Summary  
This chapter covers using the pie() function to create pie charts with labeled segments and formatted percentage annotations via the autopct parameter.  

General domain of usage  
Data visualization  

**Ympyräkaavio** on kaavio, jossa ympyrä jaetaan lohkoihin (segmentteihin) kuvaamaan nimellisten tietojen numeerista osuutta (prosenttijakaumaa).


Määritelmä

Tämä kaavio esittää väestön prosenttijakauman alueittain.



Vaikka **ympyrädiagrammit** ovat siistejä, niitä tulisi pääosin välttää, koska ne vääristävät datan havainnointia. Kategoria, jossa on paljon esiintymiä, näyttää entistä suuremmalta, kun taas kategoria, jossa on vähän esiintymiä, näyttää entistä pienemmältä.

Huomio

## Ympyrädiagrammi nimikkeillä

Käytä `pie()`-moduulin `pyplot`-funktiota ympyrädiagrammin luomiseen. Sen ainoa **pakollinen** parametri on data (`x`).

`labels`-parametri määrittää nimikkeet jokaiselle segmentille ja sen tulee olla **merkkijonojen jono**.


import pandas as pd

url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/population.csv'
population_df = pd.read_csv(url)

print(population_df)

Tämä `DataFrame` sisältää kunkin alueen väestömäärän.

import matplotlib.pyplot as plt
import pandas as pd
population_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/population.csv')
# Creating a pie chart and setting the labels for each region 
plt.pie(population_df['Population'], labels=population_df['Region'])
plt.show()

`pie()`-funktiota kutsuttiin välittämällä väestötiedot sisältävä `Series` `x`-parametrina ja alueiden nimet sisältävä `Series` segmenttien nimilappuina `labels`-parametrin avulla.

## Prosenttiosuuksien lisääminen

Näyttääksesi **prosenttiosuuden** jokaiselle sektorille, käytä `autopct`-parametria `pie()`-funktiossa. Tämä määrittää, miten prosenttiosuudet muotoillaan ja näytetään kaavion sisällä.

Se hyväksyy joko muotoilumerkkijonon tai funktion. Tässä keskitytään käyttämään **muotoilumerkkijonoa**.


import matplotlib.pyplot as plt
import pandas as pd

population_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/population.csv')

# Setting the label for each region and its percentage
plt.pie(population_df['Population'], labels=population_df['Region'], autopct='%1.1f%%')

plt.show()

## Muotoilumerkkijono

Merkkijono `%1.1f%%` muotoilee piirakkakaaviossa näytettävät prosenttiosuudet.

* `%f` tarkoittaa, että arvo on liukuluku;
* `.1` määrittää yhden desimaalin;
* Kaksoisprosenttimerkki `%` varmistaa, että tulosteessa näkyy prosenttimerkki.




Jos haluat tutustua useampiin parametreihin, tässä on <a href="https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.pie.html" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> <code>pie()</code>-funktion dokumentaatio</a> käyttöösi.

Lisätietoa

import unittest
import ast
import inspect
import re  # Додали модуль для регулярних виразів
import user_code  # Replace with actual module if needed


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestPieChart(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        source = inspect.getsource(user_code)
        cls.tree = ast.parse(source)

        # Extract all function calls to pie
        cls.pie_calls = [
            node for node in ast.walk(cls.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'pie'
        ]

    def test_pie_function_used(self):
        _dynamic_test(
            self,
            len(self.pie_calls) > 0,
            "Correct function plt.pie() is used",
            "Missing call to plt.pie()"
        )

    def test_incomes_used_as_data(self):
        try:
            call = self.pie_calls[0]
            arg_name = call.args[0].id if isinstance(call.args[0], ast.Name) else None
            _dynamic_test(
                self,
                arg_name == 'incomes',
                "First argument to plt.pie() is 'incomes'",
                f"First argument to plt.pie() is not 'incomes' but '{arg_name}'"
            )
        except Exception:
            self.fail("Couldn't parse the first argument of plt.pie()")

    def test_labels_argument_is_names(self):
        try:
            call = self.pie_calls[0]
            labels_kw = next((kw for kw in call.keywords if kw.arg == 'labels'), None)
            label_value = labels_kw.value.id if isinstance(labels_kw.value, ast.Name) else None
            _dynamic_test(
                self,
                label_value == 'names',
                "labels argument is correctly set to 'names'",
                f"labels argument is not set to 'names' but '{label_value}'"
            )
        except Exception:
            self.fail("labels keyword argument is missing or malformed")

    def test_autopct_format(self):
        try:
            call = self.pie_calls[0]
            autopct_kw = next((kw for kw in call.keywords if kw.arg == 'autopct'), None)
            value = autopct_kw.value.s if isinstance(autopct_kw.value, ast.Str) else None
            
            # ВИКОРИСТОВУЄМО REGEX
            # ^ - початок, % - символ %, \d* - будь-які цифри (або без них), 
            # \.1f - крапка і 1f, %% - символ відсотка в кінці
            pattern = r'^%\d*\.1f%%$'
            
            is_valid = bool(re.match(pattern, value)) if value else False
            
            _dynamic_test(
                self,
                is_valid,
                "autopct format correctly specifies one decimal place (.1f)",
                f"autopct format '{value}' is incorrect. Expected format like '%.1f%%', '%1.1f%%', etc."
            )
        except Exception:
            self.fail("autopct keyword argument is missing or malformed")


if __name__ == '__main__':
    unittest.main()

test_pie.py

Data on kaikkialla ympärillämme, ja sen ymmärtäminen on erittäin tärkeää. Visualisointi auttaa käsittelemään dataa löytämällä siitä tiettyjä kuvioita ja oivalluksia. Kehität vankan perustan datan visualisoinnille Pythonilla ja sen kirjastoilla, kuten matplotlib ja seaborn, saadaksesi mahdollisimman paljon tietoa datasta selkeällä ja tiiviillä tavalla.

Tutustu Matplotlibin keskeisiin tietojen visualisoinnin perusteisiin. Käy läpi sen ydinkäsitteet, tarkastele sen etuja ja luo ensimmäinen yksinkertainen kuvaaja tämän keskeisen piirtoalustan avulla.

Hallitse tiedon visualisointi suosituimpien kuvaajatyypien avulla. Opi rakentamaan viiva-, piste- ja pylväsdiagrammeja havainnollistaaksesi datasta saadut oivallukset selkeästi.

Opi tekemään kaavioistasi informatiivisempia ja visuaalisesti houkuttelevampia. Lisää otsikoita, selitteitä, värejä ja ruudukoita sekä tutustu useiden alikuvioiden tehokkaaseen asetteluun.

Tutustu tilastollisiin visualisointeihin, jotka auttavat analysoimaan aineistojen jakaumia ja rakenteita. Laadi histogrammeja, laatikkokaavioita ja piirakkakaavioita syvällisempien tilastollisten havaintojen löytämiseksi.

Vie visualisointitaitosi seuraavalle tasolle Seabornin avulla. Luo edistyneitä kaavioita, kuten countplot-, KDE-, pair plot- ja heatmap-kaavioita, samalla kun hallitset Seabornin tyylikkäät ulkoasut ja mukautusmahdollisuudet.

Piirakkakaavio

Ympyrädiagrammi nimikkeillä

Prosenttiosuuksien lisääminen

Muotoilumerkkijono

Ratkaisu