Visualisation de données - Introduction à la programmation Python

15.5 Visualisation de données

Objectifs d'apprentissage

À la fin de cette section, vous devriez être en mesure de :

Expliquer pourquoi la visualisation joue un rôle important en science des données.
Choisir la visualisation appropriée pour une tâche donnée.
Utiliser les bibliothèques de visualisation de Python pour créer des visualisations de données.

Pourquoi la visualisation ?

La visualisation de données joue un rôle crucial en science des données pour comprendre les données. Elle peut être utilisée à toutes les étapes du cycle de vie de la science des données pour faciliter l'exploration des données, repérer les anomalies, comprendre les relations et les tendances, et produire des rapports. Plusieurs types de visualisation sont couramment utilisés :

Type de visualisation	Description	Avantages/utilisations courantes
Diagramme en barres	Barres rectangulaires	Comparer des valeurs entre différentes catégories.
Graphique linéaire	Une série de points de données reliés par des segments de ligne	Visualiser des tendances et des évolutions.
Nuage de points	Points de données individuels représentant la relation entre deux variables	Identifier des corrélations, des regroupements et des valeurs aberrantes.
Histogramme	Barres rectangulaires représentant la distribution d'une variable continue en divisant l'intervalle de la variable en classes et en représentant la fréquence ou l'effectif des données dans chaque classe	Résumer la distribution des données.
Boîte à moustaches	Boîte rectangulaire dotée de moustaches résumant la distribution d'une variable continue, notamment la médiane, les quartiles et les valeurs aberrantes	Résumer la distribution des données et comparer différentes variables.

Tableau 15.7 Types de visualisation courants.

Faites le point

Types de visualisation

Accéder au contenu multimédia

Concepts en pratique

Comparaison des méthodes de visualisation

Lequel des types de graphiques suivants est le mieux adapté pour comparer la distribution d'une variable continue ?

nuage de points
histogramme
graphique linéaire

Lequel des types de graphiques suivants est le mieux adapté pour visualiser les valeurs aberrantes et les quartiles d'une variable continue ?

histogramme
diagramme en barres
boîte à moustaches

Lequel des types de graphiques suivants est efficace pour afficher des tendances et des évolutions au fil du temps ?

graphique linéaire
diagramme en barres
histogramme

Outils de visualisation de données

Il existe de nombreuses bibliothèques Python de visualisation de données qui offrent diverses capacités et fonctionnalités pour créer différents types de graphiques. Parmi les environnements les plus couramment utilisés figurent Matplotlib, Plotly et Seaborn. Voici un résumé de quelques fonctionnalités utiles de Matplotlib.

Type de graphique Méthode

Diagramme en barres

Type de graphique	Méthode
Diagramme en barres	La fonction `plt.bar(x, height)` prend deux entrées, `x` et `height`, et trace des barres pour chaque valeur de `x` avec la hauteur donnée dans la variable `height`.
Exemple	Sortie
import matplotlib.pyplot as plt # Data categories = ["Course A", "Course B", "Course C"] values = [25, 40, 30] # Create the bar chart fig = plt.bar(categories, values) # Customize the chart plt.title("Number of students in each course') plt.xlabel("Courses") plt.ylabel("Number of students") # Display the chart plt.show()

La fonction plt.bar(x, height) prend deux entrées, x et height, et trace des barres pour chaque valeur de x avec la hauteur donnée dans la variable height.

Exemple Sortie

import matplotlib.pyplot as plt

# Data
categories = ["Course A", "Course B", "Course C"]
values = [25, 40, 30]

# Create the bar chart
fig = plt.bar(categories, values)

# Customize the chart
plt.title("Number of students in each course')
plt.xlabel("Courses")
plt.ylabel("Number of students")

# Display the chart
plt.show()

Tableau 15.8 Fonctionnalités de Matplotlib. Diagramme en barres.

Type de graphique Méthode

Graphique linéaire

Type de graphique	Méthode
Graphique linéaire	La fonction `plt.plot(x, y)` prend deux entrées, `x` et `y`, et trace des lignes reliant les paires de valeurs `(x, y)`.
Exemple	Sortie
import matplotlib.pyplot as plt # Data month = ["Jan", "Feb", "Mar", "Apr", "May"] inflation = [6.41, 6.04, 4.99, 4.93, 4.05] # Create the line chart plt.plot(month, inflation, marker="o", linestyle="-", color="blue") # Customize the chart plt.title("Inflation trend in 2023") plt.xlabel("Month") plt.ylabel("Inflation") # Display the chart plt.show()

La fonction plt.plot(x, y) prend deux entrées, x et y, et trace des lignes reliant les paires de valeurs (x, y).

Exemple Sortie

import matplotlib.pyplot as plt

# Data
month = ["Jan", "Feb", "Mar", "Apr", "May"]
inflation = [6.41, 6.04, 4.99, 4.93, 4.05]

# Create the line chart
plt.plot(month, inflation, marker="o", 
linestyle="-", color="blue")

# Customize the chart
plt.title("Inflation trend in 2023")
plt.xlabel("Month")
plt.ylabel("Inflation")

# Display the chart
plt.show()

Tableau 15.9 Fonctionnalités de Matplotlib. Graphique linéaire.

Type de graphique Méthode

Nuage de points

Type de graphique	Méthode
Nuage de points	La fonction `plt.scatter(x, y)` prend deux entrées, `x` et `y`, et trace des points représentant les paires `(x, y)`.
Exemple	Sortie
import matplotlib.pyplot as plt # Data x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] y = [10, 8, 6, 4, 2, 5, 7, 9, 3, 1] # Create the scatter plot plt.scatter(x, y, marker="o", color="blue") # Customize the chart plt.title("Scatter Plot Example") plt.xlabel("X") plt.ylabel("Y") # Display the chart plt.show()

La fonction plt.scatter(x, y) prend deux entrées, x et y, et trace des points représentant les paires (x, y).

Exemple Sortie

import matplotlib.pyplot as plt

# Data
x = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
y = [10, 8, 6, 4, 2, 5, 7, 9, 3, 1]

# Create the scatter plot
plt.scatter(x, y, marker="o", color="blue")

# Customize the chart
plt.title("Scatter Plot Example")
plt.xlabel("X")
plt.ylabel("Y")

# Display the chart
plt.show()

Tableau 15.10 Fonctionnalités de Matplotlib. Nuage de points.

Type de graphique Méthode

Histogramme

Type de graphique	Méthode
Histogramme	La fonction `plt.hist(x)` prend une entrée, `x`, et trace un histogramme des valeurs de `x` pour montrer la distribution ou la tendance.
Exemple	Sortie
import matplotlib.pyplot as plt import numpy as np # Data: random 1000 samples data = np.random.randn(1000) # Create the histogram plt.hist(data, bins=30, edgecolor="black") # Customize the chart plt.title("Histogram of random values") plt.xlabel("Values") plt.ylabel("Frequency") # Display the chart plt.show()

La fonction plt.hist(x) prend une entrée, x, et trace un histogramme des valeurs de x pour montrer la distribution ou la tendance.

Exemple Sortie

import matplotlib.pyplot as plt
import numpy as np

# Data: random 1000 samples
data = np.random.randn(1000)

# Create the histogram
plt.hist(data, bins=30, edgecolor="black")

# Customize the chart
plt.title("Histogram of random values")
plt.xlabel("Values")
plt.ylabel("Frequency")

# Display the chart
plt.show()

Tableau 15.11 Fonctionnalités de Matplotlib. Histogramme.

Type de graphique Méthode

Boîte à moustaches

Type de graphique	Méthode
Boîte à moustaches	La fonction `plt.boxplot(x)` prend une entrée, `x`, et représente le minimum, le maximum, les premier, deuxième et troisième quartiles, ainsi que les valeurs aberrantes de `x`.
Exemple	Sortie
import matplotlib.pyplot as plt import numpy as np # Data: random 100 samples data = [np.random.normal(0, 5, 100)] # Create the box plot plt.boxplot(data) # Customize the chart plt.title("Box Plot of random values") plt.xlabel("Data Distribution") plt.ylabel("Values") # Display the chart plt.show()

La fonction plt.boxplot(x) prend une entrée, x, et représente le minimum, le maximum, les premier, deuxième et troisième quartiles, ainsi que les valeurs aberrantes de x.

Exemple Sortie

import matplotlib.pyplot as plt
import numpy as np

# Data: random 100 samples
data = [np.random.normal(0, 5, 100)]

# Create the box plot
plt.boxplot(data)

# Customize the chart
plt.title("Box Plot of random values")
plt.xlabel("Data Distribution")
plt.ylabel("Values")

# Display the chart
plt.show()

Une boîte à moustaches intitulée « Box Plot of Random Values » illustre la distribution des données. La médiane est proche de -1, la boîte couvre les valeurs de -4 à 2, les moustaches s'étendent de -12 à 7, et deux valeurs aberrantes sont visibles au-dessus de 10.

Tableau 15.12 Fonctionnalités de Matplotlib. Boîte à moustaches.

Concepts en pratique

Méthodes de Matplotlib

Étant donné le code suivant, lequel des appels de fonction est approprié pour montrer une association entre x et y ?

import matplotlib.pyplot as plt

# Data
x = [1, 2, 3, 4, 5]
y = [10, 15, 12, 18, 20]

plt.boxplot(x)
plt.hist(y)
plt.scatter(x, y)

Qu'est-ce qui est tracé à l'aide du code ci-dessous ?

import matplotlib.pyplot as plt

# Data
categories = ['A', 'B', 'C', 'D']
values = [10, 15, 12, 18]
plt.bar(categories, values)

un histogramme
un diagramme en barres
un graphique linéaire

Quelle bibliothèque en Python est la plus couramment utilisée pour créer des visualisations interactives ?

Matplotlib
Plotly
Pandas

Pour aller plus loin

Veuillez consulter les guides d'utilisation suivants pour plus d'informations sur les bibliothèques Matplotlib, Plotly et Seaborn.

Exercices de programmation avec Google Colaboratory

Utilisez le document Google Colaboratory ci-dessous pour vous exercer à une tâche de visualisation sur un jeu de données donné.

Document Google Colaboratory