Visualiser les données en Python à l'aide de plt.scatter () – Real Python

Débuter avec plt.scatter ()

Avant de pouvoir commencer à travailler avec plt.scatter () , vous devrez installer Matplotlib. Vous pouvez le faire en utilisant le gestionnaire de packages standard de Python, pépin, en exécutant la commande suivante dans la console:

$ python -m pip installer matplotlib

Maintenant que Matplotlib est installé, considérez le cas d'utilisation suivant. Un café vend six types différents de boissons à l'orange en bouteille. Le propriétaire veut comprendre la relation entre le prix des boissons et combien de chacune il vend, il garde donc une trace de la quantité de chaque boisson qu'il vend chaque jour. Vous pouvez visualiser cette relation comme suit:

importer matplotlib.pyplot comme plt

le prix = [[[[2,50, 1,23, 4,02, 3,25, 5,00, 4.40]
sales_per_day = [[[[34, 62, 49, 22, 13, 19]

plt.dispersion(le prix, sales_per_day)
plt.spectacle()

Dans ce script Python, vous importez le pyplot sous-module de Matplotlib utilisant l'alias plt. Cet alias est généralement utilisé par convention pour raccourcir les noms de module et de sous-module. Vous créez ensuite des listes avec le prix et les ventes moyennes par jour pour chacune des six boissons à l'orange vendues.

Enfin, vous créez le nuage de points en utilisant plt.scatter () avec les deux variables que vous souhaitez comparer comme arguments d'entrée. Comme vous utilisez un script Python, vous devez également afficher explicitement la figure en utilisant plt.show ().

Lorsque vous utilisez un environnement interactif, tel qu'une console ou un bloc-notes Jupyter, vous n'avez pas besoin d'appeler plt.show (). Dans ce tutoriel, tous les exemples seront sous forme de scripts et incluront l'appel à plt.show ().

Voici le résultat de ce code:

Ce graphique montre qu'en général, plus une boisson est chère, moins il y a d'articles vendus. Cependant, la boisson qui coûte 4,02 $ est une valeur aberrante, ce qui peut montrer qu'il s'agit d'un produit particulièrement populaire. Lorsque vous utilisez des nuages ​​de points de cette manière, une inspection minutieuse peut vous aider à explorer la relation entre les variables. Vous pouvez ensuite effectuer une analyse plus approfondie, que ce soit à l’aide de la régression linéaire ou d’autres techniques.

Comparant plt.scatter () et plt.plot ()

Vous pouvez également produire le nuage de points illustré ci-dessus en utilisant une autre fonction dans matplotlib.pyplot. Matplotlib plt.plot () est une fonction de traçage à usage général qui vous permettra de créer différents tracés linéaires ou marqueurs.

Vous pouvez obtenir le même nuage de points que celui que vous avez obtenu dans la section ci-dessus avec l'appel suivant à plt.plot (), en utilisant les mêmes données:

plt.parcelle(le prix, sales_per_day, "o")
plt.spectacle()

Dans ce cas, vous deviez inclure le marqueur "o" comme troisième argument, autrement plt.plot () tracerait un graphique linéaire. Le tracé que vous avez créé avec ce code est identique au tracé que vous avez créé précédemment avec plt.scatter ().

Dans certains cas, pour le nuage de points de base que vous tracez dans cet exemple, utilisez plt.plot () peut être préférable. Vous pouvez comparer l'efficacité des deux fonctions à l'aide du timeit module:

importer timeit
importer matplotlib.pyplot comme plt

le prix = [[[[2,50, 1,23, 4,02, 3,25, 5,00, 4.40]
sales_per_day = [[[[34, 62, 49, 22, 13, 19]

imprimer(
    "plt.scatter ()",
    timeit.timeit(
        "plt.scatter (prix, ventes_par_jour)",
        numéro=1000,
        globaux=globaux(),
    ),
)
imprimer(
    "plt.plot ()",
    timeit.timeit(
        "plt.plot (prix, ventes_par_jour, 'o')",
        numéro=1000,
        globaux=globaux(),
    ),
)

Les performances varient selon les ordinateurs, mais lorsque vous exécutez ce code, vous constaterez que plt.plot () est nettement plus efficace que plt.scatter (). Lors de l'exécution de l'exemple ci-dessus sur mon système, plt.plot () était plus de sept fois plus rapide.

Si vous pouvez créer des nuages ​​de points en utilisant plt.plot (), et c'est aussi beaucoup plus rapide, pourquoi devriez-vous utiliser plt.scatter ()? Vous trouverez la réponse dans la suite de ce didacticiel. La plupart des personnalisations et des utilisations avancées que vous découvrirez dans ce didacticiel ne sont possibles que lorsque vous utilisez plt.scatter (). Voici une règle de base que vous pouvez utiliser:

• Si vous avez besoin d'un nuage de points de base, utilisez plt.plot (), surtout si vous souhaitez donner la priorité aux performances.
• Si vous souhaitez personnaliser votre nuage de points en utilisant des fonctionnalités de traçage plus avancées, utilisez plt.scatter ().

Dans la section suivante, vous allez commencer à explorer des utilisations plus avancées de plt.scatter ().

Changer la taille

Revenons au propriétaire du café que vous avez rencontré plus tôt dans ce didacticiel. Les différentes boissons à l'orange qu'il vend proviennent de différents fournisseurs et ont des marges bénéficiaires différentes. Vous pouvez afficher ces informations supplémentaires dans le nuage de points en ajustant la taille du marqueur. La marge bénéficiaire est donnée en pourcentage dans cet exemple:

importer matplotlib.pyplot comme plt
importer engourdi comme np

le prix = np.asarray([[[[2,50, 1,23, 4,02, 3,25, 5,00, 4.40])
sales_per_day = np.asarray([[[[34, 62, 49, 22, 13, 19])
profit_margin = np.asarray([[[[20, 35, 40, 20, 27,5, 15])

plt.dispersion(X=le prix, y=sales_per_day, s=profit_margin * dix)
plt.spectacle()

Vous pouvez remarquer quelques changements par rapport au premier exemple. Au lieu de listes, vous utilisez désormais des tableaux NumPy. Vous pouvez utiliser n'importe quelle structure de données de type tableau pour les données, et les tableaux NumPy sont couramment utilisés dans ces types d'applications car ils permettent opérations élémentaires qui sont exécutés efficacement. Le module NumPy est une dépendance de Matplotlib, c'est pourquoi vous n'avez pas besoin de l'installer manuellement.

Vous avez également utilisé paramètres nommés comme arguments d'entrée dans l'appel de fonction. Les paramètres X et y sont obligatoires, mais tous les autres paramètres sont facultatifs.

Le paramètre s indique la taille du marqueur. Dans cet exemple, vous utilisez la marge bénéficiaire comme variable pour déterminer la taille du marqueur et la multipliez par dix pour afficher plus clairement la différence de taille.

Vous pouvez voir le nuage de points créé par ce code ci-dessous:

La taille du marqueur indique la marge bénéficiaire de chaque produit. Les deux boissons à l'orange qui se vendent le plus sont également celles qui ont la marge bénéficiaire la plus élevée. C'est une bonne nouvelle pour le propriétaire du café!

Changer la couleur

De nombreux clients du café aiment lire attentivement les étiquettes, notamment pour connaître la teneur en sucre des boissons qu’ils achètent. Le propriétaire du café souhaite mettre l'accent sur sa sélection d'aliments sains lors de sa prochaine campagne de marketing.Il catégorise donc les boissons en fonction de leur teneur en sucre et utilise un système de feux de signalisation pour indiquer une teneur en sucre faible, moyenne ou élevée des boissons.

Vous pouvez ajouter de la couleur aux marqueurs dans le nuage de points pour afficher la teneur en sucre de chaque boisson:

# ...

faible = (0, 1, 0)
moyen = (1, 1, 0)
haute = (1, 0, 0)

sucre_contenu = [[[[faible, haute, moyen, moyen, haute, faible]

plt.dispersion(
    X=le prix,
    y=sales_per_day,
    s=profit_margin * dix,
    c=sucre_contenu,
)
plt.spectacle()

Vous définissez les variables faible, moyen, et haute pour être des tuples, chacun contenant trois valeurs qui représentent les composants de couleur rouge, vert et bleu, dans cet ordre. Ce sont des valeurs de couleur RVB. Les tuples pour faible, moyen, et haute représentent respectivement le vert, le jaune et le rouge.

Vous avez ensuite défini la variable sucre_contenu pour classer chaque boisson. Vous utilisez le paramètre facultatif c dans l'appel de fonction pour définir la couleur de chaque marqueur. Voici le nuage de points produit par ce code:

Le propriétaire du café a déjà décidé de supprimer la boisson la plus chère du menu car elle ne se vend pas bien et a une teneur élevée en sucre. Devrait-il également arrêter de stocker les boissons les moins chères pour renforcer les références en matière de santé de l'entreprise, même si elle se vend bien et dispose d'une bonne marge bénéficiaire?

Changer la forme

Le propriétaire du café a trouvé cet exercice très utile et il souhaite étudier un autre produit. En plus des boissons à l'orange, vous allez maintenant tracer des données similaires pour la gamme de barres de céréales disponibles dans le café:

importer matplotlib.pyplot comme plt
importer engourdi comme np

faible = (0, 1, 0)
moyen = (1, 1, 0)
haute = (1, 0, 0)

price_orange = np.asarray([[[[2,50, 1,23, 4,02, 3,25, 5,00, 4.40])
sales_per_day_orange = np.asarray([[[[34, 62, 49, 22, 13, 19])
profit_margin_orange = np.asarray([[[[20, 35, 40, 20, 27,5, 15])
sucre_contenu_orange = [[[[faible, haute, moyen, moyen, haute, faible]

price_cereal = np.asarray([[[[1,50, 2,50, 1,15, 1,95])
sales_per_day_cereal = np.asarray([[[[67, 34, 36, 12])
profit_margin_cereal = np.asarray([[[[20, 42,5, 33,3, 18])
sucre_contenu_céréal = [[[[faible, haute, moyen, faible]

plt.dispersion(
    X=price_orange,
    y=sales_per_day_orange,
    s=profit_margin_orange * dix,
    c=sucre_contenu_orange,
)
plt.dispersion(
    X=price_cereal,
    y=sales_per_day_cereal,
    s=profit_margin_cereal * dix,
    c=sucre_contenu_céréal,
)
plt.spectacle()

Dans ce code, vous refactorisez les noms de variables pour prendre en compte le fait que vous disposez désormais de données pour deux produits différents. Vous tracez ensuite les deux nuages ​​de points sur une seule figure. Cela donne la sortie suivante:

Malheureusement, vous ne pouvez plus déterminer quels points de données appartiennent aux boissons à l'orange et lesquels aux barres de céréales. Vous pouvez modifier la forme du marqueur pour l'un des nuages ​​de points:

importer matplotlib.pyplot comme plt
importer engourdi comme np

faible = (0, 1, 0)
moyen = (1, 1, 0)
haute = (1, 0, 0)

price_orange = np.asarray([[[[2,50, 1,23, 4,02, 3,25, 5,00, 4.40])
sales_per_day_orange = np.asarray([[[[34, 62, 49, 22, 13, 19])
profit_margin_orange = np.asarray([[[[20, 35, 40, 20, 27,5, 15])
sucre_contenu_orange = [[[[faible, haute, moyen, moyen, haute, faible]

price_cereal = np.asarray([[[[1,50, 2,50, 1,15, 1,95])
sales_per_day_cereal = np.asarray([[[[67, 34, 36, 12])
profit_margin_cereal = np.asarray([[[[20, 42,5, 33,3, 18])
sucre_contenu_céréal = [[[[faible, haute, moyen, faible]

plt.dispersion(
    X=price_orange,
    y=sales_per_day_orange,
    s=profit_margin_orange * dix,
    c=sucre_contenu_orange,
)
plt.dispersion(
    X=price_cereal,
    y=sales_per_day_cereal,
    s=profit_margin_cereal * dix,
    c=sucre_contenu_céréal,
    marqueur="ré",
)
plt.spectacle()

Vous conservez la forme de marqueur par défaut pour les données de boisson orange. Le marqueur par défaut est "o", qui représente un point. Pour les données de la barre de céréales, vous définissez la forme du marqueur sur "ré", qui représente un marqueur de diamant. Vous pouvez trouver la liste de tous les marqueurs que vous pouvez utiliser dans la page de documentation sur les marqueurs. Voici les deux nuages ​​de points superposés sur la même figure:

Vous pouvez maintenant distinguer les points de données des boissons à l'orange de ceux des barres de céréales. Mais il y a un problème avec le dernier tracé que vous avez créé que vous explorerez dans la section suivante.

Changer la transparence

L'un des points de données pour les boissons à l'orange a disparu. Il devrait y avoir six boissons orange, mais seuls cinq marqueurs ronds peuvent être vus sur la figure. L'un des points de données de la barre de céréales cache un point de données de boisson à l'orange.

Vous pouvez résoudre ce problème de visualisation en rendant les points de données partiellement transparents à l'aide de la valeur alpha:

# ...

plt.dispersion(
    X=price_orange,
    y=sales_per_day_orange,
    s=profit_margin_orange * dix,
    c=sucre_contenu_orange,
    alpha=0,5,
)
plt.dispersion(
    X=price_cereal,
    y=sales_per_day_cereal,
    s=profit_margin_cereal * dix,
    c=sucre_contenu_céréal,
    marqueur="ré",
    alpha=0,5,
)

plt.Titre("Ventes vs prix des boissons à l'orange et des barres de céréales")
plt.Légende([[[["Boissons à l'orange", "Barres de céréales"])
plt.xlabel("Prix (unité monétaire)")
plt.ylabel("Ventes hebdomadaires moyennes")
plt.texte(
    3.2,
    55,
    "Taille du marqueur = marge bénéficiaire n" "Couleur du marqueur = teneur en sucre",
)

plt.spectacle()

Vous avez défini le alpha valeur des deux ensembles de marqueurs à 0,5, ce qui signifie qu’ils sont semi-transparents. Vous pouvez maintenant voir tous les points de données dans ce graphique, y compris ceux qui coïncident:

Vous avez également ajouté un titre et d'autres étiquettes au tracé pour compléter la figure avec plus d'informations sur ce qui est affiché.