Lära Arbete med Linje- och Stapeldiagram

Linjediagram och stapeldiagram är två av de vanligaste och mest effektiva sätten att visualisera data. Linjediagram används vanligtvis för att visa trender över tid, vilket gör dem idealiska för tidsseriedata såsom aktiekurser, temperaturförändringar eller webbplatstrafik. Varje punkt i ett linjediagram representerar ett datavärde vid en specifik tidpunkt, och punkterna är sammankopplade med linjer för att visa hur värdena förändras. Stapeldiagram används däremot för att jämföra kvantiteter mellan olika kategorier. De är särskilt användbara när du vill belysa skillnader eller likheter mellan grupper, såsom försäljningssiffror för olika produkter eller befolkningar i olika länder. Den största skillnaden mellan dessa diagramtyper är att linjediagram betonar kontinuiteten i data, medan stapeldiagram fokuserar på diskreta jämförelser.


              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 för linjediagrammet ovan definieras en pandas DataFrame som innehåller datum och antal webbplatsbesökare för varje datum. Funktionen px.line används för att plotta datan, där argumentet x anger den horisontella axeln (datum) och argumentet y anger den vertikala axeln (besöksantal). Genom att lägga till markers=True visas en markör vid varje datapunkt, vilket gör det enklare att se enskilda värden. line_shape="linear" säkerställer att linjen kopplar samman varje punkt direkt. Du kan ytterligare anpassa utseendet med update_traces, till exempel genom att ställa in linjestilen till streckad och ändra markörens storlek och form. Denna flexibilitet gör det enkelt att lyfta fram trender och specifika datapunkter i din visualisering.


              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))

Vid val mellan linjediagram och stapeldiagram bör datans natur och det budskap som ska förmedlas beaktas. Linjediagram lämpar sig bäst för att visa förändringar och trender över ett kontinuerligt intervall, såsom tid, där relationen mellan punkterna är viktig. Använd dessa när du vill betona dataflöde eller utveckling. Stapeldiagram är mer lämpliga för att jämföra kvantiteter mellan distinkta kategorier, särskilt när skillnader mellan grupper ska framhävas. I exemplen ovan visar linjediagrammet effektivt hur webbplatsbesökare förändras över flera dagar, medan det grupperade stapeldiagrammet gör det enkelt att jämföra försäljning av olika produkter mellan två regioner. Ett korrekt val av diagramtyp säkerställer att data kommuniceras tydligt och korrekt.

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 4

Fråga AI

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

Svep för att visa menyn


              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))

Var allt tydligt?

Tack för dina kommentarer!

Avsnitt 1. Kapitel 4