграмм – таких, как линейная диаграмма (line plot), диаграмма с областями (area plot), секторная диаграмма (pie plot), диаграмма рассеяния (scatter plot), гистограмма, столбчатая диаграмма (bar graph). Сначала импортируем необходимые пакеты.

Настало время нарисовать диаграмму. Это очень просто: достаточно вызвать функцию plot для приготовленных нами данных. Затем добавим заголовок и метки для осей x и y.

Что, если мы хотим вывести графики иммиграции для нескольких стран сразу, чтобы сравнить тенденции иммиграции из этих стран в Канаду? Это делается почти так же, как и в прошлом примере. Нарисуем диаграмму иммиграции из трех южно-азиатских стран: Индии, Пакистана и Бангладеш по годам.

Посмотрите на формат этих данных – он отличается от данных по Швейцарии, использованных прежде. Если мы вызовем функцию plot для этого DataFrame (ind_pak_ban), она выведет количество иммигрантов в каждой стране по оси x и годы по оси y. Нам нужно изменить формат данных:

Это не весь набор данных, а только его часть. Видите, теперь формат данных изменился. Теперь годы будут выводиться по оси x, а количество иммигрантов из каждой страны по оси y.

Нам не пришлось задавать тип диаграммы, потому что линейная диаграмма рисуется по умолчанию.

Секторная диаграмма

Чтобы продемонстрировать секторную диаграмму, построим диаграмму общего количества иммигрантов для каждого континента. У нас есть данные по каждой стране. Давайте сгруппируем данные по континентам, чтобы просуммировать количество иммигрантов для каждого континента.

Заметьте, что мне пришлось использовать параметр ‘kind’. Все виды диаграмм, кроме линейной, в функции plot нужно указывать явно. Я ввожу новый параметр ‘figsize’, определяющий размеры диаграммы.

Эта секторная диаграмма достаточно понятна, но мы можем сделать ее еще лучшей. На этот раз я установлю собственные цвета и начальный угол.

Ящик с усами (boxplot)

Сначала мы построим «ящик с усами» для количества иммигрантов из Китая.

Диаграмма рассеяния

Диаграммы рассеяния лучше всего подходят для исследования зависимости между переменными. Построим диаграмму рассеяния, чтобы увидеть тренд количества иммигрантов в Канаду за годы.

Для этого упражнения мы создадим новый DataFrame, содержащий годы в качестве индекса и общее количество иммигрантов за каждый год.

Нам нужно преобразовать годы в целые числа. Я также хочу немного причесать DataFrame, чтобы сделать его более презентабельным.

Осталось задать параметры осей x и y для диаграммы рассеяния.

Похоже, здесь есть линейная зависимость между годом и количеством иммигрантов. С течением лет количество иммигрантов показывает явно растущий тренд.

Диаграмма с областями

Диаграмма с областями показывает область под линейным графиком. Для этой диаграммы я хочу создать DataFrame, содержащий информацию по Индии, Китаю, Пакистану и Франции.

Набор данных готов. Пора сделать из него диаграмму.

Не забудьте использовать параметр ‘stacked’, если хотите увидеть области для каждой отдельной страны. Если не установить stacked = False, диаграмма будет выглядеть примерно так:

Мы построили гистограмму, показывающую распределение иммиграции за 2005 год. Гистограмма показывает, что из большинства стран приехало от 0 до 5000 иммигрантов. Только несколько стран прислали 20 тысяч, и еще пара стран прислала по 40 тысяч иммигрантов.

Давайте используем DataFrame top из предыдущего примера и нарисуем распределение количества иммигрантов из каждой страны в одной и той же гистограмме.

На предыдущей гистограмме мы видели, что из нескольких стран приехало 20 и 40 тысяч иммигрантов. Похоже, что Китай и Индия среди этих «нескольких». На этой гистограмме мы не можем четко увидеть границы между столбцами. Давайте улучшим ее.

Задаем количество столбцов и показываем их границы.

Я использую 15 столбцов. Здесь я ввожу новый параметр под названием ‘alpha’ – он определяет прозрачность цветов. Для таких перекрывающихся диаграмм, как наша, прозрачность важна, чтобы увидеть картину каждого распределения.

Как и для диаграммы с областями, мы можем использовать параметр ‘stacked’, но для гистограмм он по умолчанию выключен.

Столбчатая диаграмма

Для столбчатой диаграммы я использую количество иммигрантов из Франции за каждый год.

Вы можете добавить к столбчатой диаграмме дополнительную информацию. Эта диаграмма показывает растущий тренд с 1997 года примерно на декаду, который стоит отметить. Это можно сделать с помощью функции annotate.

Иногда горизонтальное расположение столбцов делает диаграмму более понятной. Еще лучше, если метки рисуются прямо на столбцах. Давайте сделаем это.

Разве эта диаграмма выглядит не лучше, чем предыдущая?

В этой статье мы изучили основы Matplotlib. Теперь у вас достаточно знаний, чтобы начать самостоятельное использование Matplotlib прямо сегодня.

Расширенные методы визуализации описаны в следующих статьях:

• «Интерактивная фоновая картограмма на Python»
• «Создаем «облака слов» любой формы на Python»
• «Интерактивная визуализация географических данных на Python»
• «Вафельные графики» с помощью Matplotlib на Python»
• «Пузырьковые диаграммы с помощью Matplotlib»
• «Исследовательский анализ данных для моделирования данных»
• «Сортируем и сегментируем данные с помощью методов Cut или Qcut из Pandas»

Источники

Интерактивная визуализация данных при помощи Plotly: строим красивые графики с Express и Cufflinks

Если Вы все еще используете Matplotlib для создания графиков в Python, самое время взглянуть на мир с высоты альтернативной библиотеки интерактивной визуализации.

Plotly позволяет создавать красивые, интерактивные, экспортируемые графики с помощью всего нескольких строк кода. Однако без карты подъем в гору Plotly может быть медленным и мучительным.

Вот камни преткновения, которые могут появиться на пути авантюристов, решивших покорить эту гору:

• непонятная начальная настройка для работы оффлайн без аккаунта;
• неимоверное количество строк кода;
• устаревшая документация;
• множество различных инструментов Plotly, в которых можно заблудиться (Dash, Express, Chart Studio и Cufflinks).

Plotly

Данная программа была создана одноименной компанией, владеющей множеством программ с открытым исходным кодом для создания интерактивных графиков и чартов. Зарабатывает компания за счет предоставления расширенного пакета функций своих программ. Также за отдельную плату она предлагает настроить Ваш собственный хостинг. Компания базируется в Монреале с офисом в Бостоне.

Plotly.py основывается на JavaScript-библиотеке D3.js. Также в Plotly есть API-обертки для R, Julia и многих других языков программирования. Стоит отметить, что документация представлена не на всех языках.

Примеры библиотек от Plotly

В этой статье мы остановимся на опциях, которые используют Python. Я использую Python 3.7 и последующие версии библиотеки в данном руководстве.

cufflinks 0.15 jupyterlab 0.35.5 plotly 3.8.1 plotly-express 0.1.7

Убедитесь, что используется cufflinks 0.15 (0.13 не очень дружит с последними обновлениями Plotly).
ПРАВКА (май 2020): самая свежая версия Plotly — 4.7.1. Большая часть представленных ниже инструкций все так же применима к последней версии программы. Обратите внимание, что экспресс-модуль импортируется как часть пакета Plotly.

plotly.py

Несмотря на то что написано в некоторых инструкциях, создавать аккаунт для пользования Plotly не нужно, как и не нужно работать в онлайн-режиме.

Установите простой модуль plotly.py с conda или воспользуйтесь pip install plotly .

Импортируйте модуль и сконфигурируйте его для использования в оффлайн-режиме:

import plotly.offline as py py.init_notebook_mode(connected=False)

Теперь программа не будет требовать у Вас создать аккаунт. Так мы и преодолели первую преграду на пути к вершине горы Plotly.

Вот пример интерактивного Plotly-графика с земным шаром, которая позволяет изменять тип проекции и расположение с помощью слайдеров. Вы можете сами оценить возможность взаимодействия с данной схемой здесь.

Ниже представлено объемное описание кода, адаптированного из документации, необходимой для создания такого витиеватого графика.

import pandas as pd import numpy as np import plotly.offline as py import plotly.graph_objs as go import json py.init_notebook_mode(connected=False) izip = zip df = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/master/globe_contours.csv') df.head() contours = [] scl = ['rgb(213,62,79)','rgb(244,109,67)','rgb(253,174,97)',\ 'rgb(254,224,139)','rgb(255,255,191)','rgb(230,245,152)',\ 'rgb(171,221,164)','rgb(102,194,165)','rgb(50,136,189)'] def pairwise(iterable): a = iter(iterable) return izip(a, a) i=0 for lat, lon in pairwise(df.columns): contours.append( dict( type = 'scattergeo', lon = df[lon], lat = df[lat], mode = 'lines', line = dict( width = 2, color = scl[i] ) ) ) i = 0 if i+1 >= len(df.columns)/4 else i+1 layout = dict( margin = dict( t = 0, l = 0, r = 0, b = 0 ), showlegend = False, geo = dict( showland = True, showlakes = True, showcountries = True, showocean = True, countrywidth = 0.5, landcolor = 'rgb(230, 145, 56)', lakecolor = 'rgb(0, 255, 255)', oceancolor = 'rgb(0, 255, 255)', projection = dict( type = 'orthographic', rotation = dict(lon = 0, lat = 0, roll = 0 ) ), lonaxis = dict( showgrid = True, gridcolor = 'rgb(102, 102, 102)', gridwidth = 0.5 ), lataxis = dict( showgrid = True, gridcolor = 'rgb(102, 102, 102)', gridwidth = 0.5 ) ) ) sliders = [] lon_range = np.arange(-180, 180, 10) lat_range = np.arange(-90, 90, 10) sliders.append( dict( active = len(lon_range)/2, currentvalue = , pad = , steps = [ < 'method':'relayout', 'label':str(i), 'args':['geo.projection.rotation.lon', i]>for i in lon_range] ) ) sliders.append( dict( active = len(lat_range)/2, currentvalue = , pad = , steps = [ < 'method':'relayout', 'label':str(i), 'args':['geo.projection.rotation.lat', i]>for i in lat_range] ) ) projections = [ "equirectangular", "mercator", "orthographic", "natural earth","kavrayskiy7", "miller", "robinson", "eckert4", "azimuthal equal area","azimuthal equidistant", "conic equal area", "conic conformal", "conic equidistant", "gnomonic", "stereographic", "mollweide", "hammer", "transverse mercator", "albers usa", "winkel tripel" ] buttons = [ dict( args=['geo.projection.type', p], label=p, method='relayout' ) for p in projections ] annot = list([ dict( x=0.1, y=0.8, text='Projection', yanchor='bottom', xref='paper', xanchor='right', showarrow=False )]) # Update Layout Object layout[ 'updatemenus' ] = list([ dict( x=0.1, y=0.8, buttons=buttons, yanchor='top' )]) layout[ 'annotations' ] = annot layout[ 'sliders' ] = sliders fig = dict( data=contours, layout=layout ) py.iplot( fig) 

Не уверена, как этот пример сюда запихнуть, не размазав его по нескольким страницам.

Главное, почему стоит избегать работы с “ванильным” модулем plotly.py, — громоздкость данных. Процесс вбивания кода выходит очень длительным и часто приводит к ошибкам. К счастью, из данной ситуации есть два выхода.

Если нам все же не удалось свернуть с тропинки ploty.py, то придется порыться в конструкторе. Официальная документация выглядит красиво, но часто все равно приходится часами копаться на других сайтах в поисках подходящего способа пофиксить код. У Plotly есть свой форум с неплохими советами, но многие образцы кодов не обновлены и не работают в версии 3.0. Поэтому ищите сразу образцы, совместимые с последней версией, или придется переводить их вручную.

Следующие два продукта от Plotly, на которые мы обратим внимание, предлагают высокоуровневые обертки, упрощающие программный интерфейс plotly.py. Они помогут сэкономить время, если вы работаете с библиотекой Pandas. Давайте рассмотрим их поподробнее.

Express

Модуль Plotly Express был выпущен в марте 2019 года и находится в процессе активной разработки. Компания работает над созданием условий поддержки новых графиков и собирается выпустить Plotly 4.0 летом 2019 года.

Express позволяет уменьшить код, необходимый для создания датафреймов Pandas в 10 раз. Загружать свою таблицу нужно в виде “опрятных” данных, где каждый столбец соответствует одной переменной, а каждая строка — одному наблюдению.

Установите Express с помощью pip install plotly_express .

Чтобы использовать эту библиотеку в записной книжке Jupyter, введите следующий код в командную строку:

jupyter labextension install @jupyterlab/plotly-extension

Данный код позволит создать гистограмму из таблицы с традиционным Express импортом:

import plotly_express as px px.bar(my_df, x='my_x_column', y='my_y_column') 

Вуаля! Вы получили гистограмму по данным таблицы (вставьте свои значения там, где у меня в коде дано “my_”.

Вы можете настроить множество значений. Например, добавьте заголовок, изменив свое определение следующим образом:

px.bar(my_df, x='my_x_column', y='my_y_column', title='My Chart Title")

Если Вы хотите поработать с конкретным параметром, то стоит вернуться к исходному графику Plotly. Допустим, Вы хотите добавить текстовые значения к столбцам в гистограмме. Для этого Вам нужно сохранить оригинальную диаграмму и указать свойства данных. Вот как это сделать:

_my_fig = px.bar(my_df, x='my_x_column', y='my_y_column', title='My Chart Title') _my_fig.data[0].update( text=my_df['my_y_column'], textposition='inside', textfont=dict(size=10) ) _my_fig.iplot()

Внимание: я нашел документацию Express! Она не отобразилась у меня на первой странице поиска в гугле, поэтому я не сразу смог ее прикрепить. Теперь она есть. Всегда пожалуйста!
Express позволяет быстро создавать разного вида диаграммы, но доступны могут быть не те, что Вам требуются. Например, нормальную гистограмму с накоплением вы сейчас врядли сможете собрать. А если очень надо, то придется подниматься в гору по другой тропинке — в этот раз с Cufflinks.

Cufflinks

Cufflinks очень похож на Express тем, что является оберткой интерфейса Plotly, позволяющей упростить работу с Pandas. Cufflinks — сторонняя программа с открытым исходным кодом, которая существует уже более четырех лет.

Установите ее с помощью pip install cufflinks .

Импортируйте модуль и настройте файл для автономного использования.

import cufflinks as cf cf.set_config_file(offline=True)

С Cufflinks для создания многих видов диаграмм нужна лишь одна строчка кода. К примеру, сделать гистограмму с накоплением с этой библиотекой проще простого.

Пример гистограммы с накоплением, созданной с помощью Cufflinks.

А вот и сам код:

df = pd.DataFrame(np.random.rand(6, 3), columns=['A', 'B', 'C']) df.iplot(kind='bar', barmode='stack', title='Stacked Bar Chart with Random Data')

Обратите внимание, что для создания диаграмм с помощью Cufflinks Вам нужно использовать .iplot() .

Как и Express, Cufflinks возвращает исходные данные, чтобы Вы могли вносить мелкие поправки. Но в отличие от Cufflinks, Вам нужно уточнить переменную asFigure=True , чтобы вернуть информацию. После этого можно обновить график точно так же, как в Express. Вот как это будет выглядеть, если Вы захотите изменить название и диапазон осей.

my_fig = df.iplot(kind='bar', barmode='stack', title='Stacked Bar Chart with Random Data', asFigure=True) my_fig.layout.yaxis = dict(title='Members', range=[0, 600]) 

К сожалению, Cufflinks тоже имеет свои лимиты. Например, с помощью этой библиотеки нельзя создать график рассеяния с географическими координатами.

Сравнение трех вариантов

Далее Вы можете наблюдать сравнение кода со схожей структурой для графиков, созданных с помощью plotly.py, Express и Cufflinks.

plotly.py

Пример диаграммы рассеяния, выполненной с plotly.py

fig = < 'data': [ < 'x': df2007.gdpPercap, 'y': df2007.lifeExp, 'text': df2007.country, 'mode': 'markers', 'name': '2007'>, ], 'layout': < 'title': "Example Scatter Plot with Vanilla plotly.py" >> py.iplot(fig)

Express

Пример диаграммы рассеяния, выполненной с Plotly Express

px.scatter( df2007, x="gdpPercap", y="lifeExp", title='Example Scatter Plot with Plotly Express' )

Выглядит просто и лаконично! Форматирование по умолчанию немного отличается, а названия осей генерируются автоматически. Теперь предлагаю взглянуть на тот же график в Cufflinks.

Cufflinks

Пример диаграммы рассеяния, выполненной с Cufflinks

df2007.iplot( kind='scatter', mode='markers', x='gdpPercap', y='lifeExp', title='Example Scatter Plot with Cufflinks' )

Код похож на Express, но у графика немного другие значения по умолчанию. Определенно, с Express и Cufflinks Вам не придется часами выстукивать коды, что особенно важно при создании более сложных графиков.

Давайте посмотрим, как можно вернуть и обратиться к основной информации.

Обновление графиков Cufflinks и Express

Давайте перейдем к макету графика, созданного с Cufflinks, и добавим названия осей.

Пример диаграммы рассеяния, выполненной с Cufflinks — Доступ к исходному графику

fig = df2007.iplot( kind='scatter', mode='markers', x='gdpPercap', y='lifeExp', asFigure=True, title='Example Scatter Plot with Cufflinks - Access Underlying Figure' ) fig.layout.xaxis.title = "GDP per Capita" fig.layout.yaxis.title = "Life Expectancy" fig.iplot()

Вот как сделать то же самое с Express. Не забывайте, что в данной библиотеке не нужно уточнять asFigure=True .

Пример диаграммы рассеяния, выполненной с Plotly Express — Доступ к исходному графику

fig = px.scatter( df2007, x="gdpPercap", y="lifeExp", title='Example Scatter Plot with Plotly Express - Access Underlying Figure' ) fig.layout.xaxis.title = "GDP per Capita" fig.layout.yaxis.title = "Life Expectancy" fig.iplot()

Вы можете обратиться к исходным данным, чтобы добавить текстовые метки следующего вида:

fig.data[0].update( text=df2007['gdpPercap'], textposition=’inside’, textfont=dict(size=10) )

Что выбрать: Plotly.py, Express или Cufflinks

Выбирать всегда сложно. Один раз я думал, что работал над частью проекта в Express, а потом понял, что это был Cufflinks!

Мне очень нравится выражение из «Zen of Python»: «Должен существовать один и, желательно, только один очевидный способ сделать это.” Как только появляются варианты — появляются и необходимость долгого поиска информации, и усталость от необходимости выбирать, и ошибки.»

К сожалению, ни один высокоуровневый API на данный момент не дает возможность создавать графики любого типа. Однако лично я точно постараюсь максимально избегать использования «ванильного» plotly.py и предпочту Cufflinks или Express.

Советую лишний раз заглянуть в документацию Express и Cufflinks, прежде чем создавать диаграмму. Не забывайте, что Express использует «опрятные» датафреймы, в то время как Cufflinks в этом плане более гибкий. Пользуйтесь той библиотекой, которая отвечает Вашим потребностям и обладает предпочтительным для Вас форматом.

Форматирование по умолчанию у двух библиотек может сильно отличаться. Например, создав датафрейм со случайными данными для столбцов X, Y и Z и используем следующий код, в Cufflinks мы получим следующую диаграмму:

df.iplot(kind=’scatter’, mode=’markers’, x=’X’, y=’Y’, title=’Random Data’, categories=’Z’)

Диаграмма рассеяния по умолчанию с Cufflinks

А вот что мы получим с Express-кодом:

px.scatter(df, x=’X’, y=’Y’, color=’Z’, title=’Random Data’)

Другие пресеты с Express

Сохранение файлов

Закончив работы с диаграммой, Вы можете навести на нее мышку и щелкнуть по значку камеры, чтобы экспортировать ее в формате .png, или нажать “Экспортировать в plot.ly, чтобы сохранить интерактивное изображение на сервер Plotly. Помимо этого, Вы можете скачать файлы в интерактивном HTML-формате следующим образом:

py.offline.plot(my_fig, filename=’my_example_file.html’)

Если нужны другие форматы изображения, Вы можете воспользоваться пакетом orca и скачивать файлы в форматах .png, .jpg и .pdf. Данный пакет на данный момент недоступен на pypi.org, поэтому установить его с помощью pip не получится. Вы можете управлять пакетом с помощью conda или установить ОС-специфичную версию orca со страницы GitHub. После этого Вам не нужно будет импортировать библиотеку orca. Узнать больше о программе orca можно здесь.

Вот код для создания png-файла после установки orca:

import plotly as plotly plotly.io.write_image(fig, file='my_figure_file.png', format='png')

Как видите, вытянуть свои графики из Plotly можно несколькими разными способами.
Предлагаю кратко пробежаться по еще двум компонентам экосистемы Plotly, чтобы Вы поняли что есть что.

Dash

С Plotly Dash Вы можете создавать дашборды для своей команды или для других людей. Есть версия с открытым кодом доступа, у которой к 1 мая 2019 года насчитывалось практически 9000 звезд GitHub. Plotly также предлагает целый ряд дополнений. Может, в будущем я напишу статью и об этом. Подписывайтесь, чтобы не пропустить.

Chart Studio

Plotly Chart Studio позволяет легко создавать и редактировать графики в браузере. Plotly рекламирует данную программу как “самый умный редактор для создания D3.js- и WebGL-диаграмм. Не надо ничего кодировать вручную”. Есть бесплатная версия, но если хотите сохранить свои графики, то придется отдать 99$ за год использования.

А теперь, когда мы уже добрались до вершины Plotly, давайте быстро пробежимся по другим горам визуализации данных в диапазоне Python.

Бонус: другие варианты библиотек визуализации данных от Python

Я не собирался в этой статье рассказать обо всех на свете программах для визуализации данных, но все же хочу упомянуть несколько довольно важных программ, о которых специалисты по работе с данными должны знать. Так Вы сможете максимально полно познакомиться с территориями, с которыми, возможно, придется работать.

Хотите делать графики по старинке — обратитесь к “ванильной” библиотеке Matplotlib API.

Pandas Matplotlib позволяет создавать неплохие простенькие графики. Может создавать стандартные Matplotlib объекты.

Seaborn — отличная высокоуровневая обертка, основанная на Matplotlib, которая позволяет создавать различные графики визуализации статистических данных. К сожалению, из-за довольно старой базы Matplotlib, использовать ее не очень удобно.

Bokeh — конкурент Plotly. Программа с открытым исходным кодом, интерактивная, работает с Python.

Holoviews — высокоуровневая обертка, работающая с Matplotlib, Bokeh, а теперь и с Plotly. Знаю ребят, которые пользуются именно ей.

Специалистам, работающим с языком R, нравится использовать Shiny от RStudio. Оно позволяет пользователям R создавать интерактивные визуализации для веб-приложений.

Tableau и Microsoft PowerBI — две популярные опции с системой перетаскивания данных визуализации, которые работают с Python. Tableau — очень даже хорошая библиотека, но за нее придется заплатить, если не хотите, чтобы Ваша работа была в открытом доступе.

На мой взгляд, PowerBI обладает менее интуитивно понятным интерфейсом, но программа все равно очень мощная и популярная.

Большинство ПО для создания интерактивных графиков используют библиотеку D3.js. Она очень популярна.

Выводы и полезные ресурсы

Если Вы являетесь специалистом по работе с данными, советую обратить внимание на Plotly. Эта программа обладает современными инструментами для создания интерактивных диаграмм. С вершины этой горы кажется, что такую мощную махину, как Plotly, в ближайшее время точно не сможет обогнать.

Возможно, когда-нибудь появится универсальная библиотека, позволяющая создавать все, что захотите, используя высокоуровневые API-опции Plotly. А пока, если хотите сэкономить время и сделать крутые графики, предлагаю обращаться к Pandas с Cufflinks или Express.

• Will Koehrsen рассказывает как начать пользоваться Cufflinks.
• Jon Measeрассказывает что можно сделать с plotly.py v3.0 на JupyterLab

Образец цветов

color_list = ["#E69F00", "#56B4E9", "#009E73", "#F0E442", "#D55E00", "#0072B2", "#CC79A7"]

Узнайте подробности, как получить востребованную профессию с нуля или Level Up по навыкам и зарплате, пройдя платные онлайн-курсы SkillFactory:

• Курс по Machine Learning (12 недель)
• Обучение профессии Data Science с нуля (12 месяцев)
• Профессия аналитика с любым стартовым уровнем (9 месяцев)
• Курс «Python для веб-разработки» (9 месяцев)

Читать еще

• Крутые Data Scientist не тратят время на статистику
• Как стать Data Scientist без онлайн-курсов
• Шпаргалка по сортировке для Data Science
• Data Science для гуманитариев: что такое «data»
• Data Scienсe на стероидах: знакомство с Decision Intelligence