Вивчайте Робота з лінійними та стовпчиковими діаграмами

Лінійні та стовпчикові діаграми — це два з найпоширеніших і найефективніших способів візуалізації даних. Лінійні діаграми зазвичай використовуються для відображення тенденцій у часі, що робить їх ідеальними для часових рядів, таких як ціни акцій, зміни температури або відвідуваність вебсайту. Кожна точка на лінійній діаграмі представляє значення даних у певний момент часу, а точки з'єднані лініями, щоб показати, як змінюються значення. Стовпчикові діаграми, навпаки, використовуються для порівняння кількостей між різними категоріями. Вони особливо корисні, коли потрібно підкреслити відмінності або схожості між групами, наприклад, показники продажів різних продуктів або чисельність населення різних країн. Основна відмінність між цими типами діаграм полягає в тому, що лінійні діаграми підкреслюють безперервність даних, а стовпчикові — акцентують на дискретних порівняннях.


              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))

У наведеному вище коді для лінійної діаграми визначається DataFrame бібліотеки pandas, який містить дати та кількість відвідувачів вебсайту для кожної дати. Функція px.line використовується для побудови діаграми, де аргумент x визначає горизонтальну вісь (дати), а аргумент y — вертикальну вісь (кількість відвідувачів). Додавання markers=True відображає маркер у кожній точці даних, що полегшує перегляд окремих значень. Параметр line_shape="linear" забезпечує пряме з'єднання кожної точки. Додаткове налаштування вигляду можливе за допомогою update_traces, наприклад, встановлення стилю лінії як пунктирної та зміна розміру й форми маркерів. Така гнучкість дозволяє легко підкреслювати тенденції та окремі точки даних у вашій візуалізації.


              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))

Під час вибору між лінійною та стовпчиковою діаграмою враховуйте характер ваших даних і ту історію, яку ви хочете донести. Лінійні діаграми найкраще підходять для відображення змін і тенденцій упродовж безперервного інтервалу, наприклад, часу, коли важливі взаємозв'язки між точками. Використовуйте їх, коли потрібно підкреслити динаміку або розвиток даних. Стовпчикові діаграми більш доречні для порівняння кількісних показників між окремими категоріями, особливо якщо потрібно виділити різницю між групами. У наведених вище прикладах лінійна діаграма ефективно демонструє, як змінюється кількість відвідувачів сайту протягом декількох днів, а згрупована стовпчикова діаграма дозволяє легко порівняти продажі різних продуктів у двох регіонах. Вибір правильного типу діаграми забезпечує чітке й точне донесення інформації.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 4

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Свайпніть щоб показати меню


              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))

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 4