Définir la visualisation des données

Name: Définir la visualisation des données
Author: Bill Hood

Collectez, organisez et tracez votre premier ensemble de données

Preview the first lesson free — get full access to all 3 lessons.

Cours : à la demande

C'est la première intrigue. Comme nous l'avons expliqué dans l'introduction, nous allons suivez un processus en trois étapes. La première étape consiste à se préparer. Dans ce cas, nous allons introduire deux Importations Python, NumPy, qui signifie Python numérique, et matplotlib, qui est, comme son nom l'indique, un traceur. Nous allons également simplement coder les données en dur. Et bien souvent, la saisie manuelle des données est la meilleure solution. réponse, la réponse la plus rapide, et certainement une bonne approche. Nous allons donc présenter cela dans cette leçon. Dans l'esprit d'organiser ces données, nous allons d'abord simplement organiser les données elles-mêmes et nous assurer que nous comprendre quelles données nous voulons mettre sur quel axe. Nous allons les étiqueter et vous présenter comment procéder. Nous allons attribuer des titres et choisir des styles. Notre premier tracé sera un simple tracé unidimensionnel XY. Commençons. Ceci est mon environnement Jupyter Notebook. Jupyter Notebook est une machine virtuelle qui crée un environnement de programmation virtuel. Importez numpy en tant que np. Comme np est traditionnel, la plupart des gens le feront et ensuite nous permet de faire référence à cette bibliothèque comme nous le faisons correctement ici où nous disons np.random. C'est là que nous utilisons numpy pour générer un nombre aléatoire. La deuxième importation est matplotlib. pyplot, Et c'est un nom très long, donc nous le raccourcissons en PLT. Aussi un très basique importer. En fait, ces deux importations là, on n'en parlera jamais encore une fois, et nous les utiliserons presque à chaque fois. Alors maintenant que vous savez ce que c'est, mettez-les dans votre sac d'astuces et n'hésitez pas à les utiliser à l'avenir. Cela importe en fait une fonction de style pour nous du bibliothèque matplotlib. Nous devons donc d'abord l'importer et ensuite nous pourrons obtenir le style bibliothèque. Et en fait, nous allons simplement l'utiliser en premier. Et nous allons continuer et imprimer les styles qui sont disponible. Donc si vous le remarquez ici, le traceur est ce que nous indiquons. Voilà donc matplotlib et la bibliothèque de styles. Et maintenant, ce que nous voulons voir, c'est ce qui est disponible. Donc, si nous cliquons sur Exécuter, ce petit segment de code s'exécutera. Et vous verrez que ce sont les noms des styles qui sont disponibles. Et si nous choisissons, nous obtenons Seaborne Dark Grid, si nous choisissons BMH, tout ce que nous avons à faire est de récupérer cela, de le copier et de le modifier ici. Réexécutez ceci, et nous obtiendrons un graphique différent. Alors allons-y et sélectionnons VMH. Et maintenant passons à notre deuxième bloc de code. Et c'est le problème avec un notebook Jupyter qui est vraiment pratique pour enseigner le codage. Parce que nous, c'est vraiment la première étape, récupérons ces importations alignés. C'est la première partie dont je parlais. Maintenant que nous l'avons fait, nous devons nous organiser et faire en sorte que bien sûr, nous savons comment nous allons obtenir ces données et ce que nous allons faire. Maintenant, dans ce cas, ce que nous allons faire, c'est le générer. Et si vous regardez ici, nous avons une variable appelée nombre aléatoire, et nous allons créer un NumPy fonction qui attribue 100 nombres aléatoires à des nombres aléatoires. Vous connaissez également assez bien Python. Vous savez, cela signifie que c'est une liste. Et alors pourquoi ne pas imprimer ça ici et jetez simplement un œil aux chiffres que nous obtenons. Nous allons donc recommencer. Et voici nos 100 numéros. Et vous pouvez voir qu’ils sont entre parenthèses. Et cela signifie qu'il s'agit d'une liste Python. Voici donc nos chiffres. Maintenant, si nous réexécutons cela, nous obtiendrons un ensemble différent de nombres parce qu’ils sont vraiment aléatoires. Assez proche. Fermez comme un ordinateur peut le faire. Très bien, maintenant nous avons nos données. Et nous avons terminé la deuxième étape, et tout ce que nous devons faire maintenant c'est tracer ça. Maintenant, la chose à laquelle il faut penser dans cet exemple particulier, cependant, c'est que vous n'avez qu'une seule variable. Il n'y a pas deux variables. Il n'y a qu'une seule variable, le nombre aléatoire. Donc nous avons besoin de deux dimensions pour tracer quoi que ce soit. Donc dans ce scénario, vous utiliseriez toujours soit le temps, soit la séquence. Nous allons choisir la séquence. Nous pourrions utiliser le temps. Comment pourrions-nous choisir le temps ? Eh bien, ce numéro a été généré à un moment tout à fait unique. Pareil avec ce numéro, pareil avec ce numéro. Ou nous utiliserons simplement la séquence, comme dans ceci, c'était le premier numéro, le deuxième nombre, le troisième nombre, le quatrième nombre. Nous allons donc tracer ceci en premier, ce deuxième, ce troisième et ainsi de suite. Nous allons donc simplement dire tracer un nombre aléatoire. C'est vraiment tout ce que nous devons faire. Et puis ce traceur par défaut, nous mettrons ça dedans ordre séquentiel. Donc dans ce cas, très simple, montrez le traceur, tracez mon numéro aléatoire s'il vous plaît. Et c’est exactement ce que font ces codes ou vous préparent à cela. Ce que cela dit aussi, c'est que sur ce traceur, créez mon étiquette x gamme. Si nous voulions l'appeler plage x, nous taperions simplement cela dedans, et c'est ce qui va être affiché. Idem pour l'étiquette y, que nous avons appelée nombre aléatoire. Et idem pour le titre, que nous avons nommé ma première intrigue. Désormais, tout cela s’applique réellement à toutes les intrigues futures. Nous n'allons donc pas trop parler de faire des labels dans l'avenir parce que nous l'avons vraiment exposé ici même. La commande finale est plot show, et c'est ce qui exécutera le code pour exécuter show plot. Allons-y et exécutons cela maintenant. Voilà notre intrigue. C'est évidemment un chiffre étrange et ondulé, mais c'est parce que ce sont ces nombres aléatoires. Et si vous regardez notre liste ici, vous verrez 0,18. Eh bien oui, cela ressemble à 0,18. Et puis le deuxième chiffre me semble 0,7 quelque chose. Oups, et voilà, 0,78. Nous réexécutons cette opération, comme nous l'avons démontré plus tôt. Alors régénérons nos données, puis nous régénérons notre tracé, et ce sera différent. Cela a l'air différent.

Intermédiaire Fournisseur : Bill Hood 3 leçons · 22m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

Dans ces leçons, nous présentons notre environnement virtuel, Python 3.x, notre premier tracé, notre premier tracé 2D, et nous explorerons la plateforme de Jupyter notebook. Nous présenterons également notre formule de visualisation des données, qui comprend la collecte, l'organisation, puis le traçage des résultats. Vous apprendrez à contrôler les lignes, les motifs, les couleurs, les annotations et la transparence.

Nous nous concentrerons sur les bases et étendrons vos connaissances générales de Python et de la programmation, y compris comment importer et utiliser un nouvel ensemble de bibliothèques axées sur la visualisation des données, et le processus en trois étapes d'obtention, d'organisation et de traçage des données, ou le modèle de visualisation de données "collecter-organiser-présenter".

Ce que vous allez apprendre

Importer et utiliser des bibliothèques de visualisation de données, y compris matplotlib.pyplot
Construire votre premier tracé (plot) et un tracé linéaire en 2D (2D line plot) dans la plateforme Jupyter notebook
Collecter des données et les organiser pour un tracé XY, y compris les données provenant d'un fichier CSV
Appliquer le modèle collecter-organiser-présenter pour tracer les résultats
Contrôler les lignes, les motifs, les couleurs, les annotations et la transparence dans les tracés
Configurer et travailler dans l'environnement virtuel Python 3.x

Points clés à retenir

Le cours présente un environnement virtuel, Python 3.x, un premier tracé, un premier tracé 2D et la plateforme de notebooks Jupyter.
La visualisation des données est présentée à travers une formule en trois étapes consistant à collecter, organiser, puis tracer les résultats, décrite comme le modèle collecter-organiser-présenter.
Les apprenants importent et utilisent un nouvel ensemble de bibliothèques axées sur la visualisation de données, notamment matplotlib.pyplot.
Le cours couvre le contrôle des lignes, des motifs, des couleurs, des annotations et de la transparence dans les graphiques.
Il se concentre sur les bases tout en étendant les connaissances générales en Python et en programmation.

Foire aux questions

Que vais-je apprendre dans ce cours ?

Vous apprendrez à importer et à utiliser des bibliothèques de visualisation de données, notamment matplotlib.pyplot, à collecter et organiser des données pour un tracé XY, à collecter des données à partir d'un fichier CSV, et à créer des tracés à l'aide du modèle collecter-organiser-présenter. Le cours couvre également le contrôle des lignes, des motifs, des couleurs, des annotations et de la transparence.

Quels outils et quelle plateforme ce cours utilise-t-il ?

Le cours utilise un environnement virtuel, Python 3.x, et la plateforme de notebooks Jupyter.

Quels sujets les leçons couvrent-elles ?

Les leçons portent sur le Premier Tracé, le Tracé de Ligne 2D et la Construction d'une Base.

Quelles compétences ce cours permet-il de développer ?

Il développe des compétences en matière de Données d'Application, de Gestion des Fichiers et de Bibliothèques Partagées, tout en élargissant vos connaissances générales en Python et en programmation.

Comment la visualisation de données est-elle abordée dans ce cours ?

La visualisation des données est abordée à travers un processus en trois étapes consistant à obtenir, organiser et tracer des données, appelé modèle collecter-organiser-présenter.