Cómo hacer hermosas visualizaciones de datos en Python

Hola 🙂

Estoy de acuerdo con Barry McConnell en que la utilidad es la clave. Dicho esto, la estética es parte integrante de la utilidad en mi opinión. Eso no significa que sus visualizaciones tengan que ser en 3D o verse como una pintura spot de Damien Hirst. Significa que la visualización debe ser tan fácil de interpretar como sea posible y no ocultar los datos y el mensaje que contiene.

Si una trama no está bien diseñada, obstaculiza el propósito de visualizar datos. Su audiencia (esto incluye no solo al usuario final de su análisis, sino también a usted, el analista / científico de datos) tendrá más dificultades para descifrar lo que hay en los datos y la historia que está tratando de contar. En el peor de los casos, la visualización de datos incorrectos puede inducir a error a su audiencia (es decir, ¡usted!). Debe realizar algunas elecciones de diseño básicas que puede usar en cada visualización que cree. Los libros de Edward Tufte son un excelente recurso al respecto, pero prefiero los escritos de Di Cook, Hadley Wickham y Winston Chang.

Puede hacer visualizaciones hermosas y funcionales con muchos paquetes en Python. Matplotlib, Seaborn, ggplot y Plotly son buenas opciones. Usamos Matplotlib en DataScience y, aunque es realmente potente y flexible, puede ser un poco desalentador como principiante. Escribí un breve tutorial [1] que está diseñado para poner al lector en funcionamiento con Matplotlib lo más rápido posible que pueda serle útil.

Notas al pie

[1] Creación de visualizaciones de datos en Matplotlib

¿Es esto lo que quieres decir con hermosa visualización de datos?

Si es así, sin duda debería visitar Matplotlib. Es la mejor biblioteca de Python para hacer cosas como esta en mi opinión. Y realmente, incluso si eso no era lo que querías decir con “visualización de datos hermosa”, deberías ver Matplotlib. Es demasiado elegante para dejarlo pasar.

Página principal: trazado de Python – documentación de Matplotlib 1.5.1

Página de instalación: Instalación – documentación de Matplotlib 1.5.1

querido

En Python, las visualizaciones son fáciles de producir. Gracias a bibliotecas como matplotlib y seaborn. No solo en 2D, sino que también son capaces de hacer visualizaciones en 3D.

Las visualizaciones como Histograma, Nube de palabras, Mapa de calor, Gráfico de barras, Gráfico de dispersión, Gráfico de líneas son fáciles de hacer.
Estos son los códigos de trucos de Python para la visualización de datos: 9 formas populares de realizar la visualización de datos en Python

Aquí hay otros recursos útiles para aprender más sobre la visualización de datos en Python:
trazado de Python – documentación de Matplotlib 1.4.3
Seaborn: visualización de datos estadísticos

Para dar sentido a los datos de manera que las ideas y los patrones se revelen instantáneamente no es tarea fácil. La visualización de datos es nada menos que arte y juega un papel importante en el análisis de datos. Presentado en forma gráfica o en imágenes, agrega efectividad y propósito a los datos. Las imágenes ciertamente tienen sus méritos. La audiencia general comprende y se comunica mejor cuando se expone a imágenes, en comparación con el contenido simple. Una combinación de diseño, codificación, desarrollo web y una base de datos sólida, la visualización de datos es una mezcla de varias disciplinas.

Python es un lenguaje ideal para implementar la visualización de datos, equipado con sus propias bibliotecas de visualización como Matplotlib y Seaborn. Sin embargo, hay otras herramientas de visualización que funcionan de maravilla con Python. Resumimos cómo la efectividad de Python como herramienta de visualización de datos puede mejorar muchas veces con la inclusión de D3.js, R y MapReduce.

Lea más sobre la visualización de datos y cómo se puede usar con gran efecto, en este enlace: Lea más en este enlace: Mejor visualización de datos con Python, D3.js, MapReduce y R

Seaborn es una gran biblioteca de Python para hacer visualizaciones estadísticas. Está diseñado para proporcionar gráficos de caramelos y, al mismo tiempo, facilita la vida de los desarrolladores.

Nosotros, de Tryolabs, se nos ocurrió una guía para Seaborn. Explica de qué se trata, incluye algunos de sus beneficios y le muestra algunos argumentos interesantes que puede hacer con él. Encuéntralo aquí si estás interesado:

Pandas y Seaborn: una guía para manejar y visualizar datos en Python

Envíenos un mensaje si tiene alguna pregunta o idea al respecto.

Para la visualización de datos en python, puede usar herramientas como Bokeh.

Use Matplotlib, Plotly o Bokeh y mucha imaginación y creatividad. Siga el identificador de Twitter [at] randal_olson

La mejor pregunta es cómo hacer visualizaciones de datos ÚTILES. Comience leyendo a Stephen Few y Ed Tufte.