Apprendre Visualisation Avancée avec Matplotlib et Seaborn

Glissez pour afficher le menu

Lors de l'analyse de données spatiales, une visualisation efficace est essentielle pour révéler des motifs et communiquer des informations. Les bibliothèques Python matplotlib et seaborn offrent des outils puissants pour améliorer vos graphiques spatiaux, permettant de personnaliser les couleurs, d'ajouter des légendes informatives, de définir des titres descriptifs et de superposer plusieurs couches de données. La maîtrise de ces techniques permet de créer des cartes et des visualisations claires et percutantes, mettant en valeur les relations spatiales importantes.

La personnalisation des graphiques spatiaux commence souvent par le contrôle de l'apparence des données. Il est possible de spécifier des couleurs pour représenter différentes catégories ou valeurs, d'ajuster la transparence pour révéler les éléments superposés et d'utiliser des légendes pour expliquer les codages visuels. L'ajout de titres et de labels d'axes facilite l'interprétation rapide des graphiques. La superposition de plusieurs couches—par exemple, des routes au-dessus de limites administratives—apporte un contexte supplémentaire à l'analyse spatiale.


              12345678910111213141516171819202122232425262728293031323334
            
import geopandas as gpd
import matplotlib.pyplot as plt


url = "https://naciscdn.org/naturalearth/110m/cultural/ne_110m_admin_0_countries.zip"
world = gpd.read_file(url)

# Create a plot with customizations
fig, ax = plt.subplots(figsize=(12, 8))

# Plot countries, coloring by continent 
world.plot(column='CONTINENT', 
           cmap='Set2', 
           edgecolor='black', 
           linewidth=0.5, 
           legend=True, 
           ax=ax, 
           alpha=0.8)

# Overlay country boundaries with a thicker line for emphasis
world.boundary.plot(ax=ax, color='gray', linewidth=1.5)

# Add a title and axis labels
ax.set_title('World Countries by Continent', fontsize=18)
ax.set_xlabel('Longitude')
ax.set_ylabel('Latitude')

# Customize legend position so it doesn't overlap the map
leg = ax.get_legend()
if leg:
    leg.set_bbox_to_anchor((1.15, 0.5))

plt.tight_layout()
plt.show()

Remarque

Le nom de la colonne dans le jeu de données officiel est CONTINENT

Au-delà des visualisations cartographiques, il peut être utile d’explorer la distribution des attributs spatiaux — tels que la superficie, la population ou la densité — à l’aide de graphiques statistiques. Seaborn est particulièrement adapté à cet usage, permettant de créer des histogrammes, nuages de points et bien d’autres, avec des styles par défaut attrayants et une personnalisation aisée. En combinant seaborn avec des données spatiales, il devient facile d’identifier rapidement des tendances et des valeurs aberrantes dans vos jeux de données, favorisant ainsi une analyse spatiale approfondie.


              1234567891011121314151617181920212223242526272829303132
            
import geopandas as gpd
import seaborn as sns
import matplotlib.pyplot as plt

# Load sample data directly from the official URL
url = "https://naciscdn.org/naturalearth/110m/cultural/ne_110m_admin_0_countries.zip"
world = gpd.read_file(url)

# The official dataset doesn't have a pre-made 'area' column, so we calculate it.
# Note: This calculates area in decimal degrees based on the WGS84 projection.
world['area'] = world.geometry.area

# Plot a histogram of country areas
plt.figure(figsize=(10, 6))
# 'area' is our new custom column, kde=True adds the density curve
sns.histplot(world['area'], bins=30, color='skyblue', kde=True)
plt.title('Distribution of Country Areas')
plt.xlabel('Area (sq. degrees)')
plt.ylabel('Number of Countries')
plt.tight_layout()
plt.show()

# Plot a scatter plot of population vs. area
plt.figure(figsize=(10, 6))
# Adjusted column names to match the official dataset: 'POP_EST' and 'CONTINENT'
sns.scatterplot(x='area', y='POP_EST', data=world, hue='CONTINENT', palette='Set2')
plt.title('Country Population vs. Area by Continent')
plt.xlabel('Area (sq. degrees)')
plt.ylabel('Estimated Population')
plt.legend(title='Continent', bbox_to_anchor=(1.05, 1), loc='upper left')
plt.tight_layout()
plt.show()

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 4

Demandez à l'IA

Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion

Section 2. Chapitre 4