Apprendre Personnalisation des graphiques : Dispositions, couleurs et styles

Personnaliser vos graphiques est essentiel pour rendre vos visualisations de données claires, attrayantes et faciles à interpréter. Avec Plotly Express, il est possible d’ajuster de nombreux aspects de vos graphiques, notamment les couleurs, la taille des marqueurs, les titres, les étiquettes d’axes et la disposition générale. La personnalisation permet non seulement à votre public de se concentrer sur les éléments importants de vos données, mais garantit également que vos graphiques sont accessibles et visuellement agréables. Avec Plotly Express, il est possible d’associer des colonnes de données à des propriétés visuelles telles que la couleur et la taille, d’affiner la disposition des graphiques et d’appliquer des styles adaptés à vos besoins de présentation.


              1234567891011121314151617181920212223
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
df = pd.DataFrame({
    "City": ["New York", "Los Angeles", "Chicago", "Houston", "Phoenix"],
    "Population": [8398748, 3990456, 2705994, 2325502, 1660272],
    "Area": [783.8, 1213.9, 589.6, 1651.1, 1340.6]
})

# Scatter plot with customized marker colors and sizes
fig = px.scatter(
    df,
    x="Area",
    y="Population",
    color="City",             # Marker color based on city
    size="Population",        # Marker size based on population
    size_max=60               # Maximum marker size
)

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

Dans cet exemple de nuage de points, le paramètre color permet d’attribuer une couleur différente à chaque ville, ce qui facilite la distinction des points de données par catégorie. Le paramètre size associe la colonne "Population" à la taille des marqueurs, de sorte que les villes ayant une population plus importante apparaissent avec des marqueurs plus grands. L’argument size_max définit la taille maximale d’affichage des marqueurs, garantissant qu’aucun marqueur ne domine le graphique. En associant des colonnes de données à des propriétés visuelles, il est possible d’encoder davantage d’informations dans le graphique, ce qui aide les spectateurs à identifier rapidement les tendances et les valeurs aberrantes.


              1234567891011
            
# Modifying the chart layout for clarity and emphasis
fig.update_layout(
    title="City Population vs Area",
    xaxis_title="Area (sq km)",
    yaxis_title="Population",
    width=700,
    height=500
)

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

Lors de la personnalisation de vos graphiques, privilégier toujours la clarté et l’accessibilité. Utiliser des titres et des étiquettes d’axes descriptifs afin que les lecteurs comprennent immédiatement ce que représente le graphique. Choisir des palettes de couleurs adaptées aux personnes daltoniennes et veiller à ce que la taille des marqueurs n’occulte pas les points de données importants. Ajuster la taille de la figure pour garantir la lisibilité du graphique dans différents contextes, tels que des présentations ou des rapports. En appliquant soigneusement ces personnalisations, comme illustré dans les exemples ci-dessus, vos visualisations deviennent plus informatives et plus faciles à interpréter pour tous.

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 3

Demandez à l'IA

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

Glissez pour afficher le menu


              1234567891011121314151617181920212223
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
df = pd.DataFrame({
    "City": ["New York", "Los Angeles", "Chicago", "Houston", "Phoenix"],
    "Population": [8398748, 3990456, 2705994, 2325502, 1660272],
    "Area": [783.8, 1213.9, 589.6, 1651.1, 1340.6]
})

# Scatter plot with customized marker colors and sizes
fig = px.scatter(
    df,
    x="Area",
    y="Population",
    color="City",             # Marker color based on city
    size="Population",        # Marker size based on population
    size_max=60               # Maximum marker size
)

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


              1234567891011
            
# Modifying the chart layout for clarity and emphasis
fig.update_layout(
    title="City Population vs Area",
    xaxis_title="Area (sq km)",
    yaxis_title="Population",
    width=700,
    height=500
)

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

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 3