Lernen Arbeiten mit Linien- und Balkendiagrammen

Linien- und Balkendiagramme gehören zu den gebräuchlichsten und effektivsten Methoden zur Visualisierung von Daten. Liniendiagramme werden typischerweise verwendet, um Trends über einen Zeitraum hinweg darzustellen, was sie ideal für Zeitreihendaten wie Aktienkurse, Temperaturverläufe oder Website-Traffic macht. Jeder Punkt in einem Liniendiagramm repräsentiert einen Datenwert zu einem bestimmten Zeitpunkt, und die Punkte werden durch Linien verbunden, um die Veränderungen der Werte zu zeigen. Balkendiagramme hingegen dienen dem Vergleich von Mengen über verschiedene Kategorien hinweg. Sie sind besonders nützlich, wenn Unterschiede oder Gemeinsamkeiten zwischen Gruppen hervorgehoben werden sollen, beispielsweise Verkaufszahlen verschiedener Produkte oder Bevölkerungszahlen verschiedener Länder. Der Hauptunterschied zwischen diesen Diagrammtypen besteht darin, dass Liniendiagramme die Kontinuität der Daten betonen, während Balkendiagramme den Fokus auf diskrete Vergleiche legen.


              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))

Im obigen Liniendiagramm-Code wird ein pandas DataFrame definiert, das Datumsangaben und die Anzahl der Website-Besucher für jedes Datum enthält. Die Funktion px.line wird verwendet, um die Daten zu visualisieren, wobei das Argument x die horizontale Achse (Datumsangaben) und das Argument y die vertikale Achse (Besucherzahlen) festlegt. Durch Hinzufügen von markers=True wird an jedem Datenpunkt ein Marker angezeigt, was die einzelnen Werte besser sichtbar macht. Mit line_shape="linear" wird sichergestellt, dass die Linie jeden Punkt direkt verbindet. Das Erscheinungsbild kann mit update_traces weiter angepasst werden, zum Beispiel durch das Setzen des Linienstils auf gestrichelt sowie das Ändern der Markergröße und -form. Diese Flexibilität erleichtert es, Trends und bestimmte Datenpunkte in der Visualisierung hervorzuheben.


              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))

Bei der Entscheidung, ob ein Liniendiagramm oder ein Balkendiagramm verwendet werden soll, ist die Art der Daten und die beabsichtigte Aussage zu berücksichtigen. Liniendiagramme eignen sich am besten zur Darstellung von Veränderungen und Trends über ein kontinuierliches Intervall, wie beispielsweise Zeit, wobei die Beziehung zwischen den Punkten von Bedeutung ist. Sie werden verwendet, wenn der Verlauf oder die Entwicklung von Daten hervorgehoben werden soll. Balkendiagramme sind geeigneter, wenn Mengen über verschiedene, klar abgegrenzte Kategorien verglichen werden sollen, insbesondere wenn Unterschiede zwischen Gruppen betont werden sollen. In den obigen Beispielen zeigt das Liniendiagramm effektiv, wie sich die Besucherzahlen einer Website über mehrere Tage verändern, während das gruppierte Balkendiagramm den Vergleich der Verkaufszahlen verschiedener Produkte in zwei Regionen erleichtert. Die Wahl des richtigen Diagrammtyps gewährleistet eine klare und präzise Datenkommunikation.

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 4

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Swipe um das Menü anzuzeigen


              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))

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 4