Menggunakan lingkungan gambar dan .set_clim ()
Alternatif ini bisa lebih mudah dan aman jika Anda memiliki banyak plot:
import matplotlib as m import matplotlib.pyplot as plt import numpy as np cdict = { 'red' : ( (0.0, 0.25, .25), (0.02, .59, .59), (1., 1., 1.)), 'green': ( (0.0, 0.0, 0.0), (0.02, .45, .45), (1., .97, .97)), 'blue' : ( (0.0, 1.0, 1.0), (0.02, .75, .75), (1., 0.45, 0.45)) } cm = m.colors.LinearSegmentedColormap('my_colormap', cdict, 1024) x = np.arange(0, 10, .1) y = np.arange(0, 10, .1) X, Y = np.meshgrid(x,y) data = 2*( np.sin(X) + np.sin(3*Y) ) data1 = np.clip(data,0,6) data2 = np.clip(data,-6,0) vmin = np.min(np.array([data,data1,data2])) vmax = np.max(np.array([data,data1,data2])) fig = plt.figure() ax = fig.add_subplot(131) mesh = ax.pcolormesh(data, cmap = cm) mesh.set_clim(vmin,vmax) ax1 = fig.add_subplot(132) mesh2 = ax1.pcolormesh(data1, cmap = cm) mesh2.set_clim(vmin,vmax) ax2 = fig.add_subplot(133) mesh2 = ax2.pcolormesh(data2, cmap = cm) mesh2.set_clim(vmin,vmax) # Visualizing colorbar part -start fig.colorbar(mesh,ax=ax) fig.colorbar(mesh2,ax=ax1) fig.colorbar(mesh2,ax=ax2) fig.tight_layout() # Visualizing colorbar part -end plt.show()Bilah warna tunggal
Alternatif terbaik adalah dengan menggunakan bilah warna tunggal untuk seluruh plot. Ada berbagai cara untuk melakukan itu, ini tutorial sangat berguna untuk memahami opsi terbaik. Saya lebih suka solusi ini yang bisa Anda salin dan tempel alih-alih sebelumnya memvisualisasikan bagian colorbar dari kode.
fig.subplots_adjust(bottom=0.1, top=0.9, left=0.1, right=0.8, wspace=0.4, hspace=0.1) cb_ax = fig.add_axes([0.83, 0.1, 0.02, 0.8]) cbar = fig.colorbar(mesh, cax=cb_ax)P.S.
Saya akan menyarankan menggunakan pcolormesh daripada pcolor karena lebih cepat (lebih banyak info di sini ).
Melalui kelas ini, kamu diajak untuk:
Visualisasi
Penggunaan Pandas memungkinkan penampilan visualisasi data untuk membantu proses analisis. Namun, Pandas tidak bekerja sendiri dalam menyediakan analisis karena meminjam fitur library Matplotlib.
Misalnya ketika hendak menggunakan visualisasi histogram di Pandas. Bisa gunakan cara berikut:
import pandas as pd data = pd.readcsv('statistik-covid.csv') data['age'].hist()
Maka Pandas akan menampilkan data dari file 'statistik-covid' dalam bentuk histogram
Untuk visualisasi yang lebih kompleks, Pandas perlu ditemani library tambahan bernama Matplotlib. Untuk memulainya, integrasikan library Matplotlib dengan Pandas dengan contoh kode di bawah.
import pandas as pd import matplotlib as mp import matplotlib.pyplot as plt
Dengan menggunakan Matplotlib, nantinya proses visualisasi data akan menggunakan kode tambagan mp atau plt.
Merapikan Visualisasi Data
Terkadang, bagan yang muncul dalam visualisasi masih belum jelas. Pandas menyediakan fitur untuk merapikan di dalam kode perintah.
Misalnya untuk memperbesar jarak sehingga data tidak menumpuk. Pandas menyediakan perintah bins. Tempatkan kode bins dengan cara berikut:
import seaborn as sns sns.set()
Pengimporan seaborn bertujuan untuk menanamkan fungsi tambahan terkati visualisasi data. Kode sns.set() mutlak diperlukan untuk menuntaskan integrasi dengan Pandas.
Salah satu keunggulan Seaborn dibanding visualisasi data bawaan Pandas adalah jarak antar batang. Contoh tampilannya bisa dilihat di gambat di bawah.
Detail Visualisasi Matplotlib
Sebelum memulai, pastikan sudah familiar dengan konsep dasar visualisasi data yakni sumbu x dan sumbu y. Untuk sumbu x adalah yang horizontal atau garis yang meninggi, dan sumbu y yang vertikal atau yang menyamping. Hapalkan bentuknya seperti berikut:
Pemahaman ini penting karena nantinya Matplotlib membutuhkan perintah rinci variabel apa saja yang masuk dalam masing-masing sumbu.
Selanjutnya, Matplotlib memiliki fungsi khusus dalam penggunaan jenis visualisasi. Misalnya saat akan menggunakan Scatter Plot, maka bentuk kodenya seperti yang tertulis di bawah:
data = pd.readcsv['statistik-covid.csv'] data1 = data.tail(1) data2 = data.head(3) data3 = data.head(2) data.scatter(data1,data2,color='red') data.scatter(data1,data3,color='blue') data.xlabel('data1') data.ylabel('data2')
Maka, Matplotlib akan menempatkan data1 sebagai x dan data2 sebagai y dengan visualisasi korelasi melalui scatter.
Variasi Plot
Strategi apakah yang harus dilakukan dalam proses awal perancangan iklan stories?
Geser ke kanan untuk melihat jenis plot di Pandas+Matplotlib:
Scatter Plot
Persebaran dari masing-masing kelompok dan mencari hubungannya.
plt.scatterplot()
Ordered Bar Chat
Menampilkan kuantitas data secara berurut agar memberi konteks.
Kode: plt.subplots
Box Plot
Menampilkan volume di masing-masing kelompok data.
Kode: sns.boxplot
Joy Plot
Distribusi relasi data dari kelompok besar.
Kode: joypy.joyplot
Rangkuman
- Visualisasi data dengan Pandas harus ditemani Numpy, Matplotlib, dan Seaborn.
- Seaborn berguna untuk merapikan visualisasi.
- Matplotlib dapat memberi fleksibilitas visualisasi.
Kuis
Bagaimana memunculkan hasil visualisasi Matplotlib?
data.xlabel
plt.show()
data.scatter
print.data()