पंडों के विश्लेषण में डेटा विज़ुअलाइज़ेशन का परिचय

अच्छे दिन, प्रिय पाठकों।
जैसा कि पिछले एक लेख में वादा किया गया था, आज मैं पायथन में पांडा मॉड्यूल और डेटा विश्लेषण के बारे में कहानी जारी रखूंगा। इस लेख में मैं विश्लेषण परिणामों के डेटा के त्वरित दृश्य के विषय पर स्पर्श करना चाहूंगा। माटप्लोटलिब डेटा विज़ुअलाइज़ेशन लाइब्रेरी और स्पाइडर डेवलपमेंट एनवायरनमेंट इसमें हमारी मदद करेंगे।

विकास का वातावरण

इसलिए, जैसा कि हमने पिछली बार देखा था, पंडों के पास डेटा विश्लेषण के पर्याप्त अवसर हैं, लेकिन आईपीथॉन इंटरएक्टिव शेल आपको इसे पूरी तरह से प्रकट करने की अनुमति देता है। आप इसके बारे में हैबे पर पढ़ सकते हैं । इसके मुख्य लाभ के रूप में, मैं matplotlib लाइब्रेरी के साथ इसके एकीकरण को नोट करना चाहूंगा, जो गणना के दौरान डेटा को देखने के लिए सुविधाजनक है। इसलिए, जब एक आईडीई चुनते हैं, तो मुझे इसके लिए आईपीथॉन का समर्थन मिला। नतीजतन, मेरी पसंद स्पाइडर थी ।
स्पाइडर (वैज्ञानिक पाइथन डेवलपमेंट एनवायरमेंट) MATLAB के समान एक विकास वातावरण है। इस पर्यावरण के मुख्य लाभ हैं:

• अनुकूलन इंटरफ़ेस
• Matplotlib, NumPy, SciPy के साथ एकीकरण
• कई IPython कंसोल का उपयोग करने के लिए समर्थन
• कोड लिखते समय कार्यों के लिए डायनामिक मदद (मुद्रित अंतिम फ़ंक्शन के लिए मदद दिखाता है)
• HTML / xml में कंसोल को बचाने की क्षमता

पर्यावरण का विस्तृत अवलोकन यहां लिखा गया है ।
पंडों का उपयोग करके डेटा का प्रारंभिक विश्लेषण और उन्हें वांछित रूप में लाना
इसलिए, काम के लिए पर्यावरण के संक्षिप्त अवलोकन के बाद, सीधे डेटा विज़ुअलाइज़ेशन पर जाएं। एक उदाहरण के रूप में, मैंने रूसी संघ में जनसंख्या पर डेटा लिया।
आरंभ करने के लिए, डाउनलोड किए गए xls फ़ाइल को read_excel () फ़ंक्शन का उपयोग करके लोड करें

import pandas as pd data = pd.read_excel('data.xls',u'1', header=4, parse_cols="A:B",skip_footer=2, index_col=0) c = data.rename(columns={u'':'PeopleQty'}) 

हमारे मामले में, फ़ंक्शन के 6 पैरामीटर हैं:

1. खोलने के लिए फ़ाइल का नाम
2. डेटा युक्त शीट का नाम
3. फ़ील्ड नाम वाले लाइन नंबर (हमारे मामले में, यह लाइन 4 है, क्योंकि पहले 3 लाइनों में संदर्भ जानकारी शामिल है)
4. स्तंभों की सूची जो डेटा सेट में गिरेगी (हमारे मामले में, पूरी तालिका से हमें केवल 2 कॉलम की आवश्यकता है: वर्ष और इसके अनुरूप जनसंख्या की संख्या)
5. अगले पैरामीटर का मतलब है कि हम अंतिम 2 लाइनों को ध्यान में नहीं रखेंगे (उनमें टिप्पणियां हैं)
6. अंतिम पैरामीटर इंगित करता है कि हम प्राप्त किए गए स्तंभों में से पहली का उपयोग एक सूचकांक के रूप में करेंगे

नाम () फ़ंक्शन का उपयोग डेटा सेट के हेडर का नाम बदलने के लिए किया जाता है; पैरामीटर में, {'पुराना फ़ील्ड नाम' का एक शब्दकोश इसे पास किया जाता है : 'नया फ़ील्ड नाम'}
अब हमारा डेटा सेट इस तरह दिखेगा:

	PeopleQty
	आबादी
	लाख लोग
1897.0
रूसी साम्राज्य की सीमाओं के भीतर	128.2
आधुनिक सीमाओं के भीतर	67.5
1914
रूसी साम्राज्य की सीमाओं के भीतर	165.7
आधुनिक सीमाओं के भीतर	89.9
1917	91
1926	92.7
1939	108.4
1959	117.2
1970	129.9
1971	130.6
1972	131.3
1973	132.1
1974	132.8
1975	133.6
1976	134.5
1977	135.5
1978	136.5
...	...
2013	143.3

ठीक है, डेटा लोड किया गया है, लेकिन, जैसा कि आप देख सकते हैं, इंडेक्स कॉलम में डेटा पूरी तरह से सही नहीं है। उदाहरण के लिए, इसमें न केवल वर्ष संख्याएं होती हैं, बल्कि शाब्दिक स्पष्टीकरण भी होते हैं, और इसमें खाली मान भी होते हैं। इसके अलावा, यह देखा जा सकता है कि 1970 तक, आस-पास के मूल्यों के बीच बड़े समय के अंतराल के कारण डेटा बहुत अच्छी तरह से नहीं भरा गया था।
आप कई मायनों में डेटा को एक सुंदर दृश्य में ला सकते हैं:

• या फिल्टर का उपयोग कर
• या किसी DataFrame से कनेक्ट करके, जिसमें दिनांक स्वरूप में वर्ष होंगे (यह ग्राफिक्स के डिज़ाइन में भी मदद करेगा)

फ़िल्टर के साथ मूल काम पिछले लेख में दिखाया गया था। इसलिए, इस बार हम एक अतिरिक्त डेटाफ़्रेम का उपयोग करते हैं, क्योंकि इसके गठन की प्रक्रिया में यह दिखाया जाएगा कि पांडा का उपयोग करके एक अस्थायी अनुक्रम बनाना कैसे संभव है।
समयरेखा बनाने के लिए, आप date_range () फ़ंक्शन का उपयोग कर सकते हैं। मापदंडों में, 3 पैरामीटर इसे स्थानांतरित किए जाते हैं: प्रारंभिक मूल्य, अवधि की संख्या, अवधि आकार (दिन, महीने, वर्ष, आदि)। हमारे मामले में, चलो 1970 से वर्तमान तक एक क्रम बनाते हैं, क्योंकि इस क्षण से, हमारी तालिका का डेटा लगभग हर वर्ष भरा जाता है:

 a = pd.date_range('1/1/1970', periods=46, freq='AS') 

बाहर निकलने पर, हमने 1970 से 2015 तक एक अनुक्रम का गठन किया।

<class 'pandas.tseries.index.DatetimeIndex'>
[1970-01-01 00:00:00, ..., 2015-01-01 00:00:00]

अब हमें इस अनुक्रम को डेटाफ़्रेम में जोड़ने की आवश्यकता है, मूल डेटा सेट से कनेक्ट करने के अलावा, हमें अनुक्रम में वर्ष संख्या की आवश्यकता है, और प्रारंभ तिथि नहीं। इसके लिए, हमारे समय के अनुक्रम में एक वर्ष की संपत्ति होती है, जो प्रत्येक रिकॉर्ड की वर्ष संख्या वापस कर देती है। आप इस तरह से एक DataFrame बना सकते हैं:

 b = pd.DataFrame(a, index=a.year,columns=['year']) 

निम्न मान फ़ंक्शन पैरामीटर के रूप में पारित किए जाते हैं:

1. डेटा की सरणी जिससे डेटाफ़्रेम बनाया जाएगा
2. एक डेटासेट के लिए सूचकांक मान
3. सेट में खेतों का नाम

डेटा सेट ने फॉर्म लिया:

	साल
1970	1970-01-01 00:00:00
1971	1971-01-01 00:00:00
1972	1972-01-01 00:00:00
1973	1973-01-01 00:00:00
1974	1974-01-01 00:00:00
1975	1975-01-01 00:00:00
1976	1976-01-01 00:00:00
1977	1977-01-01 00:00:00
1978	1978-01-01 00:00:00
1979	1979-01-01 00:00:00
1980	1980-01-01 00:00:00
1981	1981-01-01 00:00:00
...	...
2015	2015-01-01 00:00:00

खैर, अब हमारे पास 2 डेटा सेट हैं, यह उन्हें कनेक्ट करने के लिए बना हुआ है। पिछले लेख में, यह दिखाया गया था कि मर्ज () के साथ ऐसा कैसे करें। इस बार हम एक अन्य फंक्शन जॉइन () का उपयोग करेंगे। इस फ़ंक्शन का उपयोग तब किया जा सकता है जब आपके डेटासेट में समान अनुक्रमणिका होती है (वैसे, इस फ़ंक्शन को प्रदर्शित करने के लिए, हमने उन्हें जोड़ा)। कोड में, यह इस तरह दिखेगा:

 i = b.join(c, how='inner') 

फ़ंक्शन के मापदंडों में, हम उस सेट को पास करते हैं जो जुड़ता है और कनेक्शन का प्रकार। जैसा कि आप जानते हैं, आंतरिक जुड़ाव का परिणाम उन मूल्यों से मिलकर होगा जो दोनों सेटों में मौजूद हैं।
यह फ़ंक्शंस मर्ज () और जॉइन () के बीच के अंतर को तुरंत ध्यान देने योग्य है। मर्ज () विभिन्न स्तंभों में शामिल हो सकता है, शामिल हो सकता है (), बदले में, केवल अनुक्रमित के साथ काम करता है।

विश्लेषण के परिणामों का दृश्य

हमारे द्वारा किए गए हेरफेर के बाद, डेटा सेट इस तरह दिखता है:

	साल	PeopleQty
1970	1970-01-01 00:00:00	129.9
1971	1971-01-01 00:00:00	130.6
1972	1972-01-01 00:00:00	131.3
1973	1973-01-01 00:00:00	132.1
1974	1974-01-01 00:00:00	132.8
1975	1975-01-01 00:00:00	133.6
...
...	...	...
...	...	...
2013	2013-01-01 00:00:00	143.3

ठीक है, अब चलो जनसंख्या वृद्धि की गतिशीलता को दर्शाते हुए सबसे सरल ग्राफ बनाते हैं। यह प्लॉट () फ़ंक्शन के साथ किया जा सकता है। इस फ़ंक्शन के कई पैरामीटर हैं, लेकिन एक साधारण उदाहरण के लिए, हमें बस x और y अक्षों और शैली पैरामीटर के मान को सेट करने की आवश्यकता है, जो शैली के लिए जिम्मेदार है। यह इस तरह दिखेगा:

 i.plot(x='year',y='PeopleQty',style='k--') 

परिणामस्वरूप, हमारा चार्ट इस तरह दिखेगा:

जब प्लॉट () फ़ंक्शन को आईपीथॉन शेल में कहा जाता है, तो ग्राफ सीधे शेल में प्रदर्शित होता है, जो खिड़कियों के बीच अनावश्यक स्विचिंग से बचने में मदद करेगा। (एक मानक शेल का उपयोग करके, चार्ट एक अलग विंडो में खुलेगा, जो बहुत सुविधाजनक नहीं है)। इसके अलावा, यदि आप स्पाइडर के माध्यम से आईपीथॉन का उपयोग करते हैं, तो आप पूरे सत्र को सभी उत्पन्न चार्ट के साथ एक HTML फ़ाइल में अपलोड कर सकते हैं।
अब एक बार चार्ट में डायनामिक्स प्रदर्शित करते हैं। यह तरह के पैरामीटर का उपयोग करके किया जा सकता है। डिफ़ॉल्ट रूप से, पैरामीटर `लाइन` है। ऊर्ध्वाधर स्तंभों के साथ एक चार्ट बनाने के लिए, आपको इस पैरामीटर के मान को 'बार' में बदलने की आवश्यकता है, क्षैतिज स्तंभों के लिए `बरह` का मूल्य है। तो क्षैतिज कॉलम के लिए, कोड इस तरह दिखेगा:

 i.plot(y='PeopleQty', kind='bar') 

परिणामी ग्राफ नीचे दिखाया गया है:

जैसा कि कोड से देखा जा सकता है, यहां हम x का मान निर्धारित नहीं करते हैं, पिछले उदाहरणों के विपरीत, सूचकांक का उपयोग x के रूप में किया जाता है। ग्राफिक्स और सौंदर्य मार्गदर्शन के साथ पूर्ण काम के लिए, मैटलपोटलिब की क्षमताओं का उपयोग करना आवश्यक है, इसके बारे में पहले से ही कई लेख हैं। यह इस तथ्य के कारण है कि पांडा में ड्राइंग फ़ंक्शन उपरोक्त लाइब्रेरी से मुख्य ड्राइंग फ़ंक्शंस को जल्दी से कॉल करने के लिए सिर्फ एक ऐड-ऑन है, जैसे कि matplotlib.pyplot.bar () । तदनुसार, मेटप्लोटलिब से कॉलिंग फ़ंक्शन में उपयोग किए जाने वाले सभी पैरामीटर को पंडों के पैकेज के प्लॉट () फ़ंक्शन के माध्यम से सेट किया जा सकता है।

निष्कर्ष

यह पंडों में विश्लेषण के परिणाम के दृश्य के परिचय को पूरा करता है। लेख में मैंने ग्राफिक्स के साथ काम करने के लिए आवश्यक आधार का वर्णन करने की कोशिश की। सभी सुविधाओं का एक अधिक विस्तृत विवरण पांडा के लिए प्रलेखन में दिया गया है, साथ ही साथ मेटप्लोटिब पुस्तकालय भी। मैं इस तथ्य पर भी आपका ध्यान आकर्षित करना चाहूंगा कि विशेष रूप से डेटा विश्लेषण के लिए पायथन असेंबली हैं, जिसमें पहले से ही इस तरह के पुस्तकालय और ऐड-ऑन शामिल हैं जैसे कि मैटलपोटलिब, पांडा, आईडीई स्पाइडर, और आईपाइथियन शेल। मुझे पता है कि इस तरह की दो विधानसभाएं पायथन (x, y) और एनाकोंडा हैं । पहला केवल विंडोज का समर्थन करता है, लेकिन इसमें एम्बेडेड पैकेज का एक बड़ा सेट है। एनाकोंडा; टी क्रॉस-प्लेटफॉर्म है (यह उन कारणों में से एक है जो मैं इसका उपयोग करता हूं) और इसके मुफ्त संस्करण में कम पैकेज शामिल हैं।