Summary  
This chapter covers customizing plot appearance by specifying color parameters for uniform or individual elements and adjusting the alpha parameter to control transparency and emphasize particular data series.

General domain of usage  
Data visualization

## Värit

Pylväskaavioiden yhteydessä yksittäisten pylväiden **värejä** muokattiin. Kaikkien kuvaajien värin muuttamiseen käytetään `color`-avainsana-argumenttia.


import matplotlib.pyplot as plt
import numpy as np

data_linear = np.arange(0, 11)
data_squared = data_linear ** 2
data_log = np.exp(data_linear)

# Setting the color of the first line plot
plt.plot(data_linear, label='linear function', color='red')

# Setting the color of the second line plot
plt.plot(data_squared, '-o', label='quadratic function', color='blue')

plt.xticks(data_linear)
plt.xlabel('x', loc='right')
plt.ylabel('y', loc='top', rotation=0)
plt.legend()
plt.show()

Tässä tapauksessa ensimmäisen viivakuvaajan väriksi asetettiin `red` ja toisen väriksi `blue`. Toisin kuin hajonta- tai pylväskaavioissa, jotka koostuvat useista elementeistä, viivakuvaaja muodostaa yhden elementin, joten sille voidaan määrittää vain **yksi** väri. Vertailun vuoksi tarkastellaan seuraavaa **pylväskaavio**-esimerkkiä aiemmasta osiosta:


import matplotlib.pyplot as plt

programming_languages = ['Python', 'Java', 'C#', 'C++']
shares = [40, 30, 17, 13]

# Setting a separate color for each bar
plt.bar(programming_languages, shares, color=['b', 'green', 'red', 'yellow'])
plt.title('Percentage of users of programming languages')
plt.show()

## Läpinäkyvyys
Toinen ulkoasun parametri on `alpha` (kuvion läpinäkyvyys). Oletusarvo on `1` (läpinäkymätön), joka on suurin mahdollinen arvo. Mahdolliset arvot ovat välillä `0`–`1`, missä `0` tekee kuviosta täysin läpinäkyvän.

import matplotlib.pyplot as plt
import numpy as np

data_linear = np.arange(0, 11)
data_squared = data_linear ** 2

# Changing the transparency of the first line plot
plt.plot(data_linear, label='linear function', color='red', alpha=0.5)
plt.plot(data_squared, '-o', label='quadratic function', color='blue')

plt.xticks(data_linear)
plt.xlabel('x', loc='right')
plt.ylabel('y', loc='top', rotation=0)
plt.legend()
plt.show()

Käyttämällä `alpha=0.5` teimme lineaarisen funktion kuvaajasta läpinäkyvämmän, jotta voisimme kiinnittää enemmän huomiota toisen asteen funktion kuvaajaan. **Läpinäkyvyyden** muokkaamista käytetään pääasiassa juuri tähän tarkoitukseen.

import unittest
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors
import user_code  # Ensure user_code.py is in the same directory or accessible via PYTHONPATH

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 TestBarColorsAndTransparency(unittest.TestCase):
    def test_primary_sector_color(self):
        bars = plt.gca().patches[:3]
        expected_color = mcolors.to_rgba('darkslateblue')[:3]
        _dynamic_test(
            self,
            all(bar.get_facecolor()[:3] == expected_color for bar in bars),
            "Primary sector bars are correctly colored darkslateblue",
            "Primary sector bars are not colored darkslateblue"
        )

    def test_secondary_sector_color(self):
        bars = plt.gca().patches[3:6]
        expected_color = mcolors.to_rgba('steelblue')[:3]
        _dynamic_test(
            self,
            all(bar.get_facecolor()[:3] == expected_color for bar in bars),
            "Secondary sector bars are correctly colored steelblue",
            "Secondary sector bars are not colored steelblue"
        )

    def test_secondary_sector_alpha(self):
        bars = plt.gca().patches[3:6]
        _dynamic_test(
            self,
            all(round(bar.get_facecolor()[3], 2) == 0.7 for bar in bars),
            "Secondary sector bars have correct transparency alpha=0.7",
            "Secondary sector bars do not have correct transparency alpha=0.7"
        )


    def test_tertiary_sector_color(self):
        bars = plt.gca().patches[6:]
        expected_color = mcolors.to_rgba('goldenrod')[:3]
        _dynamic_test(
            self,
            all(bar.get_facecolor()[:3] == expected_color for bar in bars),
            "Tertiary sector bars are correctly colored goldenrod",
            "Tertiary sector bars are not colored goldenrod"
        )

if __name__ == "__main__":
    unittest.main(argv=[''], exit=False)


test_color_transparency.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.

Värit ja Läpinäkyvyys

Värit

Läpinäkyvyys

Ratkaisu