¿Te gusta la vista previa?
Esta es la primera lección gratuita. Obtén acceso completo: solicita una demo o inicia sesión.
Python para la visualización de datos
Aprenda diferentes herramientas de Python para visualizar datosPreview the first lesson free — get full access to all 20 lessons.
Intermedio Proveedor : Brian Higgins 8 capítulos · 20 lecciones · 1h 33m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese
Descripción del curso
El curso se centrará en el uso de la biblioteca Matplotlib de Python para visualizar datos. La codificación de Python se realizará utilizando cuadernos de Python (archivos .ipynb) en la herramienta JupyterLab, donde aprenderá a dibujar gráficos de líneas, histogramas, mapas de calor y diagramas de caja con Matplotlib. Le enseñaremos a usar la biblioteca HVPlot para agregar widgets interactivos a los gráficos para obtener información más profunda de los datos visualizados.
También usará la biblioteca Numpy de Python para guardar valores en matrices y generar datos de números aleatorios para ejemplos de visualización. Verá cómo se puede usar la biblioteca Pandas para almacenar datos en un DataFrame, manejar datos de series temporales, realizar cálculos matemáticos y trazar los datos calculados. Luego aprenderá cómo la biblioteca Seaborn puede agregar características a un mapa de calor, mientras que la biblioteca Scipy genera una línea KDE para trazar encima de un histograma. Finalmente, le mostraremos cómo dar estilo a las visualizaciones agregando colores, etiquetas y cuadrículas.
Lo que aprenderás
- Cree gráficos de líneas, histogramas, mapas de calor y gráficos de caja utilizando la biblioteca Python Matplotlib
- Importe, genere y manipule datos con NumPy y Pandas para visualización
- Construya gráficos interactivos y widgets usando la biblioteca HVPlot
- Diseñe visualizaciones agregando colores, etiquetas y cuadrículas
- Utilice la biblioteca Seaborn para mejorar mapas de calor y la biblioteca SciPy para generar una línea KDE encima de un histograma
- Grafique series de tiempo y datos temporales calculados almacenados en un DataFrame de Pandas
Puntos clave
- El curso utiliza la biblioteca Python Matplotlib para visualizar datos a través de gráficos de líneas, histogramas, mapas de calor y gráficos de caja.
- La codificación de Python se realiza en cuadernos de Python (archivos .ipynb) utilizando la herramienta JupyterLab.
- La biblioteca HVPlot se utiliza para agregar widgets interactivos a gráficos para obtener información más profunda sobre los datos.
- La biblioteca NumPy almacena valores en matrices y genera datos de números aleatorios, mientras que la biblioteca Pandas almacena datos en un DataFrame, maneja datos de series de tiempo y realiza cálculos.
- La biblioteca Seaborn agrega características a un mapa de calor y la biblioteca SciPy genera una línea KDE para graficar encima de un histograma.
Preguntas frecuentes
¿Qué bibliotecas de Python cubre este curso?
El curso cubre Matplotlib para visualizar datos, HVPlot para widgets interactivos, NumPy para matrices y datos de números aleatorios, Pandas para almacenar datos en un DataFrame y manejar series de tiempo, Seaborn para agregar características a mapas de calor, y SciPy para generar una línea KDE encima de un histograma.
¿Qué herramientas usaré para escribir el código?
La codificación de Python se realiza usando cuadernos de Python (archivos .ipynb) en la herramienta JupyterLab.
¿Qué tipos de visualizaciones aprenderé a crear?
Aprenderá a dibujar gráficos de líneas, histogramas, mapas de calor y gráficos de caja, incluyendo gráficos de líneas interactivos y mapas de calor interactivos utilizando HVPlot.
¿Cómo maneja el curso las visualizaciones interactivas?
Muestra cómo usar la biblioteca HVPlot para agregar widgets interactivos a gráficos, incluyendo widgets de barra de herramientas y un widget de filtro, para obtener información más profunda en los datos que se visualizan.
¿Cubre el curso el trabajo con datos basados en tiempo?
Sí. Cubre gráficos de datos temporales con un gráfico de líneas, gráficos de datos temporales calculados, y crear un gráfico de caja para describir datos temporales, con Pandas utilizada para manejar datos de series de tiempo.
