Lære Arbejde med Linje- og Søjlediagrammer

Linje- og søjlediagrammer er to af de mest almindelige og effektive måder at visualisere data på. Linjediagrammer bruges typisk til at vise tendenser over tid, hvilket gør dem ideelle til tidsseriedata såsom aktiekurser, temperaturændringer eller webtrafik. Hvert punkt på et linjediagram repræsenterer en dataværdi på et bestemt tidspunkt, og punkterne forbindes med linjer for at vise, hvordan værdierne ændrer sig. Søjlediagrammer bruges derimod til at sammenligne mængder på tværs af forskellige kategorier. De er særligt nyttige, når du vil fremhæve forskelle eller ligheder mellem grupper, såsom salgstal for forskellige produkter eller befolkningstal for forskellige lande. Den væsentligste forskel mellem disse diagramtyper er, at linjediagrammer fremhæver datas kontinuitet, mens søjlediagrammer fokuserer på diskrete sammenligninger.


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a simple time series dataset
data = {
    "Date": ["2024-06-01", "2024-06-02", "2024-06-03", "2024-06-04", "2024-06-05"],
    "Visitors": [120, 135, 150, 170, 160]
}
df = pd.DataFrame(data)

# Create a line chart
fig = px.line(df, x="Date", y="Visitors", title="Website Visitors Over Time",
              markers=True, line_shape="linear")
fig.update_traces(line=dict(dash="dash", color="blue"), marker=dict(size=10, symbol="circle"))

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

I linjediagramkoden ovenfor defineres en pandas DataFrame, der indeholder datoer og antallet af besøgende på hjemmesiden for hver dato. Funktionen px.line bruges til at plotte dataene, hvor argumentet x angiver den horisontale akse (datoer), og argumentet y angiver den vertikale akse (besøgstal). Ved at tilføje markers=True vises en markør ved hvert datapunkt, hvilket gør det lettere at se de enkelte værdier. line_shape="linear" sikrer, at linjen forbinder hvert punkt direkte. Udseendet kan yderligere tilpasses med update_traces, såsom at sætte linjetypen til stiplet og ændre markørens størrelse og form. Denne fleksibilitet gør det nemt at fremhæve tendenser og specifikke datapunkter i din visualisering.


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a sample DataFrame for grouped bar chart
data = {
    "Product": ["A", "A", "B", "B", "C", "C"],
    "Region": ["North", "South", "North", "South", "North", "South"],
    "Sales": [100, 120, 90, 110, 80, 105]
}
df = pd.DataFrame(data)

# Create a grouped bar chart
fig = px.bar(df, x="Product", y="Sales", color="Region", barmode="group",
             title="Sales by Product and Region")

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Ved valg mellem linje- og søjlediagram skal du overveje datatypen og det budskab, du ønsker at formidle. Linjediagrammer egner sig bedst til at vise ændringer og tendenser over et kontinuerligt interval, såsom tid, hvor relationen mellem punkterne er væsentlig. Anvend dem, når du vil fremhæve datastrømme eller udvikling. Søjlediagrammer er mere velegnede til at sammenligne mængder på tværs af adskilte kategorier, især når forskelle mellem grupper skal tydeliggøres. I eksemplerne ovenfor illustrerer linjediagrammet effektivt, hvordan antallet af besøgende på et website ændrer sig over flere dage, mens det grupperede søjlediagram gør det let at sammenligne salg af forskellige produkter på tværs af to regioner. Valg af den rette diagramtype sikrer, at dine data formidles klart og præcist.

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 4

Spørg AI

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

Stryg for at vise menuen


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a simple time series dataset
data = {
    "Date": ["2024-06-01", "2024-06-02", "2024-06-03", "2024-06-04", "2024-06-05"],
    "Visitors": [120, 135, 150, 170, 160]
}
df = pd.DataFrame(data)

# Create a line chart
fig = px.line(df, x="Date", y="Visitors", title="Website Visitors Over Time",
              markers=True, line_shape="linear")
fig.update_traces(line=dict(dash="dash", color="blue"), marker=dict(size=10, symbol="circle"))

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))


              123456789101112131415161718
            
import pandas as pd
import plotly.express as px
from IPython.display import display, HTML

# Create a sample DataFrame for grouped bar chart
data = {
    "Product": ["A", "A", "B", "B", "C", "C"],
    "Region": ["North", "South", "North", "South", "North", "South"],
    "Sales": [100, 120, 90, 110, 80, 105]
}
df = pd.DataFrame(data)

# Create a grouped bar chart
fig = px.bar(df, x="Product", y="Sales", color="Region", barmode="group",
             title="Sales by Product and Region")

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Var alt klart?

Tak for dine kommentarer!

Sektion 1. Kapitel 4