Lære Arbeide med Linje- og Stolpediagrammer

Linje- og stolpediagrammer er to av de mest vanlige og effektive metodene for å visualisere data. Linjediagrammer brukes vanligvis til å vise trender over tid, noe som gjør dem ideelle for tidsseriedata som aksjekurser, temperaturendringer eller nettsidetrafikk. Hvert punkt i et linjediagram representerer en dataverdi på et bestemt tidspunkt, og punktene er koblet sammen med linjer for å vise hvordan verdiene endres. Stolpediagrammer brukes derimot til å sammenligne mengder på tvers av ulike kategorier. De er spesielt nyttige når du vil fremheve forskjeller eller likheter mellom grupper, for eksempel salgsdata for ulike produkter eller befolkningstall i forskjellige land. Hovedforskjellen mellom disse diagramtypene er at linjediagrammer fremhever kontinuiteten i dataene, mens stolpediagrammer fokuserer på diskrete sammenligninger.


              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))

I koden for linjediagrammet ovenfor definerer du en pandas DataFrame som inneholder datoer og antall besøkende på nettsiden for hver dato. Funksjonen px.line brukes til å plotte dataene, der argumentet x angir den horisontale aksen (datoer) og argumentet y angir den vertikale aksen (antall besøkende). Ved å legge til markers=True vises det en markør på hvert datapunkt, noe som gjør det enklere å se individuelle verdier. line_shape="linear" sørger for at linjen kobler hvert punkt direkte. Du kan tilpasse utseendet ytterligere med update_traces, for eksempel ved å sette linjestilen til stiplet og endre størrelse og form på markørene. Denne fleksibiliteten gjør det enkelt å fremheve trender og spesifikke datapunkter i visualiseringen.


              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))

Når du skal velge mellom linjediagram og stolpediagram, bør du vurdere datatypen og budskapet du ønsker å formidle. Linjediagrammer egner seg best til å vise endringer og trender over et kontinuerlig intervall, som tid, der forholdet mellom punktene er viktig. Bruk disse når du vil fremheve utviklingen eller progresjonen i dataene. Stolpediagrammer passer bedre når du skal sammenligne mengder på tvers av ulike kategorier, spesielt når du vil tydeliggjøre forskjeller mellom grupper. I eksemplene ovenfor viser linjediagrammet effektivt hvordan antall besøkende på nettsiden endrer seg over flere dager, mens det grupperte stolpediagrammet gjør det enkelt å sammenligne salg av ulike produkter i to regioner. Riktig valg av diagramtype sikrer at dataene dine formidles tydelig og presist.

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 4

Spør AI

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

Sveip for å vise menyen


              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))

Alt var klart?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 4