Lidsky řečeno
Tabulka je jako kniha čísel: přesná, ale čte se pomalu. Graf je pohled z okna. Hned vidíš, jestli to roste, kde je díra a co trčí z řady. Dobrý graf odpovídá na jednu otázku tak, aby ji člověk pochopil za pár vteřin.
První graf
matplotlib je základní knihovna na kreslení grafů v Pythonu. Staví na ní i kreslení v pandas a knihovna seaborn. Používá se z ní hlavně modul pyplot, který se zkracuje na plt. Práce má pořád stejný postup: vytvoř plochu, nakresli data, doplň popisky, ukaž výsledek.
import matplotlib.pyplot as plt
mesice = ["led", "úno", "bře", "dub", "kvě", "čvn"]
navstevy = [120, 135, 128, 160, 190, 240]
fig, ax = plt.subplots(figsize=(6, 3.5))
ax.plot(mesice, navstevy, marker="o")
ax.set_title("Návštěvnost webu")
ax.set_xlabel("měsíc")
ax.set_ylabel("návštěv za den")
ax.grid(alpha=0.3)
plt.show()
plt.subplots() vrací dvě věci a je dobré je rozlišovat:
fig (Figure) = celý list papíru
+------------------------------------+
| ax (Axes) = jeden graf na listu |
| +------------------------------+ |
| | titulek, osy, čáry, legenda | |
| +------------------------------+ |
+------------------------------------+Kreslí se do ax. fig potřebuješ, když řešíš celek, třeba velikost nebo uložení do souboru. figsize je šířka a výška v palcích.
Káva v práci
Do připravené plochy ax nakresli čáru z dny a kavy. Nastav titulek Káva v práci a popis osy y šálky.
import matplotlib.pyplot as plt
dny = ["po", "út", "st", "čt", "pá"]
kavy = [3, 2, 4, 5, 1]
fig, ax = plt.subplots()
# doplň
plt.show()
Který graf na jakou otázku
Typ grafu nevybírej podle toho, co vypadá hezky, ale podle otázky.
| Otázka | Graf | Metoda |
|---|---|---|
| Jak se to mění v čase? | čárový | ax.plot |
| Co je větší a co menší? | sloupcový | ax.bar, ax.barh |
| Jak jsou hodnoty rozložené? | histogram | ax.hist |
| Souvisí spolu dvě veličiny? | bodový | ax.scatter |
| Jak se liší rozložení skupin? | krabicový | ax.boxplot |
U sloupcového grafu kategorie seřaď, jinak čtenář řadí očima sám. Vodorovné sloupce mají místo na dlouhé popisky. bar_label napíše hodnotu přímo ke sloupci, takže se nemusíš dívat na osu.
import matplotlib.pyplot as plt
jazyky = {"čeština": 412, "angličtina": 655, "němčina": 141, "polština": 97, "slovenština": 233}
serazeno = sorted(jazyky.items(), key=lambda dvojice: dvojice[1])
nazvy = [nazev for nazev, _ in serazeno]
pocty = [pocet for _, pocet in serazeno]
fig, ax = plt.subplots(figsize=(6, 3))
sloupce = ax.barh(nazvy, pocty, color="tab:blue")
ax.bar_label(sloupce, padding=3)
ax.set_title("Počet knih v knihovničce podle jazyka")
ax.spines[["top", "right"]].set_visible(False)
ax.set_xlim(0, 750)
plt.show()
Histogram rozdělí osu na stejně široké přihrádky a nad každou ukáže, kolik hodnot do ní padlo. Odpovídá na otázku, jaký mají data tvar. Parametr bins je počet přihrádek. Ukázka vytváří náhodná data, default_rng(42) zajistí, že budou pokaždé stejná. axvline přidá svislou čáru.
import matplotlib.pyplot as plt
import numpy as np
rng = np.random.default_rng(42)
dojezd = rng.gamma(shape=3, scale=9, size=600)
fig, ax = plt.subplots(figsize=(6, 3.5))
ax.hist(dojezd, bins=30, color="tab:gray", edgecolor="white")
ax.axvline(np.mean(dojezd), color="tab:red", label="průměr")
ax.axvline(np.median(dojezd), color="tab:blue", linestyle="--", label="medián")
ax.set_xlabel("doba dojezdu (minuty)")
ax.set_ylabel("počet jízd")
ax.legend()
plt.show()
Data jsou nesouměrná, s dlouhým ocasem doprava, a ten táhne průměr nad medián. To by z jednoho čísla nikdo nepoznal.
Stejná data s dvěma vrcholy a různý počet přihrádek. Posuvníkem zjisti, kdy vrcholy zmizí a kdy se objeví zuby, které v datech nejsou.
Bodový graf dá každému řádku jeden bod. Když se body překrývají, pomůže průhlednost alpha.
import matplotlib.pyplot as plt
import numpy as np
rng = np.random.default_rng(7)
plocha = rng.uniform(25, 120, 250)
cena = 40 + 0.9 * plocha + rng.normal(0, 14, 250)
fig, ax = plt.subplots(figsize=(5, 4))
ax.scatter(plocha, cena, s=18, alpha=0.5)
ax.set_xlabel("plocha bytu (m²)")
ax.set_ylabel("měsíční náklady (stovky Kč)")
ax.set_title("Ilustrační data: větší byt, vyšší náklady")
plt.show()
Chceš zjistit, jestli je většina objednávek malá a jen pár obrovských. Který graf zvolíš?
Otázka míří na rozložení jedné veličiny a to je přesně práce pro histogram. Čárový graf by naznačoval vývoj mezi sousedními body, který tu nemá smysl.
Seřazené výdaje
Nakresli vodorovný sloupcový graf výdajů seřazený tak, aby největší položka byla nahoře. U barh se první položka kreslí dole, takže hodnoty seřaď vzestupně, nebo je seřaď sestupně a osu otoč přes ax.invert_yaxis(). Osu x popiš textem Kč.
import matplotlib.pyplot as plt
vydaje = {"nájem": 14000, "jídlo": 6500, "doprava": 1800, "zábava": 2400}
fig, ax = plt.subplots()
# doplň
plt.show()
Víc grafů a víc řad
plt.subplots(radky, sloupce) vrátí mřížku os, ke které přistupuješ jako k poli NumPy. Tipni si, co vypíše tahle ukázka.
import matplotlib.pyplot as plt
fig, axs = plt.subplots(2, 3)
print(axs.shape)
print(len(fig.axes))
(2, 3) 6
Pole má dva řádky a tři sloupce, list papíru nese šest grafů. Graf vpravo nahoře je axs[0, 2], první číslo je řádek a druhé sloupec. layout="constrained" se postará, aby se popisky nepřekrývaly. Když do jedněch os kreslíš víc řad, pojmenuj je přes label a zavolej legend.
Krabicový graf shrne rozložení do pár čar. Krabice sahá od prvního ke třetímu kvartilu, takže v ní leží prostřední polovina hodnot. Čára uvnitř je medián. Vousy sahají k nejvzdálenější hodnotě, která je od okraje krabice nejvýš 1,5násobek její výšky, a co leží ještě dál, se kreslí jako samostatné body. Je to stejné pravidlo IQR jako při čištění dat.
import matplotlib.pyplot as plt
import numpy as np
rng = np.random.default_rng(5)
mesice = np.arange(1, 13)
letos = 100 + 6 * mesice + rng.normal(0, 8, 12)
loni = 90 + 4 * mesice + rng.normal(0, 8, 12)
skupiny = [rng.normal(50, 5, 80), rng.normal(56, 12, 80), rng.normal(47, 3, 80)]
matice = rng.random((5, 7)).cumsum(axis=1)
fig, axs = plt.subplots(2, 2, figsize=(8, 5.5), layout="constrained")
axs[0, 0].plot(mesice, letos, label="letos")
axs[0, 0].plot(mesice, loni, label="loni", linestyle="--")
axs[0, 0].set_title("Dvě řady a legenda")
axs[0, 0].legend()
axs[0, 1].boxplot(skupiny)
axs[0, 1].set_xticks([1, 2, 3], ["pobočka A", "pobočka B", "pobočka C"])
axs[0, 1].set_title("Krabicový graf")
axs[1, 0].fill_between(mesice, loni, letos, alpha=0.3)
axs[1, 0].set_title("Plocha mezi řadami")
obraz = axs[1, 1].imshow(matice, cmap="viridis", aspect="auto")
axs[1, 1].set_title("Tepelná mapa")
fig.colorbar(obraz, ax=axs[1, 1])
plt.show()
Jak graf nelže
Stejná čísla můžou vyprávět různé příběhy. U sloupců je délka tím, co oko porovnává, takže osa sloupcového grafu má začínat na nule. Vlevo dvě procenta vypadají jako propast, vpravo jsou tím, čím jsou.
import matplotlib.pyplot as plt
firmy = ["Firma A", "Firma B"]
podil = [50, 52]
fig, (levy, pravy) = plt.subplots(1, 2, figsize=(7, 3), layout="constrained")
levy.bar(firmy, podil, color="tab:red")
levy.set_ylim(49, 52.5)
levy.set_title("osa od 49: drtivá výhra?")
pravy.bar(firmy, podil, color="tab:blue")
pravy.set_ylim(0, 60)
pravy.set_title("osa od nuly: skoro remíza")
plt.show()
Pár zvyků, které graf zlepší zadarmo:
- Do titulku napiš, co má čtenář vidět, nebo aspoň co přesně měříš.
- Vždy uveď jednotky.
- Barvu používej pro význam, ne pro ozdobu. Zhruba každý dvanáctý muž špatně rozlišuje červenou a zelenou, takže rozdíl nestav jen na nich.
- Koláč s deseti dílky nahraď seřazenými sloupci.
Graf, který přehání
Graf měl poctivě porovnat podíly dvou firem, 50 a 52 %. Najdi řádek, kvůli kterému rozdíl vypadá obrovský.
Který graf na jakou otázku
Ke každé otázce vyber typ grafu, který na ni odpoví nejlíp.
Který graf nejvíc klame?
Výška sloupce má odpovídat hodnotě. Oříznutá osa z malého rozdílu udělá několikanásobný. Čárový graf to snese, protože tam čteš změnu, ne délku.
Grafy přímo z pandas
Series i DataFrame mají metodu plot, která volá matplotlib za tebe. Nejsilnější je v kombinaci s groupby a pivot_table: indexy se stanou osou a sloupce řadami. Předej jí ax=ax a zbytek dolaď běžným způsobem.
import matplotlib.pyplot as plt
import pandas as pd
prodeje = pd.DataFrame({
"mesic": [1, 1, 2, 2, 3, 3, 4, 4],
"mesto": ["Brno", "Praha"] * 4,
"kusy": [30, 52, 34, 49, 41, 58, 47, 66],
})
fig, (levy, pravy) = plt.subplots(1, 2, figsize=(8, 3), layout="constrained")
vyvoj = prodeje.pivot_table(index="mesic", columns="mesto", values="kusy", aggfunc="sum")
vyvoj.plot(ax=levy, marker="o")
levy.set_title("Vývoj po měsících")
levy.set_ylabel("kusy")
celkem = prodeje.groupby("mesto")["kusy"].sum().sort_values()
celkem.plot.barh(ax=pravy, color="tab:green")
pravy.set_title("Celkem")
pravy.set_ylabel("")
plt.show()
Histogram s průměrem
Nakresli histogram pole casy s 12 přihrádkami a přidej svislou čáru přesně v jejich průměru.
import matplotlib.pyplot as plt
import numpy as np
rng = np.random.default_rng(1)
casy = rng.normal(30, 6, 400)
fig, ax = plt.subplots()
# doplň
plt.show()
Pod kapotou · vrstvy matplotlib a grafy na serveru
Všechno, co vidíš, je strom objektů Artist: Figure obsahuje Axes, ty obsahují Axis, Line2D, Rectangle a Text. Vykreslení projde strom a pošle primitiva do backendu. Pro rastrové výstupy to je Agg, pro soubory i SVG nebo PDF. Proto jde všechno po vykreslení upravit přes objekty, například ax.get_lines()[0].set_linewidth(3).
pyplot nad tím drží globální stav: seznam otevřených figur a pojem „aktuální osy“. To je pohodlné v notebooku a nebezpečné jinde.
- Otevřené figury se samy neuvolní, pyplot na ně drží referenci. Dlouho běžící skript paměť postupně vyčerpá, po 20 figurách matplotlib varuje (
figure.max_open_warning). Řešením jeplt.close(fig). - matplotlib není vláknově bezpečný. Ve webové službě sdílená „aktuální figura“ prokládá požadavky.
Na serveru proto pyplot vůbec neimportuj. Vytvoř přímo matplotlib.figure.Figure. Ta se uvolní jako každý jiný objekt a savefig si zařídí Agg sám. Velikost v pixelech je figsize krát dpi, tady 6 · 100 na 3 · 100, tedy 600 × 300. Šířka a výška jsou v PNG uložené jako dvě 32bitová čísla hned za hlavičkou, od bajtu 16.
import io
import struct
from matplotlib.figure import Figure
fig = Figure(figsize=(6, 3), dpi=100)
ax = fig.subplots()
ax.plot([0, 1, 2], [3, 1, 2])
pamet = io.BytesIO()
fig.savefig(pamet, format="png")
data = pamet.getvalue()
print(data[1:4])
print(struct.unpack(">II", data[16:24]))
b'PNG' (600, 300)
U velkých dat rozhoduje počet značek. Milion bodů ve scatter je pomalý a výsledek je stejně černá skvrna, takže použij hexbin nebo hist2d. Ve vektorovém PDF nastav u husté vrstvy rasterized=True, jinak soubor naroste na desítky megabajtů. Pro spojité veličiny ber mapy viridis nebo cividis, které mají rovnoměrně rostoucí jas. Duhová jet vytváří hrany, které v datech nejsou.