5 визуализаций, который помогут улучшить Data Story

Сторителлинг – один из важнейших навыков для специалистов, которые занимаются анализом данных. Чтобы доносить идеи и делать это убедительно, нужно простраивать эффективную коммуникацию. В этой статье мы познакомимся с 5 методами визуализации, которые выходят за рамки классического понимания, и могут сделать вашу Data Story более эстетичной и красивой. Работать мы будем с графической библиотекой Plotly на Python (она также доступна на R), которая позволяет создавать анимированные и интерактивные диаграммы с минимальными усилиями.

Что хорошего в Plotly

Графики Plotly можно легко интегрировать в различные среды: они хорошо работают в jupyter notebooks, их можно встроить в веб-сайт, а еще они полностью интегрируемы с Dash — отличным инструментом для создания панелей мониторинга и аналитических приложений.

Начнем

Если у вас еще не установлена plotly, сделать это можно с помощью следующей команды:

pip install plotly

Отлично, теперь можно продолжать!

1. Анимации

Наша работа часто связана с временными данными, например, когда мы рассматриваем эволюцию той или иной метрики. Анимация в plotly – это классный инструмент, который помогает отразить, как данные изменяются со временем, с помощью всего одной строчки кода.

import plotly.express as px from vega_datasets import data df = data.disasters() df = df[df.Year > 1990] fig = px.bar(df,              y="Entity",              x="Deaths",              animation_frame="Year",              orientation='h',              range_x=[0, df.Deaths.max()],              color="Entity") # improve aesthetics (size, grids etc.) fig.update_layout(width=1000,                   height=800,                   xaxis_showgrid=False,                   yaxis_showgrid=False,                   paper_bgcolor='rgba(0,0,0,0)',                   plot_bgcolor='rgba(0,0,0,0)',                   title_text='Evolution of Natural Disasters',                   showlegend=False) fig.update_xaxes(title_text='Number of Deaths') fig.update_yaxes(title_text='') fig.show()

Почти любой график можно анимировать, если у вас есть переменная, которая поможет вам провести фильтрацию по времени. Пример анимации диаграммы рассеяния:

import plotly.express as px df = px.data.gapminder() fig = px.scatter(     df,     x="gdpPercap",     y="lifeExp",     animation_frame="year",     size="pop",     color="continent",     hover_name="country",     log_x=True,     size_max=55,     range_x=[100, 100000],     range_y=[25, 90],      #   color_continuous_scale=px.colors.sequential.Emrld ) fig.update_layout(width=1000,                   height=800,                   xaxis_showgrid=False,                   yaxis_showgrid=False,                   paper_bgcolor='rgba(0,0,0,0)',                   plot_bgcolor='rgba(0,0,0,0)')

2. Диаграммы Sunburst

Диаграммы Sunburst – это отличный способ визуализации операции group by. Если вы хотите разбить имеющийся объем данных на одну или несколько категориальных переменных, воспользуйтесь sunburst-диаграммой.
Допустим, нам нужно получить распределение чаевых по полу и времени суток. Значит, мы можем воспользоваться оператором group by дважды и с легкостью визуализировать полученные данные, чтобы не лицезреть обычный табличный вывод.

Диаграмма получается интерактивной, вы можете кликать на категории и рассматривать каждую категорию по отдельности. Все, что вам нужно сделать, это определиться с этими категориями, продумать иерархию между ними (аргумент parents в коде) и присвоить соответствующие значения, которые в нашем случае окажутся выходными данными операторов group by.

import plotly.graph_objects as go import plotly.express as px import numpy as np import pandas as pd df = px.data.tips() fig = go.Figure(go.Sunburst(     labels=["Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch '],     parents=["", "", "Female", "Female", 'Male', 'Male'],     values=np.append(         df.groupby('sex').tip.mean().values,         df.groupby(['sex', 'time']).tip.mean().values),     marker=dict(colors=px.colors.sequential.Emrld)),                 layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',                                  plot_bgcolor='rgba(0,0,0,0)'))  fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),                   title_text='Tipping Habbits Per Gender, Time and Day') fig.show()

Теперь давайте добавим еще один уровень иерархии:

Для этого мы добавим результат выполнения еще одного group by, из которого мы получим еще три категории.

import plotly.graph_objects as go import plotly.express as px import pandas as pd import numpy as np df = px.data.tips() fig = go.Figure(go.Sunburst(labels=[     "Female", "Male", "Dinner", "Lunch", 'Dinner ', 'Lunch ', 'Fri', 'Sat',     'Sun', 'Thu', 'Fri ', 'Thu ', 'Fri  ', 'Sat  ', 'Sun  ', 'Fri   ', 'Thu   ' ],                             parents=[                                 "", "", "Female", "Female", 'Male', 'Male',                                 'Dinner', 'Dinner', 'Dinner', 'Dinner',                                 'Lunch', 'Lunch', 'Dinner ', 'Dinner ',                                 'Dinner ', 'Lunch ', 'Lunch '                             ],                             values=np.append(                                 np.append(                                     df.groupby('sex').tip.mean().values,                                     df.groupby(['sex',                                                 'time']).tip.mean().values,                                 ),                                 df.groupby(['sex', 'time',                                             'day']).tip.mean().values),                             marker=dict(colors=px.colors.sequential.Emrld)),                 layout=go.Layout(paper_bgcolor='rgba(0,0,0,0)',                                  plot_bgcolor='rgba(0,0,0,0)')) fig.update_layout(margin=dict(t=0, l=0, r=0, b=0),                   title_text='Tipping Habbits Per Gender, Time and Day')  fig.show()

3. Параллельные категории

Еще один хороший способ визуализировать отношения между категориями – эта диаграмма параллельных категорий. Вы можете перетаскивать, выделять и получать значения на ходу, что отлично подходит для презентаций.

import plotly.express as px from vega_datasets import data import pandas as pd df = data.movies() df = df.dropna() df['Genre_id'] = df.Major_Genre.factorize()[0] fig = px.parallel_categories(     df,     dimensions=['MPAA_Rating', 'Creative_Type', 'Major_Genre'],     color="Genre_id",     color_continuous_scale=px.colors.sequential.Emrld, ) fig.show()

4. Параллельные координаты

Диаграмма с параллельными координатами – это развернутая версия приведенного выше графика. Здесь каждая часть графика отражает одно наблюдение. Это хороший инструмент выявления выбросов (одиночных потоков, изолированных от остальных данных), кластеров, трендов и избыточных данных (например, если у двух переменных одинаковые значения для всех наблюдений, они будут лежать на горизонтальной линии, что укажет на наличие избыточности).

import plotly.express as px from vega_datasets import data import pandas as pd df = data.movies() df = df.dropna() df['Genre_id'] = df.Major_Genre.factorize()[0] fig = px.parallel_coordinates(     df,     dimensions=[         'IMDB_Rating', 'IMDB_Votes', 'Production_Budget', 'Running_Time_min',         'US_Gross', 'Worldwide_Gross', 'US_DVD_Sales'     ],     color='IMDB_Rating',     color_continuous_scale=px.colors.sequential.Emrld) fig.show()

5. Диаграммы-датчики и индикаторы

Диаграммы-датчики нужны для эстетики. Они являются хорошим способом сообщить о показателях успеха или показателях эффективности и связать их с вашей целью.

Индикаторы будут весьма полезны в контексте бизнеса и консалтинга. Они дополняют визуальные эффекты текстом, который привлекает внимание аудитории и транслирует аудитории показатели роста.

import plotly.graph_objects as go fig = go.Figure(go.Indicator(     domain = {'x': [0, 1], 'y': [0, 1]},     value = 4.3,     mode = "gauge+number+delta",     title = {'text': "Success Metric"},     delta = {'reference': 3.9},     gauge = {'bar': {'color': "lightgreen"},         'axis': {'range': [None, 5]},              'steps' : [                  {'range': [0, 2.5], 'color': "lightgray"},                  {'range': [2.5, 4], 'color': "gray"}],           })) fig.show()

import plotly.graph_objects as go fig = go.Figure(go.Indicator(     title = {'text': "Success Metric"},      mode = "number+delta",     value = 300,     delta = {'reference': 160})) fig.show()   fig = go.Figure(go.Indicator(      title = {'text': "Success Metric"},     mode = "delta",     value = 40,  delta = {'reference': 160})) fig.show() 

Вот и все!

Надеюсь, вы нашли для себя что-то полезное. Оставайтесь дома, будьте в безопасности, работайте продуктивно.

Узнать подробнее о курсе.